架构
上图展现了本文的全体架构：联合了传统的统计技术和大型言语模型驱动的多自动体系统。首先应用从便捷的规定、无监视学习和深度学习技术等现有手腕，对金融表格数据中的意外启动识别。意外识别后，将数据传到LLM多自动体系统中。
整个系统包含：数据转换Agent、数据专家Agent、报告整合Agent、治理层讨论。
其中数据专家Agent包含三个专家：
• 网络调研专家：这位专家经过网络资源的深化开掘，如数据颁布方的通告、头条资讯或社交媒体灵活，来核实意外消息的真伪。
• 机构智库专家：充任资深市场剖析师，这位专家运用深沉的畛域常识为发现的意内现象提供详尽的背景和阐释。其常识库源自过往剖析、数据供应商的交换、历史疑问档案及统计方法等。
• 交叉验证专家：专一于应用其余可信起源启动数据对证，这位专家在验证或批驳已发现的意外中表演关键角色。即使不足齐全相反的数据集，专家也能参考趋向相近的数据序列启动剖析，比如对比同一市场的不同股票指数或钻研相似期限的国债收益率。
比拟无心思的是这个治理层讨论：当专家剖析汇总为摘要报告后，该报告便提交给一个治理层代理小组。小组成员各司其职，针对报告中的关键发现倒退深化审查与讨论。与专一于数据细节的数据专家代理不同，治理层代理被赋予微观视角，以模拟事实组织中的上层决策环节。这样的设计让策略视角和更广阔的背景得以在决策中施展作用。代理们在讨论中相互交换观念，答辩不同解读，并评价钻研结果的影响。讨论最终达成共识，明白接上去的执行方向。
标普500数据上的运行
接上去，作者经过标普500指数的每日数据序列（1980年至2023年）的案例，实践展现了多自动体AI框架的操作运行。具体论述了LLM允许的多自动体模型是如何处置和剖析实在金融数据的，从发现意外到最终决策的每个环节都启动了阐释。选用标普500指数作为案例钻研，意在突出该框架在处置金融数据集复杂性方面的高效劳力。
第一步：意外值检测
用Z-Score对标普500指数的涨跌幅数据启动意外值检测。阈值是10个ZScore，以便准确地揪出严重意外值，专一于最突出的偏离状况。
第二步：数据疑问 Agent
当接纳到意外数据及其关联的元数据时，担任提出数据疑问的专家Agent在验证意外的最后阶段起着至关关键的作用。这位专家提出的疑问是多方面的：它们既验证了检测到的意外的实质，也探求了这些意外在历史和市场背景下的关键性，并为进一步核实预备了适宜LLM的疑问。下表展现了如何指点该专家并让其针对标普500指数中的意外状况启动回答。
第三步：数据专家 Agent
数据专家Agent 1: Web Research
数据专家Agent 2: 机构智库专家
数据专家Agent 3: 交叉验证专家
第四步：报告整合专家 Agent
第五步：治理层讨论
通往 AGI 的奥秘代码
if like_this_article():do_action('点赞')do_action('再看')add_wx_friend('iamxxn886')if like_all_arxiv_articles():go_to_link('https://github.com/HuggingAGI/HuggingArxiv')star_github_repo(''https://github.com/HuggingAGI/HuggingArxiv')援用链接
Arxiv:
本文转载自，作者：