本研究提出了 extsc{InvestorBench}，这是一个用于评估基于大型语言模型（LLM）的金融决策代理的基准，旨在解决财务决策领域缺乏适应多种任务的框架和标准化数据集的问题。通过引入多样化任务和开放源代码数据集，提升了LLM代理的适用性，并提出了评估其在不同市场环境下推理与决策能力的方法。

本文介绍了一种名为FinMe的智能体架构，基于大型语言模型，旨在提升金融决策能力。该架构通过个人特征概述、层次化记忆模块和决策模块，帮助智能体吸收金融数据并优化投资决策。FinMe在股票和基金交易中表现优异，能够自我演进并适应新的投资线索，提升交易结果。

本文介绍了多种生成式语言模型的创新，包括RecycleGPT、StockGPT和D-iGPT。StockGPT在股票收益预测中表现优异，年收益达到119%。D-iGPT通过语义标记提升视觉内容理解，显示出生成型人工智能在复杂金融决策及其他领域的潜力。

本文探讨了语言模型在预测中的应用，强调其在决策和政策制定中的重要性。研究利用自然语言处理技术分析推特未来学家的预测思维，提出多种基于语言模型的预测方法，展示其在移动性预测和金融决策中的有效性。