发布时间：2024 年 12 月 14 日
智能金融
金融决策需要处理海量实时信息，同时理解这些信息之间复杂的时间关系。传统搜索引擎在实时信息获取方面表现出色，但往往难以理解复杂的用户意图和上下文细微差别。相比之下，大型语言模型（LLMs）展现了强大的推理和交互能力，但在缺乏实时数据的情况下可能生成不可靠的结果。尽管近期已有尝试将 LLMs 与搜索功能结合，但它们仍面临以下挑战：（1）受限于专业金融数据的访问；（2）静态查询结构无法适应动态市场环境；（3）生成结果时缺乏足够的时间感知能力。
添加请注明FinLLM
如遇无法添加，请+ vx: iamxxn886
一、为什么需要 FinSearch 技术？
1.1 从传统搜索引擎到 FinSearch 的代际跃迁
在过去的十年中，传统搜索引擎（如 Google、Bing）在提供实时信息访问方面表现出色，但在处理复杂的用户意图和上下文关系时却显得力不从心，尤其是在金融领域。例如，当用户需要分析某公司的股票表现时，传统搜索引擎无法提供实时的市场数据和财务报告，导致信息获取的局限性。
2020 年代初，大语言模型（LLMs，Large Language Models）如 GPT 和 Llama 的崛起，展示了强大的推理和交互能力。然而，由于 LLMs 依赖于静态的训练数据，无法访问实时信息，生成的输出可能不靠谱。例如，当用户查询当前市场状况时，LLMs 可能会生成过时或不准确的分析。
2023 年，MindSearch 首次尝试将 LLMs 与搜索能力结合，但仍存在三大局限：无法访问专业金融数据、静态查询结构、缺乏时间敏感性。例如，MindSearch 在处理金融查询时，无法动态调整查询策略，导致搜索结果无法适应市场的快速变化。
2024 年，FinSearch 通过动态查询重写、时间加权机制和多步搜索预规划，解决了上述问题，成为金融信息搜索的里程碑。例如，FinSearch 能够根据中间搜索结果实时优化后续查询，确保搜索过程始终响应最新的市场信息。
1.2 FinSearch 解决的三大行业难题
难题 1：专业金融数据访问受限
案例 ：某投资者需要分析某公司的股票表现，但传统搜索引擎无法提供实时市场数据和财务报告。
FinSearch 的解决方案 ：通过集成 Yahoo Finance API、NewsAPI 等专业数据源，FinSearch 能够精准获取实时金融信息。例如，FinSearch 可以直接从 Yahoo Finance API 获取最新的股票价格和财务报告，确保投资者能够及时做出决策。
难题 2：静态查询结构无法适应动态市场
案例 ：某分析师在查询过程中发现新的市场信息，但传统搜索引擎无法动态调整查询策略。
FinSearch 的解决方案 ：通过动态查询重写器，FinSearch 能够根据中间搜索结果实时优化后续查询。例如，当分析师发现某公司的股票价格出现异常波动时，FinSearch 会自动调整查询策略，优先获取与该波动相关的新闻和分析报告。
难题 3：搜索结果缺乏时间敏感性
案例 ：某投资者需要了解近期货币政策变化，但传统搜索引擎无法优先展示最新信息。
FinSearch 的解决方案 ：通过时间加权机制，FinSearch 能够根据查询的时间上下文优先展示最相关的信息。例如，当投资者查询“最近一周的货币政策变化”时，FinSearch 会优先展示最近一周内的政策公告，而不是几个月前的旧信息。
通过解决这三大难题，FinSearch 不仅提升了金融信息搜索的准确性和时效性，还为投资者和分析师提供了更加智能化的决策支持工具。
二、FinSearch 的核心技术原理是什么？
FinSearch 是一个专门为金融信息检索设计的智能搜索框架，结合了大型语言模型（LLMs, Large Language Models）和实时数据源，能够高效处理复杂的金融查询。
核心组件包括：
- • 搜索预规划器（Search Pre-Planner）
- • 动态查询重写器（Search Executor with Dynamic Query Rewriter）
- • 时间加权机制（Temporal Weighting Mechanism）
- • 响应生成器（Response Generator）
这些组件共同协作，确保用户能够获得准确、及时且上下文相关的金融信息。
2.1 多步搜索预规划器（Search Pre-Planner）
FinSearch 的核心是一个基于 LLM 的多步搜索预规划器，它能够将用户的复杂查询分解为结构化的子查询，并通过图表示法将每个子查询映射到特定的数据源。
想象一下，你在规划一次旅行，预规划器就像一个智能导游，将你的旅行计划分解为多个小任务（如订机票、订酒店、规划行程），并为每个任务选择最合适的资源。
