3K+ Star！FinRobot：一个开源的金融分析AI Agent平台

欢迎关注我，持续获取更多内容，感谢赞&在看\~

FinRobot 简介

FinRobot[1] 是一个开源的金融分析人工智能代理平台，利用大型语言模型（LLMs）为金融领域提供全面的解决方案。它超越了传统的 FinGPT，整合了多种 AI 技术，能够满足金融行业多样化的需求。

FinRobot 的核心是“AI 代理”，它通过大型语言模型作为“大脑”，感知环境、做出决策并执行操作。

FinRobot Ecosystem

FinRobot: Agent Workflow

项目特点

主要特点

多层架构：FinRobot 采用四层架构，包括金融 AI 代理层、金融 LLM 算法层、LLMOps 和 DataOps 层以及多源 LLM 基础模型层。每一层都针对金融 AI 的不同需求进行了优化。
智能调度器：通过智能调度器优化 LLM 的选择和任务分配，确保模型多样性并提高效率。
多模态数据处理：能够处理来自市场数据、新闻和经济指标的多模态金融数据。
灵活的工具集成：支持多种金融工具和 API 的集成，如 Finnhub、FinancialModelingPrep 和 SEC API。
丰富的教程和示例：提供从初学者到高级开发者的教程和示例，帮助用户快速上手。

使用场景

FinRobot 可以应用于多种金融场景，包括但不限于：

市场预测：通过分析公司财务数据和市场新闻，预测股票走势。
财务报告生成：根据公司 10-K 报告和市场数据生成股权研究报告。
交易策略制定：利用多模态数据制定交易策略。

项目使用

安装步骤

创建虚拟环境（推荐）：

conda create --name finrobot python=3.10 conda activate finrobot

克隆 FinRobot 仓库：

git clone https://github.com/AI4Finance-Foundation/FinRobot.git cd FinRobot

安装 FinRobot 及依赖：
- 从 PyPI 获取最新版本：

pip install -U finrobot

或直接从源代码安装：

pip install -e .

配置 API 密钥：
- 将 OAI_CONFIG_LIST_sample 文件重命名为 OAI_CONFIG_LIST，并填入你的 OpenAI API 密钥。
- 将 config_api_keys_sample 文件重命名为 config_api_keys，并填入你的 Finnhub、FinancialModelingPrep 和 SEC API 密钥。
开始使用教程：
- 在 tutorials_beginner 和 tutorials_advanced 文件夹中，可以找到各种示例笔记本文件，如：
- agent_annual_report.ipynb：生成年度报告。
- agent_fingpt_forecaster.ipynb：预测股票走势。
- agent_trade_strategist.ipynb：制定交易策略。

示例：市场预测代理

导入模块：

import autogen from finrobot.utils import get_current_date, register_keys_from_json from finrobot.agents.workflow import SingleAssistant

配置 LLM 和 API 密钥：

llm_config = { "config_list": autogen.config_list_from_json( "../OAI_CONFIG_LIST", filter_dict={"model": ["gpt-4-0125-preview"]}, ), "timeout": 120, "temperature": 0, } register_keys_from_json("../config_api_keys")

运行代理：

company = "NVDA" assistant = SingleAssistant( "Market_Analyst", llm_config, human_input_mode="NEVER", ) assistant.chat( f"Use all the tools provided to retrieve information available for {company} upon {get_current_date()}. Analyze the positive developments and potential concerns of {company} " "with 2-4 most important factors respectively and keep them concise. Most factors should be inferred from company related news. " f"Then make a rough prediction (e.g. up/down by 2-3%) of the {company} stock price movement for next week. Provide a summary analysis to support your prediction." )