LLM驱动的智能金融分析师
虽然一个主流LLM被构建为访问网络很酷，但它不如设置自己的定制助手有用。一个专门构建的助手可以让你快速访问所需的精确数据，并允许你执行复杂的分析。
人们对最基本的东西过于着迷。
我在Twitter上看到一个金融人士在抱怨Grok是自切面包以来最好的东西。这个由xAi开发的LLM具有内置的网络搜索和推理能力……人们对它认为能为金融分析任务做的事情感到非常兴奋。
是的，这比没有实时信息访问权限的GPT要好，但你可以在大约一个小时之内构建一个更好的金融助手。
而且，没错，不仅构建起来极其简单，而且它还可以与任何LLM一起工作。你可以构建自己的助手来处理任何需要实时数据的任务。
1、什么是Grok？
如果你对大型语言模型有任何了解，你就知道它们没有访问实时信息的能力。
直到Grok 3。
你看，与吹嘘廉价架构的DeepSeek不同，Elon Musk决定更大就是更好，他花费超过30亿美元购买了20万台NVIDIA超级计算机（H100）。
他不遗余力。
最终结果是一个优于其他所有模型的大型语言模型。它拥有100万个token的上下文窗口。而且，它可以通过Twitter形式访问网络。
然而，人们对其某些功能的夸大远远超过了实际，尤其是在需要实时信息的任务中，比如金融。
虽然Grok 3可以进行基本搜索，但你可以构建一个更强大（且更便宜）的LLM，以实现对金融数据的实时访问。
这非常简单。
2、解决用于金融分析的LLM固有问题
即使是像Grok这样的语言模型也无法执行复杂的分析。
复杂分析需要精确的数据。如果我想得到一份过去四个季度每个季度自由现金流增加的AI股票清单，我需要一种精确的方式来查看过去的四个季度并得出答案。
仅仅搜索网络是不够的。
然而，通过一些努力，我们可以构建一个与LLM无关的金融超级天才，基于数据提供准确、基于事实的答案。
这可以通过三个简单的步骤完成：
- 获取每只美国股票的财务数据并将其上传到BigQuery
- 构建一个LLM包装器来查询数据
- 格式化LLM查询的结果
让我们详细讨论每个步骤。
3、存储和上传美国股票的财务数据
使用一个高质量的基本面数据提供商如EODHD，我们可以在几秒钟内查询到准确的实时财务信息。
我们通过调用历史数据端点来实现这一点。这将为我们提供特定股票的所有历史数据，包括收益预期、收入、净利润等。
请注意，数据的质量至关重要。像EODHD这样的来源在成本效益和准确性之间取得了完美的平衡。如果我们使用劣质数据，那么当我们LLM给出劣质响应时，也不应感到惊讶。
现在，有一些清理和将数据合并成适合BigQuery格式的工作。特别是因为EODHD提供的数据量很大，我们需要进行一些过滤。
幸运的是，我已经完成了所有这些工作，并将其开源供免费使用！
我们只需要运行脚本
ts-node upload.ts
脚本将自动为每只股票运行并上传其财务数据。
现在，有一些设置工作。你需要创建一个Google云账户并启用BigQuery（假设我们想利用BigQuery提供的快速读取）。但这种设置过程就像其他网站一样。最多需要几分钟。
在数据上传后，我们可以进入第二步。
4、使用LLM生成数据库查询
这是使我们的LLM优于Grok或其他模型进行金融分析的关键步骤。
我们将使用LLM从数据库中查询数据，而不是在网络上搜索结果。这样，我们可以获取完全想要的信息。我们可以找到关于特定股票的信息，甚至发现新的股票机会。
方法如下。
4.1 在Requesty上创建一个帐户
Requesty允许你在不同的LLM提供商之间切换，而无需创建10个不同的帐户。这包括最佳的金融分析模型，如Gemini Flash 2和OpenAI o3-mini。
创建Requesty帐户后，我们需要创建一个系统提示。
4.2 创建初始LLM提示
下一步是创建系统提示。这为模型提供了足够的上下文来回答问题，并帮助指导其响应。
一个好的系统提示应该包含：
- 所有必要的上下文以回答金融问题（例如模式和表名）
- 一组约束条件（例如，我们可以限制最大输出为50家公司）
- 模型可以遵循的一组示例
创建初始提示后，我们可以运行它来看看结果。
ts-node chat.ts
然后，我们可以通过运行提示、查看响应并进行修改来迭代改进提示。
4.3 迭代并改进提示
一旦有了初始提示，我们可以通过测试一系列问题来迭代并改进它。模型应该能够回答的问题包括：
- 净收入最高的股票有哪些？
- 过去四个季度每季度毛利润增加的股票有哪些？
- MSFT、AAPL、GOOGL和Meta过去五年的平均收入是多少？
对于每个问题，我们都会执行模型生成的查询并查看响应。如果不正确，我们会检查它，迭代它，并添加更多示例来引导其输出。
一旦我们完善了提示，我们就准备好将所有内容粘合在一起，以便以易于阅读、人类可读的形式呈现答案！
4.4 将所有内容粘合在一起并给用户一个答案
最后，一旦我们有一个可以查询财务数据的工作系统，我们就可以构建一个整合它的LLM超级智能代理！
为此，我们只需将LLM的结果转发到另一个请求中进行格式化。
正如我提到的，这个过程并不难，比像Grok这样的LLM更准确，而且非常经济实惠。如果你关心在几秒钟内搜索财务数据集，你可以通过借鉴我开源的内容节省一个小时的工作。
5、NexusTrade – 一个免费的UI基础替代方案
NexusTrade建立在这个AI技术之上，但比这个脚本的功能更强大。它充满了让零售投资者更容易进行金融分析和算法交易的功能。
例如，除了问基本的金融分析问题外，你还可以问类似以下的问题：
过去四个季度自由现金流每季度增加的AI股票中，哪些市值最高？
此外，你可以使用AI快速测试算法交易策略。
创建一个策略来买入UNH、优步和Upstart。进行基本的RSI策略，但限制每次购买间隔至少三天。
最后，如果你需要开始的想法，AI可以迅速为你提供成功的策略以获得灵感。你可以说：
最佳公共投资组合是什么？
你也可以浏览一个公开的盈利投资组合库，即使不使用AI。如果你更关注见解和结果，而不是构建过程，那么NexusTrade就是你的平台！
6、结束语
虽然一个主流LLM被构建为访问网络很酷，但它不如设置自己的定制助手有用。一个专门构建的助手可以让你快速访问所需的精确数据，并允许你执行复杂的分析。
本文展示了这一点。
这并不困难，也不耗时，最终结果是你控制的AI，至少在价格、隐私和功能方面如此。
原文链接：Grok is Overrated. Do This To Transform ANY LLM to a Super-Intelligent Financial Analyst
汇智网翻译整理，转载请标明出处
