一种基于大模型多智能体的金融决策支持方法及系统

摘要: 本发明涉及人工智能,具体涉及一种基于大模型多智能体的金融决策支持方法及系统。背景技术:1、随着金融市场的复杂化和个人投资的普及,投资者对智能化、个性化决策支持工...
一种基于大模型多智能体的金融决策支持方法及系统

本发明涉及人工智能,具体涉及一种基于大模型多智能体的金融决策支持方法及系统。

背景技术:

1、随着金融市场的复杂化和个人投资的普及,投资者对智能化、个性化决策支持工具的需求日益增长。现有的智能投顾或金融决策辅助系统大多采用中心化架构,收集用户问卷、交易记录等数据以构建统一的风险偏好模型。然而这种模式存在显著局限:

2、第一,金融数据具有较强的敏感性,不同金融机构通常分别持有用户的问卷信息、交易记录、持仓结构、产品配置及风险测评等数据,原始数据难以直接跨机构汇聚,形成数据孤岛。单一机构仅基于自身持有的数据构建用户画像时,难以全面反映用户跨平台的投资行为、风险承受能力及价值偏好;

3、第二,现有用户画像方法通常依赖静态问卷、单一机构历史交易数据或单一文本语义信息进行建模。一方面,静态问卷难以充分反映用户投资偏好随市场环境和个人状态产生的变化;另一方面,不同金融机构可能分别持有同一用户的不同维度金融特征,单独利用问卷或文本语义表征难以充分结合账户行为、交易行为、持仓结构及产品配置等异构特征,而直接汇集上述跨机构用户级特征又受到数据隐私和数据隔离的限制,因此难以形成同时反映用户语义偏好与真实金融行为的精细化用户画像;

4、第三,多数决策系统仅从单一技术面或基本面维度给出分析,缺乏对财务、市场情绪等多模态信息的深度融合与交叉验证;

5、第四,在生成建议的过程中,系统往往是“黑箱”输出,用户无法对分析逻辑进行质疑、补充或实时干预,难以满足专业投资者对透明性和可解释性的要求;

6、第五,当系统使用多个分析智能体时,缺少有效的验证机制来防止分析偏差或事实性错误,降低了决策建议的可信度。

技术实现思路

1、本发明的目的在于提供基于大模型多智能体的金融决策支持方法及系统,解决以下技术问题:

2、如何在严格保护用户隐私数据的前提下,通过参数高效的联邦模型训练获得统一的用户偏好语义表征,并进一步融合不同金融机构持有的同一用户的异构金融行为特征,以形成多维精细化用户画像;同时在多智能体协作中引入实时人机交互与验证机制,并结合多模态金融数据分析,生成适配用户个性化约束和认知特征的金融决策支持结果。

3、在用户偏好画像构建阶段,本发明采用基于低秩适配的参数高效微调方式构建用户偏好识别模型。

4、本发明的目的可以通过以下技术方案实现:

5、一种基于大模型多智能体的金融决策支持方法,方法包括:

6、s1、获取用户的投资相关信息,根据投资相关信息生成用户偏好画像,用户偏好画像至少包括风险承受能力、投资经验、投资期限、价值偏好、流动性需求和信息理解特征中的一种或多种;

7、s2、将用户偏好画像转换为用于约束多智能体行为的结构化约束信息,并将结构化约束信息注入多智能体协作流程;

8、s3、构建包括主持智能体和多个专家智能体的多智能体协作架构,获取用户输入的金融咨询问题,通过主持智能体对金融咨询问题进行金融相关性识别和咨询意图识别,确定讨论主题及讨论背景,并引入多个专家智能体进行分析和讨论;多个专家智能体分别生成独立分析结果,并基于至少部分独立分析结果进行交互讨论;

9、s4、对专家智能体生成的至少部分分析结果调用金融知识库和/或外部信息源进行事实验证或逻辑一致性验证,并根据验证结果生成金融咨询结果;

10、s5、接收用户在多智能体协作流程中的引导信息,根据引导信息调整后续分析的专家选择、任务重点、分析方向或输出内容;

11、s6、获取目标投资标的的多模态金融数据,分别通过多个专家智能体进行分析,并对多个专家智能体的分析结果进行信息提取、压缩和融合,形成中间策略表示;

12、s7、将中间策略表示输入预测智能体,输出投资标的分析结果、走势预测结果和/或投资组合决策支持结果。

13、优选地,用户偏好画像通过用户偏好识别模型生成;用户偏好识别模型的推理输入包括标准化投资偏好问卷回答、用户输入的投资相关文本信息、用户人口特征、收入及可投资资产信息、投资经验、投资目标、投资期限和流动性需求中的一种或多种;用户偏好识别模型输出结构化用户偏好画像,结构化用户偏好画像包括风险承受能力、投资类型、投资经验等级、投资期限、流动性需求和esg价值偏好中的一种或多种。

