Awesome-FinLLMs

Awesome-FinLLMs是一个精选的金融领域大型语言模型（FinLLMs）资源列表，包括相关论文、模型、数据集和代码库。该合集专注于收集和整理金融大模型（特别是中英双语大模型）相关的数据集资源，涵盖金融分析、评估基准等多个主题领域。Awesome-FinLLMs is a curated list of resources for financial large language models (FinLLMs), including relevant papers, models, datasets and code repositories. This collection focuses on collecting and curating dataset resources related to financial large language models, especially Chinese-English bilingual large language models, covering multiple thematic fields such as financial analysis and evaluation benchmarks.

原始信息汇总

Awesome-FinLLMs 数据集详情

该页面是一个关于金融领域大语言模型（FinLLMs）的资源汇总仓库，包含论文、多模态模型、智能体（Agent）三大模块。当前主要展示论文和智能体两个模块的内容，多模态模型和数据集模块标注为“coming soon”（即将推出）。

论文模块

该模块收录了多篇金融大语言模型相关论文，按时间顺序从2023年6月至2025年4月。关键论文信息如下：

日期	名称	作者	机构	论文链接
2025-04	LLMs Meet Finance	Varun Rao*, Youran Sun*, et al.	University of Maryland	arXiv:2504.13125
2024-11	Golden-Touchstone & Touchstone-GPT	Xiaojun Wu, Junxi Liu, et al.	IDEA Research	arXiv:2411.06272v1
2024-06	AdaptLLM/finance-LLM	Yuxian Gu, et al.	Microsoft Research & Tsinghua University	arXiv:2406.14491
2024-03	AlphaFin	Li X, Li Z, Shi C, et al.	South China University of Technology & Alibaba Group, China	arXiv:2403.12582
2023-05~2024-03	Xuanyuan 1&2 (轩辕)	Zhang X, Yang Q.	Duxiaoman Co., China (度小满)	arXiv:2305.12002
2023-11	FinQwen (通义千问金融)	Tongyi-EconML	Alibaba Cloud Co., China (阿里云通义点金团队)	参与2023博金大模型挑战赛
2023-11	FinGLM	Zhipu Co.	Zhipu Co., China (智谱AI)	参与SMP 2023 ChatGLM金融大模型挑战赛
2023-10	DISC-FinLLM	Chen, Wei, et al.	DISC Lab, Fudan University, China (复旦大学数据智能与社会计算实验室)	arXiv:2310.15205
2023-09	CFGPT	Li J, Bian Y, Wang G, et al.	TongjiFinLab & Shanghai AI Lab, China (同济大学网络金融安全协同创新中心与上海人工智能实验室联合团队)	arXiv:2309.10654
2023-06	Pixiu Finma	Xie Q, Han W, Zhang X, et al.	The FinAI & ChanceFocus Co. & Wuhan University, China (武汉大学等)	arXiv:2306.05443
2023-06	FinGPT	Yang H, Liu X Y, Wang C D.	AI4Finance-Foundation	arXiv:2306.06031

多模态模型模块

目前标注为“coming soon”（即将推出），暂无具体内容。

智能体（Agent）模块

该模块收录了金融领域基于大语言模型的智能体相关论文，时间跨度从2023年11月至2024年12月。关键信息如下：

日期	名称	作者	机构	论文链接
2024-12	TradingAgents	Yijia Xiao, et al.	University of California, Los Angeles	arXiv:2412.20138
2024-12	INVESTORBENCH	Haohang Li, et al.	Stevens Institute of Technology	arXiv:2412.18174
2024-11	FinVision	Sorouralsadat Fatemi, et al.	University of Illinois at Chicago	arXiv:2411.08899
2024-11	FinRpt	Song Jin, Shuqi Li, Shukun Zhang, Rui Yan	Wuhan University	arXiv:2511.07322
2024-07	FinCon	Yangyang Yu, et al.	Stevens Institute of Technology	arXiv:2407.06567
2024-05	FinRobot	Hongyang (Bruce) Yang, et al.	AI4Finance	arXiv:2405.14767
2024-02	FinAgent	Wentao Zhang, et al.	Nanyang Technological University Singapore	arXiv:2402.18485
2023-11	FinMEM	Yangyang Yu, Haohang Li, et al.	Stevens Institute of Technology	arXiv:2311.13743

数据集模块

目前标注为“coming soon”（即将推出），暂无具体内容。

资源链接

• 仓库主页：https://github.com/DataArcTech/Awesome-FinLLMs

搜集汇总

数据集介绍

构建方式

在金融领域，大语言模型（LLMs）的蓬勃发展为智能化分析注入了崭新活力。Awesome-FinLLMs 数据集并非传统意义上的单一数据集合，而是一个系统性的资源索引库，通过精心搜集与梳理来自全球顶尖研究机构与企业的金融大模型相关成果构建而成。其构建方式基于对 2023 年至 2025 年间发表的代表性论文、开源模型及评测基准的全面追踪，涵盖模型论文、多模态模型、智能体（Agent）以及数据集等核心板块。每一条目均附有论文链接、GitHub 仓库与 Hugging Face 模型地址，确保研究者能够便捷地获取原始资源，从而构建出一个动态、可扩展的金融大模型知识图谱。

