Entwurf heterogener LLM-Agenten für die Finanzsentimentanalyse

Große Sprachmodelle (LLMs) haben die möglichen Arten, intelligente Systeme zu entwerfen, drastisch verändert, indem der Fokus von massiver Datenerhebung und neuem Modelltraining hin zu menschlicher Ausrichtung und strategischer Nutzung des vollen Potenzials vorhandener vortrainierter Modelle verschoben wurde. Dieser Paradigmenwechsel ist jedoch in der Finanzsentimentanalyse (FSA) nicht vollständig verwirklicht, aufgrund der diskriminativen Natur dieser Aufgabe und eines Mangels an verschreibendem Wissen darüber, wie bestehende generative Modelle in einem solchen Kontext genutzt werden können. Diese Studie untersucht die Wirksamkeit des neuen Paradigmas, d.h. die Verwendung von LLMs ohne Feinabstimmung für FSA. Basierend auf Minsky's Theorien über Geist und Emotionen wird ein Entwurfsrahmen mit heterogenen LLM-Agenten vorgeschlagen und auf FSA angewendet. Der Rahmen implementiert spezialisierte Agenten, die auf vorherigem Leitwissen aus Linguistik und Finanzen basieren. Anschließend schlussfolgt ein summarischer Agent auf den aggregierten Agentendiskussionen. Umfassende Auswertungen mit sechs FSA-Datensätzen zeigen, dass der Rahmen bessere Genauigkeiten im Vergleich zu vielen alternativen Multi-LLM-Agenteneinstellungen erzielt, insbesondere wenn die Diskussionsinhalte umfangreich sind. Diese Studie trägt zu den Entwurfsgrundlagen bei und eröffnet neue Wege für LLMs-basierte FSA und potenziell andere Aufgaben. Schließlich wurden auch die Auswirkungen auf das Geschäft und das Management erörtert.