QuantAgent:通过自我提升的大型语言模型在交易中寻找圣杯
原文中文,约300字,阅读约需1分钟。发表于: 。通过引入一个包含两个层级循环的原则性框架,本文解决了基于大型语言模型的自主代理在专门领域如量化投资中构建和整合领域特定知识库的难题。通过内部循环以知识库为基础来改进回应,外部循环中在真实场景中测试这些回应以自动增强知识库。实证结果展示了 QuantAgent 在发现可行金融信号和提升金融预测准确性方面的能力。
我们提出了一种新方法来增强大型语言模型(LLMs),通过训练知识矿工LLMiner自动从相关文档中提取问题和答案对,并将其与对话数据集结合来微调LLM,从而提升其在特定领域的专业知识和对话能力。该模型在新的评估基准上表现出显著的性能改进,并且只需要少量的种子实例,为LLMs通过模型合成的训练数据实现自我改善提供了可能性。