特点

该数据集最显著的特点在于其综合性、时效性与结构化。它横跨金融大模型的多个重要维度，不仅收录了如 FinGPT、XuanYuan 等经典语言模型，还前瞻性地纳入了多模态模型与金融智能体（Agent）的最新进展，例如 TradingAgents 与 FinCon 等前沿框架。通过清晰的时间线与来源标注，研究者能够快速把握金融大模型领域的发展脉络与趋势。此外，所有资源均以标准化的表格形式呈现，并配有醒目的徽章标识，极大提升了信息的可读性与可检索性，堪称金融 NLP 领域的一座活态资源宝库。

使用方法

使用此数据集时，研究者可依据自身需求灵活检索。若需了解金融大模型的发展历程，可按照时间顺序浏览论文列表，从早期的 FinGPT 到最新的 LLMs Meet Finance 等成果。对于希望复现或微调模型的研究者，可直接通过附带的 GitHub 与 Hugging Face 链接获取模型权重与代码。若聚焦于金融决策任务，则可重点关注 Agent 板块中的 FinAgent 或 INVESTORBENCH 等框架。该资源库以开放共享为核心理念，所有链接均指向公开平台，使用者无需额外授权即可直接访问，从而高效地推动金融大模型的研究与应用落地。

背景与挑战

背景概述

随着大语言模型（LLMs）在自然语言处理领域取得突破性进展，金融领域作为对信息精度、语义理解与决策推理要求极高的垂直场景，成为LLMs应用研究的热点方向。Awesome-FinLLMs数据集由IDEA-FinAI团队于2023年创建，系统收录了金融大语言模型领域的前沿研究成果，涵盖从2023年轩辕系列、FinGPT等早期探索，到2025年马里兰大学提出的LLMs Meet Finance等最新工作。该数据集聚焦于金融LLMs的微调、多模态模型及智能体系统三大核心方向，收录了来自度小满、阿里云、复旦大学、微软研究院等多个顶尖机构的研究成果，为金融AI领域提供了全面的技术演进图谱，对推动金融大模型的理论研究与实际应用具有重要的参考价值。

当前挑战

该数据集所反映的领域面临双重挑战。其一，金融文本具有高度专业性、时效性与隐私敏感性，传统通用LLMs难以精准解析财报、研报中的复杂术语与隐含逻辑，在股票预测、风险分析等任务中常出现幻觉问题。其二，构建过程面临数据质量与规模失衡的困境：金融数据多来自非公开渠道，标注成本高昂且依赖领域专家，导致高质量指令数据集稀缺；同时，不同市场（如A股与美股）的规则差异、多语言语料融合以及多模态信息（图表、时序数据）的联合建模，进一步增加了模型训练的复杂度。此外，现有评估基准如Golden-Touchstone虽已提出双语评测方案，但在动态市场环境下的鲁棒性验证仍存在显著不足。

常用场景

经典使用场景

在金融领域，大规模语言模型（FinLLMs）的崛起为自然语言处理赋予了新的维度。Awesome-FinLLMs数据集汇集了众多金融专用大模型，其经典使用场景聚焦于金融文本的深度理解与生成。例如，通过微调基础模型，研究者能够高效处理财报分析、市场评论、金融新闻摘要等任务，显著提升信息提取的精准度与语义解析的深度。该数据集还支持构建金融问答系统，使模型能够基于海量文档进行逻辑推理与知识检索，从而在复杂的金融语境中实现智能对话。此外，它被广泛用于评估模型在金融领域的通用能力，包括情感分析、实体识别和数值推理，为后续研究奠定了坚实的基准。

解决学术问题

该数据集系统性地解决了金融领域大模型研究中的几个核心学术难题。首先，它填补了金融专用语料库与通用模型之间的鸿沟，通过提供多样化的指令数据和评估基准，使模型能够适应金融文本的专业性与动态性。其次，它攻克了跨语言金融推理的瓶颈，如中文金融数据的语义对齐与多任务学习，从而提升了模型在双语环境下的泛化能力。更重要的是，它引入检索增强生成（RAG）框架，解决了金融分析中长文档依赖与实时信息融合的挑战，为量化投资与风险预测提供了可复现的实验平台。这些贡献推动了从通用AI到金融专用AI的范式转变，显著降低了领域适配的成本与门槛。

衍生相关工作

围绕Awesome-FinLLMs，学术界涌现了一系列创新性工作。例如，AlphaFin提出了基于检索增强的股票链框架，实现了金融分析的可解释性与动态推理；TradingAgents则构建了多智能体交易系统，通过概念性语言强化学习模拟市场博弈。在评估方面，Golden-Touchstone打造了全面的双语基准，系统衡量模型在金融知识、推理与生成上的表现。此外，FinRpt专注于权益研究报告的自动化生成，结合多智能体框架与评估体系，推动了金融文档生成的标准化。这些衍生工作不仅验证了数据集的普适性，还拓展了其边界，为金融AI的演进提供了持续动力。