预规划器首先通过语义解析提取用户查询中的关键元素，如时间指示、公司实体和金融事件。
然后，将复杂的金融查询分解为多个子查询，例如分析公司业绩时，可能会生成查询历史股价、近期财报、市场情绪和行业趋势的子查询。每个子查询都会被映射到特定的金融数据源，如新闻 API、搜索 API 和金融 API。
最终，预规划器构建一个搜索图，图中的每个节点代表一个子查询，节点之间的边表示逻辑依赖关系。
2.2 动态查询重写器（Search Executor with Dynamic Query Rewriter）
在搜索执行过程中，FinSearch 通过动态查询重写器不断优化后续查询。就像你在解谜游戏时，每解开一个线索，就会根据新线索调整下一步的策略。搜索执行器在遍历搜索图时，会根据中间搜索结果动态调整后续子查询。例如，如果某个子查询的结果表明市场情绪发生了显著变化，重写器可能会调整下一个子查询，以更深入地分析这一变化。
动态查询重写器的核心是一个基于 LLM 的模型，它能够根据当前查询的结果和搜索图的状态，生成更优化的子查询。这种动态调整机制使得 FinSearch 能够灵活应对金融市场的快速变化，确保搜索结果始终与用户需求保持一致。
2.3 时间加权机制（Temporal Weighting Mechanism）
FinSearch 通过时间加权机制，根据用户查询的时间上下文优先展示最相关的信息。就像在看新闻时，最新的头条新闻总是被放在最显眼的位置。
在金融领域，信息的时效性至关重要，因此 FinSearch 为每个子查询的结果分配一个时间权重，权重的大小取决于信息的时间戳与查询时间戳的接近程度。
时间加权机制使用一个时间衰减函数来计算每个节点的权重。例如，信息的时间戳与查询时间戳相差在 72 小时内的节点会获得较高的权重，而超过 72 小时的信息则会被忽略。这种机制确保了 FinSearch 在生成最终结果时，能够优先展示最新且最相关的金融信息。
2.4 响应生成器（Response Generator）
响应生成器将搜索结果整合为连贯的、上下文相关的输出，并结合可视化元素（如 K 线图）呈现给用户。这就像你在阅读一份综合报告，文字分析和图表相辅相成，帮助你全面理解信息。响应生成器首先会聚合所有节点的搜索结果，并根据时间权重对信息进行排序和去重。接着，它会生成一份结构化的分析报告，报告中包含详细的文字分析和可视化图表。
例如，当用户查询某只股票的表现时，响应生成器可能会生成一段文字分析，描述该股票的历史表现、近期波动和市场情绪，同时附上一张 K 线图，展示该股票的价格走势。这种结合文字和图表的输出方式，能够帮助用户更直观地理解复杂的金融信息。
通过以上四个核心组件的协作，FinSearch 能够高效处理复杂的金融查询，为用户提供准确、及时且易于理解的金融信息。这种设计不仅提升了搜索的准确性，还大大提高了用户的使用体验。
三、FinSearch 的实际效果如何？
3.1 准确率提升
在 FinSearch Bench-24 基准测试中，FinSearch 的表现显著优于现有方法。例如，与Perplexity Pro （GPT-4o） 相比，FinSearch 的准确率提升了 15.93%；与 Llama3.1-405B 相比，准确率提升了 14.06%；而与 Claude3.5-Sonnet 相比，准确率更是提升了 21.6%。这些数据表明，FinSearch 在处理复杂金融查询时具有显著优势。
3.2 算力成本与效率
尽管 FinSearch 的算力成本有所增加，但其处理时间仍保持在合理范围内。平均处理时间为 14.55 至 29.31 秒/答案。相比之下，Perplexity Pro 的处理时间虽然更短（3.94 至 6.12 秒），但其准确率显著低于 FinSearch。这意味着 FinSearch 在保证高准确率的同时，仍能维持较高的计算效率。
3.3 组件贡献分析
FinSearch 的两个核心组件——时间加权机制和动态查询重写器，各自对系统性能的提升都有显著贡献。单独使用时，时间加权机制使准确率提升了 14.20%，而动态查询重写器则提升了 3.66%。当两者结合使用时，准确率提升了 17.47%，展现出显著的协同效应。这表明，这两个组件在提升系统性能方面具有互补性。
- 如何使用
目前，该项目已开源： https://github.com/eeeshushusang/FinSearch，不过代码仓库不是很完善，最后更新是4个月前，README也没有。
- • 论文原文: https://arxiv.org/abs/2502.15684
- • 获取更多最新 Arxiv 论文更新: https://github.com/HuggingAGI/HuggingArxiv!
- • 加入社群，+v: iamxxn886
- • 点击公众号菜单加入讨论