14、优选地,在本地数据节点部署预训练基座大语言模型,冻结基座大语言模型的主体参数,并在模型的目标层中设置可训练的lora低秩适配器;各本地数据节点利用本地保存的用户投资相关数据对lora低秩适配器进行训练,而不更新基座大语言模型主体参数。所述用户投资相关训练数据包括用户特征输入及对应的用户偏好监督标签;所述用户特征输入包括投资偏好问卷、用户投资行为信息和用户文本信息中的一种或多种,所述用户偏好监督标签包括风险等级标签、投资类型标签和esg价值偏好标签中的一种或多种。各本地数据节点训练得到lora适配器的参数更新信息后,通过联邦学习方式对各节点的lora适配器参数更新信息进行聚合,在原始用户数据不离开本地数据节点的情况下更新用户偏好识别模型,并基于更新后的用户偏好识别模型生成结构化用户偏好画像。

15、优选地,在第t轮联邦训练中,各本地数据节点接收全局lora低秩适配器参数,冻结预训练基座大语言模型的主体参数,并基于本地用户投资相关信息对lora低秩适配器进行本地训练,获得第k个本地数据节点训练后的lora低秩适配器参数;第k个本地数据节点的lora适配器参数更新量定义为:

16、

17、其中,表示第t轮联邦训练开始时下发的全局lora低秩适配器参数,表示第k个本地数据节点完成本地训练后的lora低秩适配器参数。各本地数据节点将lora适配器参数更新量上传至联邦聚合节点,由联邦聚合节点对多个本地数据节点的lora适配器参数更新量进行聚合。

18、优选地,联邦聚合节点根据各本地数据节点用于本轮训练的样本数量,对各本地数据节点的lora适配器参数更新量进行加权聚合,获得第t+1轮的全局lora低秩适配器参数,全局lora低秩适配器参数按照下式更新:

19、

20、其中,为参与本轮联邦训练的本地数据节点数量,为第k个本地数据节点参与本轮训练的样本数量,为第k个本地数据节点在第t轮产生的lora适配器参数更新量;预训练基座大语言模型的主体参数不参与联邦聚合;

21、全局参数变化量的计算方式为:

22、各本地节点在完成本地训练后,计算得到本轮lora适配器参数更新量变化量,其中;将的每一个lora适配器参数更新量分量按照以下公式映射为整数:

23、

24、其中,为预设的精度保留因子,取值为6至9的整数,为四舍五入取整函数;

25、解密后的反量化操作定义为:

26、

27、其中,为解密得到的加权和整数结果,为加权和计算过程中放大权重的公倍数因子。

28、优选地,将用户偏好画像转化为结构提示词约束的方式包括:

29、提取用户偏好画像中的结构化维度,结构化维度包括风险承受能力、投资经验、投资期限、流动性需求、价值偏好、人生阶段以及信息理解特征中的一种或多种;

30、根据预设映射规则将各结构化维度转换为个性化约束信息,个性化约束信息包括任务约束、风险约束、内容过滤约束和输出表达约束中的一种或多种;

31、将个性化约束信息注入至少一个智能体的上下文中,以控制智能体的分析范围、风险边界、信息粒度、解释深度和输出形式中的一种或多种。

32、优选地,步骤s3中多智能体协作架构生成结构化总结报告的方式包括:

33、主持智能体接收用户投资咨询问题,基于结构提示词约束进行意图识别与任务拆解,并将子任务分发至多个专家智能体;

34、多个专家智能体分别针对分配的子任务生成独立分析结果;

35、在获得独立分析结果后,主持智能体确定专家交互讨论的主题和背景信息,并向多个专家智能体发出讨论任务;至少两个专家智能体读取其他专家智能体的分析结果,并执行补充、质疑、比较或修正,形成多专家交互讨论结果;

36、对至少部分专家智能体生成的关键论点执行验证操作,验证操作由独立验证智能体执行,或者由专家智能体通过自反思方式执行;

37、主持智能体在满足预设讨论轮次或达成共识后,整合所有分析意见、讨论记录及校验标签,生成包含多方独立观点、风险评估和行动建议的结构化总结报告。

38、优选地,对各本地数据节点的lora适配器参数更新量进行安全聚合包括:

39、将第k个本地数据节点的lora适配器参数更新量中的浮点参数分量进行定点量化,获得整数形式的参数更新量;

40、利用同态加密算法对量化后的lora适配器参数更新量进行加密,并上传至联邦聚合节点;

41、联邦聚合节点在密文状态下根据各本地数据节点对应的训练样本数量,对加密后的lora适配器参数更新量进行加权聚合;

