ChatGPT引爆的AI熱潮也“燒到了”金融圈，彭博社重磅發(fā)布為金融界打造的大型語言模型（LLM）——BloombergGPT。

3月30日，根據(jù)彭博社最新發(fā)布的報告顯示，其構建迄今為止最大的特定領域數(shù)據(jù)集，并訓練了專門用于金融領域的LLM，開發(fā)了擁有500億參數(shù)的語言模型——BloombergGPT。

(資料圖片僅供參考)

報告顯示，該模型依托彭博社的大量金融數(shù)據(jù)源，構建了一個3630億個標簽的數(shù)據(jù)集，支持金融行業(yè)內的各類任務。該模型在金融任務上的表現(xiàn)遠超過現(xiàn)有模型，且在通用場景上的表現(xiàn)與現(xiàn)有模型也能一較高下。

一般來說，在NLP領域，參數(shù)數(shù)量和復雜程度之間具有正相關性，GPT-3.5模型的參數(shù)量為2000億，GPT-3的參數(shù)量為1750億。

關于BloombergGPT

報告指出，研究人員利用彭博社現(xiàn)有的數(shù)據(jù)，對資源進行創(chuàng)建、收集和整理，通過構建迄今為止最大的特定領域數(shù)據(jù)集來完成BloomberGPT，并基于通用和金融業(yè)務的場景進行混合模型訓練：

彭博社主要是一家金融數(shù)據(jù)公司，數(shù)據(jù)分析師在公司成立的四十年的時間里收集了大量的金融文件，擁有廣泛的金融數(shù)據(jù)檔案，涵蓋了一系列的主題。

我們將這些數(shù)據(jù)添加到公共數(shù)據(jù)集中，以創(chuàng)建一個擁有超過7000億個標簽的大型訓練語料庫。

使用這個訓練語料庫的一部分，我們訓練了一個具有彭博風格的，達500億參數(shù)的模型，該模型是根據(jù)Hoffmann和Le Scao等人的指導方針設計，基于通用和金融業(yè)務的場景進行混合模型訓練。

結果表明，我們的混合訓練方法使我們的模型在金融任務上的表現(xiàn)大大超過了現(xiàn)有的模型，而在通用場景上的表現(xiàn)則與之相當甚至優(yōu)于現(xiàn)有模型。

1.BloombergGPT優(yōu)勢：特定領域模型仍有其不可替代性且彭博數(shù)據(jù)來源可靠

在論文中，彭博社指出，現(xiàn)階段，通用的自然語言處理模型可以涵蓋許多領域，但針對特定領域模型仍有其不可替代性，因彭博社的大多數(shù)應用均為金融領域，著手構建了一個針對金融領域的模型尤其優(yōu)勢，同時可以在通用LLM基準測試上保持競爭力：

除了構建金融領域的LLM外，本文的經(jīng)驗也為其他研究領域的專用模型提供了參考。我們的方法是在特定領域和一般數(shù)據(jù)源上訓練LLM，以開發(fā)在特定領域和通用基準上表現(xiàn)優(yōu)異的模型。

此外，我們的訓練數(shù)據(jù)不同于傳統(tǒng)的網(wǎng)絡爬取數(shù)據(jù)，網(wǎng)絡上的數(shù)據(jù)總有重復和錯誤，但我們的數(shù)據(jù)來源可靠。

2.BloombergGPT的訓練數(shù)據(jù)集：

BloombergGPT的訓練數(shù)據(jù)庫名為FINPILE，由一系列英文金融信息組成，包括新聞、文件、新聞稿、網(wǎng)絡爬取的金融文件以及提取到的社交媒體消息。

為了提高數(shù)據(jù)質量，F(xiàn)INPILE數(shù)據(jù)集也使用了公共數(shù)據(jù)集，例如The Pile、C4和Wikipedia。FINPILE的訓練數(shù)據(jù)集中大約一半是特定領域的文本，一半是通用文本。為了提高數(shù)據(jù)質量，每個數(shù)據(jù)集都進行了去重處理。

對金融領域的理解更準

報告指出，在金融領域中的自然語言處理在通用模型中也很常見，但是，針對金融領域，這些任務執(zhí)行時將面臨挑戰(zhàn)：

以情感分析為例，一個題為“某公司將裁員1萬人”，在一般意義上表達了負面情感，但在金融情感方面，它有時可能被認為是積極的，因為它可能導致公司的股價或投資者信心增加。

報告指出，從測試來看，BloombergGPT在五項任務中的四項（ConvFinQA，F(xiàn)iQA SA，F(xiàn)PB和Headline）表現(xiàn)最佳，在NER（Named Entity Recognition）中排名第二。因此，BloombergGPT有其優(yōu)勢性。

測試一：ConvFinQA數(shù)據(jù)集是一個針對金融領域的問答數(shù)據(jù)集，包括從新聞文章中提取出的問題和答案，旨在測試模型對金融領域相關問題的理解和推理能力。

測試二：FiQA SA，第二個情感分析任務，測試英語金融新聞和社交媒體標題中的情感走向。

測試三：標題，數(shù)據(jù)集包括關于黃金商品領域的英文新聞標題，標注了不同的子集。任務是判斷新聞標題是否包含特定信息，例如價格上漲或價格下跌等。

測試四： FPB，金融短語庫數(shù)據(jù)集包括來自金融新聞的句子情緒分類任務。

測試五：NER，命名實體識別任務，針對從提交給SEC的金融協(xié)議中收集金融數(shù)據(jù)，進行信用風險評估。

對于ConvFinQA來說，這個差距尤為顯著，因為它需要使用對話式輸入來對表格進行推理并生成答案，具有一定挑戰(zhàn)性。

ChatGPT為彭博點贊

華爾街見聞就這個問題專門詢問了ChatGPT，ChatGPT認為BloombergGPT是一項很有意義的技術進步：

它是專門為金融領域開發(fā)的一種語言模型，可以更好地處理金融領域的數(shù)據(jù)和任務，并且在金融領域的基準測試中表現(xiàn)出色。

這將有助于金融從業(yè)者更好地理解和應用自然語言處理技術，促進金融科技的發(fā)展。同時，BloombergGPT還可以為其他領域的語言模型的發(fā)展提供參考和借鑒?？偟膩碚f，BloombergGPT是一個有益的技術創(chuàng)新。

風險提示及免責條款 市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用戶特殊的投資目標、財務狀況或需要。用戶應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據(jù)此投資，責任自負。

關鍵詞：