ChatGPT引爆的AI热潮也“烧到了”金融圈，彭博社重磅发布为金融界打造的大型语言模型（LLM）——BloombergGPT。
3月30日，根据彭博社最新发布的报告显示，其构建迄今为止最大的特定领域数据集，并训练了专门用于金融领域的LLM，开发了拥有500亿参数的语言模型——BloombergGPT。
报告显示，该模型依托彭博社的大量金融数据源，构建了一个3630亿个标签的数据集，支持金融行业内的各类任务。该模型在金融任务上的表现远超过现有模型，且在通用场景上的表现与现有模型也能一较高下。
一般来说，在NLP领域，参数数量和复杂程度之间具有正相关性，GPT-3.5模型的参数量为2000亿，GPT-3的参数量为1750亿。
人大教授：数字货币试验区建设将推动北京自贸试验区跨境金融业务创新:10月1日消息，中国人民大学应用经济学院教授林晨表示，《中国(北京)自由贸易试验区总体方案》具体明确落地法定数字货币试验区意义重大。他认为，数字经济本身正在潜在改变整个世界的商业交易规则，数字货币试验区的建设将推动北京自贸试验区在跨境金融业务和金融科技上的创新，开展基于区块链技术的贸易融资等。（澎湃新闻）[2020/10/1]
关于BloombergGPT
报告指出，研究人员利用彭博社现有的数据，对资源进行创建、收集和整理，通过构建迄今为止最大的特定领域数据集来完成BloomberGPT，并基于通用和金融业务的场景进行混合模型训练：
彭博社主要是一家金融数据公司，数据分析师在公司成立的四十年的时间里收集了大量的金融文件，拥有广泛的金融数据档案，涵盖了一系列的主题。
动态 | 金融壹账通利用区块链等技术融合搭建智能金融超市:疫情让让线下零售和餐饮行业受到重创。针对电商、外卖等民生行业小微商户融资难，金融壹账通投入技术力量，搭建起智能金融超市，连接广大小微商户和金融机构。金融壹账通根据丰富的企业经营数据和人工智能、区块链、大数据等技术的融合，为企业形成了画像系统，在企业进入到超市之后，即可看到与自己最为匹配的贷款产品，极大地节省了他们做选择的成本，也为他们赢得了宝贵的抗疫时间。（经济日报）[2020/2/12]
我们将这些数据添加到公共数据集中，以创建一个拥有超过7000亿个标签的大型训练语料库。
使用这个训练语料库的一部分，我们训练了一个具有彭博风格的，达500亿参数的模型，该模型是根据Hoffmann和Le Scao等人的指导方针设计，基于通用和金融业务的场景进行混合模型训练。
动态 | 经济日报：应凭借区块链等技术创建资金借入方指标识别机制 隔离金融风险:针对消费金融乱象，经济日报提出建议，其中指出，应通过金融科技手段加强对信贷需求方的适当性管理，凭借人工智能、区块链技术创建出对资金借入方财产收入、负债状况等各项指标的灵敏识别机制，并据此合理授信，以隔离高杠杆带来的金融风险。[2019/5/24]
结果表明，我们的混合训练方法使我们的模型在金融任务上的表现大大超过了现有的模型，而在通用场景上的表现则与之相当甚至优于现有模型。
1.BloombergGPT优势：特定领域模型仍有其不可替代性且彭博数据来源可靠
在论文中，彭博社指出，现阶段，通用的自然语言处理模型可以涵盖许多领域，但针对特定领域模型仍有其不可替代性，因彭博社的大多数应用均为金融领域，着手构建了一个针对金融领域的模型尤其优势，同时可以在通用LLM基准测试上保持竞争力：
动态 | 日本金融厅讨论ICO细则 保护投资者:在今日举行的日本金融厅第八次加密货币交易所研讨会上，金融厅表示以分红和利息为基础，投资ICO适用“金融商品交易法”的限制对象，以便彻底保护投资者。研讨会也提出了“ICO与股票同样具有公开发行的功能以及市场风险，应该采取同样的限制”的意见。[2018/11/1]
除了构建金融领域的LLM外，本文的经验也为其他研究领域的专用模型提供了参考。我们的方法是在特定领域和一般数据源上训练LLM，以开发在特定领域和通用基准上表现优异的模型。
此外，我们的训练数据不同于传统的网络爬取数据，网络上的数据总有重复和错误，但我们的数据来源可靠。
2.BloombergGPT的训练数据集：
韩国KCD与Dunamu联合开发区块链的金融商品:据悉，韩国KCD从Dunamu获得投资，并且与Dunamu（Upbit的运营公司）联合开发基于区块链的金融商品。[2018/4/27]
BloombergGPT的训练数据库名为FINPILE，由一系列英文金融信息组成，包括新闻、文件、新闻稿、网络爬取的金融文件以及提取到的社交媒体消息。
为了提高数据质量，FINPILE数据集也使用了公共数据集，例如The Pile、C4和Wikipedia。FINPILE的训练数据集中大约一半是特定领域的文本，一半是通用文本。为了提高数据质量，每个数据集都进行了去重处理。
对金融领域的理解更准
报告指出，在金融领域中的自然语言处理在通用模型中也很常见，但是，针对金融领域，这些任务执行时将面临挑战：
以情感分析为例，一个题为“某公司将裁员1万人”，在一般意义上表达了负面情感，但在金融情感方面，它有时可能被认为是积极的，因为它可能导致公司的股价或投资者信心增加。
报告指出，从测试来看，BloombergGPT在五项任务中的四项（ConvFinQA，FiQA SA，FPB和Headline）表现最佳，在NER（Named Entity Recognition）中排名第二。因此，BloombergGPT有其优势性。
测试一：ConvFinQA数据集是一个针对金融领域的问答数据集，包括从新闻文章中提取出的问题和答案，旨在测试模型对金融领域相关问题的理解和推理能力。
测试二：FiQA SA，第二个情感分析任务，测试英语金融新闻和社交媒体标题中的情感走向。
测试三：标题，数据集包括关于黄金商品领域的英文新闻标题，标注了不同的子集。任务是判断新闻标题是否包含特定信息，例如价格上涨或价格下跌等。
测试四：FPB，金融短语库数据集包括来自金融新闻的句子情绪分类任务。
测试五：NER，命名实体识别任务，针对从提交给SEC的金融协议中收集金融数据，进行信用风险评估。
对于ConvFinQA来说，这个差距尤为显著，因为它需要使用对话式输入来对表格进行推理并生成答案，具有一定挑战性。
ChatGPT为彭博点赞
华尔街见闻就这个问题专门询问了ChatGPT，ChatGPT认为BloombergGPT是一项很有意义的技术进步：
它是专门为金融领域开发的一种语言模型，可以更好地处理金融领域的数据和任务，并且在金融领域的基准测试中表现出色。
这将有助于金融从业者更好地理解和应用自然语言处理技术，促进金融科技的发展。同时，BloombergGPT还可以为其他领域的语言模型的发展提供参考和借鉴。总的来说，BloombergGPT是一个有益的技术创新。
华尔街见闻
媒体专栏
阅读更多
金色财经 善欧巴
金色早8点
白话区块链
欧科云链
Odaily星球日报
Arcane Labs
MarsBit
深潮TechFlow
BTCStudy
链得得
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。