42、对聚合结果进行解密和反量化,获得全局lora适配器参数更新量,并基于全局lora适配器参数更新量更新全局lora低秩适配器参数。

43、优选地,步骤s6中通过多个智能体进行并行分析的方式包括:

44、财务专家智能体获取并解析目标投资标的的财务报告数据,提取基本面特征并生成基本面分析结果;

45、技术专家智能体获取目标投资标的的k线图及技术指标数据,基于视觉语言模型或结构化技术指标分析生成技术面分析结果;

46、市场情绪专家智能体获取与目标投资标的相关的新闻文本和舆情数据,分析市场情绪倾向并生成情绪分析结果;

47、财务专家智能体、技术专家智能体和市场情绪专家智能体的分析过程并行执行。

48、优选地,纵向联邦学习模型包括纵向联邦神经网络模型和/或纵向联邦树模型;不同数据节点持有的用户特征包括用户语义表征、账户行为特征、交易特征、持仓特征、产品配置特征和风险测评特征中的一种或多种。

49、优选地,还包括步骤s1中lora适配器参数更新量的计算方式包括:

50、设第k个本地节点拥有的本地用户金融行为训练集为,其中为输入特征序列,为对应的标注标签,预训练基座大语言模型的主体参数保持冻结,以表示lora低秩适配器的可训练参数,模型对输入的输出概率分布为,则损失函数值采用交叉熵损失计算:

51、

52、其中,为类别总数,为标签的独特编码分量,为模型预测第类的概率,基于随机梯度下降算法或其变体,在每一最小批上计算批次平均损失,并对lora低秩适配器的可训练参数求梯度,生成lora适配器参数:

53、

54、lora适配器参数经量化和加密后上传至联邦学习框架,用于对多个本地数据节点的lora适配器参数更新信息进行安全聚合;预训练基座大语言模型的主体参数不参与联邦聚合。

55、一种基于大模型多智能体的金融决策支持系统,用于实现上述的基于大模型多智能体的金融决策支持方法,系统包括:

56、用户偏好画像模块,用于根据用户投资相关信息生成结构化用户偏好画像;

57、个性化约束模块,用于将用户偏好画像转换为任务约束、风险约束、内容过滤约束和/或输出表达约束,并将约束注入多智能体协作流程,以控制智能体的分析范围、风险边界、信息粒度、解释深度和/或输出形式;

58、多智能体交互模块,包括主持智能体、多个专家智能体、反思验证智能体以及用户交互界面,用于将用户偏好画像转化为结构提示词约束,注入多智能体协作架构中,生成结构化总结报告,根据客户通过交互界面输入的实时干预指令;

59、多模态分析模块,用于并行调用财务专家智能体、技术专家智能体和市场情绪专家智能体,对目标投资标的多模态金融数据进行并行分析;

60、策略整合与预测模块,用于对多个专家智能体的分析结果进行关键特征提取、信息压缩和结构化融合,并将融合结果输入预测智能体,以输出目标投资标的走势方向、走势概率和/或投资组合决策支持结果。

61、本发明的有益效果:

62、(1)本发明在用户偏好画像模型的训练过程中,冻结预训练基座大语言模型的主体参数,仅对lora低秩适配器进行本地参数高效微调,并在联邦学习过程中仅传输和聚合lora适配器的参数更新信息。一方面,通过减少本地可训练参数量降低用户偏好画像模型的本地训练资源需求;另一方面,通过减少参与联邦聚合的参数规模降低参数传输量和联邦通信开销。同时,各本地数据节点的原始用户投资行为、问卷信息及价值偏好数据不直接上传至聚合节点,实现隐私保护条件下的跨节点用户偏好模型协同训练。

63、(2)多智能体协作架构中融入结构提示词约束、反思验证智能体以及用户实时干预接口,使得决策过程不再是单向输出。主持智能体的任务拆解、专家智能体的辩论、反思验证智能体的事实核查,以及用户可随时发出的质疑、补充、方向调整等干预指令,共同形成了一个可解释、可纠偏、可交互的推理闭环,极大增强了决策逻辑的透明度和用户对系统的信任,同时能灵活适应投资者在决策过程中不断变化的关注焦点。

64、(3)通过财务、技术、市场情绪等多模态数据的并行分析,以及基于用户个性化约束的策略整合和量化评分,实现了多维度信息的深度融合与降噪,避免了单一分析视角的片面性。在输出端,系统不仅给出综合排序和投资组合建议,还能结合用户对回撤、流动性、esg等具体限制进行合规过滤和情景预测,最终生成与用户认知风格和风险偏好精确匹配的决策建议,在提升分析效率的同时大幅提高了投资建议的恰当性和可操作性。

65、当然,实施本发明的任一产品并不一定需要同时达到以上描述的所有优点。