FinRobot 是基于大型语言模型的金融 AI Agent 平台，支持股票预测、财务分析及研报自动生成。平台架构包含金融 AI 代理层、LLM 算法层、LLMOps/DataOps 层及多模型层，通过智能调度器优化任务分配。核心功能涵盖市场预测、文档分析及交易策略生成。安装需配置 Python 环境及 OpenAI 和金融数据 API Key。适用于金融机构自动化分析场景，需注意数据安全与合规性。
金融科技（Fintech）一直是前沿技术发展的核心领域之一。随着大型语言模型（LLMs）技术的成熟，其在金融场景中的应用潜力被进一步挖掘。FinRobot 是一个基于 AI Agent 的开源项目，旨在利用大模型能力支持股票预测、财务分析、研报撰写等复杂金融任务。
FinRobot 是一个超越 FinGPT 范畴的 AI Agent 平台，由 AI4Finance 基金会开发。它专为金融应用打造，集成了多种 AI 技术，不仅限于单纯的语言模型处理。该平台通过多源 LLM 基础模型层、LLMOps 和 DataOps 层、金融 LLMs 算法层以及金融 AI 代理层，提供多元化的金融分析和操作能力，包括市场预测、文件分析和交易策略生成。
FinRobot 的整体结构由四个核心层级组成，每一层都针对金融 AI 处理和应用中的特定问题进行了优化：
金融 AI 代理层： 这一层引入了金融思维链（Chain of Thought, CoT）提示技术，以增强复杂的分析和决策能力。包含市场预测代理、文档分析代理和交易策略代理。它们利用 CoT 将金融挑战分解为逻辑步骤，结合高级算法与金融市场动态，提供精确且实用的见解。
金融 LLM 算法层： 该层配置并使用了针对特定领域和全球市场分析的专门调整模型。主要包含以下组件：
LLMOps 和 DataOps 层： 在 LLMOps 层，实施了多源集成策略，利用一系列最先进的模型，为特定的财务任务选择最合适的 LLM。DataOps 层则管理金融分析所需的广泛数据集，确保输入 AI 处理管道的所有数据都是高质量且代表当前市场状况的。其中检索增强生成（RAG）技术结合了上下文检索机制和 LLMs 的优势，优化了语言生成任务。
多 LLM 模型层： 作为基础层，支持各种通用和专门 LLM 的即插即用功能，方便灵活调用。
智能调度器对于确保模型多样性以及优化每个任务最合适的 LLM 的集成和选择至关重要。其核心组件包括：
代理的工作流程主要分为三个阶段：
感知（Sense）： 该模块捕获并解释来自市场信息、新闻和经济指标的多模式金融数据，使用复杂的技术构建数据以进行彻底的分析。
大脑（Brain）： 作为核心处理单元，该模块使用 LLM 感知来自感知模块的数据，并利用财务思路链（CoT）流程生成结构化指令。
行动（Act）： 该模块执行来自大脑模块的指令，应用工具将分析见解转化为可操作的结果。行动包括交易、投资组合调整、生成报告或发送警报，从而积极影响金融环境。
项目的文件结构主要包括主文件夹 finrobot，内含三个子文件夹：agent、data_source、functional。
推荐使用 Conda 创建隔离环境：
conda create --name finrobot python=3.10
conda activate finrobot
使用终端克隆仓库或手动下载：
git clone https://github.com/AI4Finance-Foundation/FinRobot.git
cd FinRobot
从 PyPI 获取最新版本：
pip install -U finrobot
需要修改两个关键配置文件以接入 API 服务：
OAI_CONFIG_LIST
OAI_CONFIG_LIST_sample 重命名为 OAI_CONFIG_LIST。[{"model": "gpt-4-0125-preview", "api_key": "YOUR_OPENAI_API_KEY"}]
config_api_keys
config_api_keys_sample 重命名为 config_api_keys。项目提供了多个 Jupyter Notebook 示例供参考：
agent_annual_report.ipynb：年度报告生成agent_fingpt_forecaster.ipynb：股价预测agent_trade_strategist.ipynb：交易策略制定lmm_agent_mplfinance.ipynb：多模态可视化lmm_agent_opt_smacross.ipynb：量化策略回测本示例演示如何以公司的 10-K 表格、财务数据和市场数据作为输入，输出股票研究报告。
首先导入必要的库：
import os
import autogen
from textwrap import dedent
from finrobot.utils import register_keys_from_json
from finrobot.agents.workflow import SingleAssistantShadow
配置 LLM 参数：
llm_config = {
"config_list": autogen.config_list_from_json(
"../OAI_CONFIG_LIST",
filter_dict={
"model": ["gpt-4-0125-preview"],
},
),
"timeout": 120,
"temperature": 0.5,
}
register_keys_from_json("../config_api_keys")
# Intermediate strategy modules will be saved in this directory
work_dir = "../report"
os.makedirs(work_dir, exist_ok=True)
assistant = SingleAssistantShadow(
"Expert_Investor",
llm_config,
max_consecutive_auto_reply=None,
human_input_mode="TERMINATE",
)
定义任务消息：
company = "Microsoft"
fyear = "2023"
message = dedent(
f"""
With the tools you've been provided, write an annual report based on {company}'s {fyear} 10-k report, format it into a pdf.
Pay attention to the followings:
- Explicitly explain your working plan before you kick off.
- Use tools one by one for clarity, especially when asking for instructions.
- All your file operations should be done in "{work_dir}".
- Display any image in the chat once generated.
- All the paragraphs should combine between 400 and 450 words, don't generate the pdf until this is explicitly fulfilled.
"""
)
assistant.chat(message, use_cache=True, max_turns=50,
summary_method="last_msg")
在生成这个金融分析报告的过程中，涉及到的任务包括：
在实际生产环境中部署 FinRobot 时，建议遵循以下最佳实践：
FinRobot 项目整体融合了目前 LLM 和 Agent 的能力，将其应用到了最具商业前景的金融领域。从目前来看，它可以解决一些实际的问题，如自动化研报撰写、辅助投资决策等。如果根据具体使用者的场景进行深挖，完全可以利用 AI 的能力，在金融场景中产生出不错的价值。该项目适合希望探索 AI 在垂直领域应用的开发者和研究人员参考。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online