民主化金融数据
BloombergGPT 依赖专有的 Bloomberg 数据，普通人拿不到；FinGPT 用公开的互联网规模金融数据（新闻、财报、SEC、社媒），让研究可复现。
FinGPT / Architecture
FinGPT 架构：五大模块与三层结构
FinGPT 以「数据层 → 微调层 → 任务层」三层结构组织，核心思路是民主化金融数据 + 轻量适配：用现成基座模型，通过 LoRA/RLSP 低成本适配动态金融数据，再跑下游金融任务，避免像 BloombergGPT 那样高成本全量重训练。
数据层新闻 / 财报 / SEC / 社媒 / 指令数据集
↓
微调层LoRA / RLSP 轻量适配
↓
任务层情感 / 关系 / 标题 / NER / 问答 / 预测
Positioning
FinGPT 的差异化定位
FinGPT 项目明确对标 BloombergGPT，强调三点差异化，这也是理解其架构的钥匙。
轻量适配替代重训
金融数据高度动态，全量重训练成本极高；FinGPT 用 LoRA 等参数高效微调，在基座上低成本适配新数据。
补足 RLSP
FinGPT 强调 RLSP（基于股价的强化学习），这是相对 BloombergGPT 的特色贡献；另有 RLHF 用于个性化投顾对齐。
| 对比维度 | FinGPT | BloombergGPT |
|---|---|---|
| 数据来源 | 公开金融数据（新闻/财报/SEC/社媒） | 专有 Bloomberg 数据 |
| 训练策略 | 轻量适配（LoRA/RLSP） | 全量重训练 |
| RLSP 对齐 | 强调支持 | 缺失（FinGPT 的观点） |
| 开放程度 | 开源（MIT） | 闭源 |
Modules
五大模块职责对照
以下模块名称与职责均来自 FinGPT 官方 README（2026-08 核验）。
| 模块 | 职责 | 适用任务 |
|---|---|---|
| FinGPT-Forecaster | 金融预测，基于历史行情与文本信号做股价走势研究 | 股价走势预测 |
| FinGPT-Sentiment | 金融情感分析，判断文本的正负/立场 | 情感分析、新闻情绪 |
| FinGPT-Benchmark | 开源金融 LLM 的指令微调基准 | 模型评测、基准对比 |
| FinGPT-RAG | 检索增强框架，融入外部知识做金融情感分析 | 知识增强情感分析 |
| FinGPT-FinNLP | 金融领域 LLM 训练与微调的全流水线 playground | 训练、微调流水线 |
Forecaster：预测
把历史行情与文本信号结合，输出股价走势方向研究信号；结果仅供研究，不构成投资建议。
Sentiment：情绪
对新闻标题、财报片段、社交媒体文本做正/负/中性分类，是金融文本分析最常用的下游任务。
Benchmark：基准
提供开源金融 LLM 的指令微调基准，用于横向比较不同基座模型在金融任务上的表现。
RAG：检索增强
在生成前检索外部知识再融入，缓解大模型金融知识过时/幻觉问题，优化情感分析。
FinNLP：流水线
把训练、微调、推理串成完整流水线的 playground，便于快速上手金融 LLM 全流程。
Flow
从数据到推理的分步流程
按顺序完成四步，即可从数据走到下游任务。
准备金融数据
选择 FinGPT 指令微调数据集（如 sentiment/headline/fiqa），或准备自有金融语料；数据来源覆盖新闻、财报、SEC 与社媒。
选择基座模型
从 FinGPT V3 系列（ChatGLM2-6B / Llama2-7b / Llama2-13b）或多任务微调基座中选一个，按语言与资源取舍。
轻量微调
用 LoRA 在基座上适配你的金融任务，需要对齐时再接入 RLSP/RLHF，降低重训练成本。
运行推理
调用微调后的模型完成情感分析、预测或问答等下游任务，并检查输出合理性。
说明：以上为仓库依据的架构示意，用于理解职责划分；不包含未验证的第三方集成、性能承诺或收益保证。
FAQ
常见问题
FinGPT 的三层结构是什么？
数据层（金融语料与指令数据集）、微调层（LoRA/RLSP 轻量适配）、任务层（情感/关系/标题/NER/问答/预测等下游任务）。
FinGPT-Forecaster 和 FinGPT-Sentiment 有什么区别？
Forecaster 做股价走势预测，Sentiment 做金融情感分析，两者是不同的下游任务模块。
FinGPT-RAG 是做什么的？
RAG 是检索增强框架，通过融入外部知识来优化金融情感分析，属于任务层的增强手段。
FinGPT 和 BloombergGPT 的核心区别？
BloombergGPT 用专有数据全量重训、闭源；FinGPT 用公开数据轻量适配、开源（MIT），并强调 RLSP 对齐。
FinGPT-FinNLP 是必须用的吗？
不是必须。FinNLP 是训练/微调流水线的 playground，方便跑全流程；只做推理的话可只加载模型。