FinLLM-KG: Knowledge Graph-Enhanced LLMs for Financial Sentiment Analysis in Algorithmic Trading
Pubblicata su AIChronos il · fonte del · Giorgos Iacovides, Oliver Hannibal, Wuyang Zhou, Danilo Mandic
FinLLM-KG è un framework agnostico rispetto al modello che integra LLM causali con un knowledge graph finanziario per migliorare l'analisi del sentiment senza aggiornare i pesi. Il sistema inietta conoscenza temporale e aziendale derivata da documenti SEC 10-K durante la fase di inference, fornendo contesto a livello d'impresa oltre il singolo articolo. Questo approccio riduce drasticamente i costi computazionali rispetto ai metodi tradizionali e permette l'utilizzo con qualsiasi LLM causale esistente.
- Il framework combina modelli linguistici causali (causal LLMs) con un knowledge graph finanziario per arricchire il contesto di analisi.
- L'iniezione della conoscenza avviene in tempo reale durante l'inference, senza necessità di fine-tuning o aggiornamento dei pesi del modello.
- La provenienza delle informazioni è tracciabile attraverso attribuzione ai singoli frasi e fatti recuperati dal knowledge graph, migliorando la spiegabilità (explainability).
- Le simulazioni dimostrano un miglioramento costante della performance del portafoglio rispetto alle baseline state-of-the-art esistenti.
Perché conta. Per uno sviluppatore che lavora con LLM e AI locale, questa architettura permette di ottenere decisioni finanziarie più robuste in contesti ad alto rischio senza i costi proibitivi del retraining o dell'aggiornamento dei pesi. Inoltre, la capacità di rendere ispezionabili le evidenze dietro ogni previsione supporta efficacemente processi decisionali con umano nel loop (human-in-the-loop).
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.