金融工程高智威丨Beta猎手系列之七
金选·核心观点
从大语言模型到“智能体”
OpenAI在首届开发者大会上推出GPTs功能，它们能自主寻找多步解决问题的方案并行动。我们将具有以上功能的模型称为“智能体”。智能体核心要素可以表示为“大语言模型+规划+工具+记忆”：大语言模型作为内核提供理解、推理与生成能力；规划给智能体带来问题逐步求解能力，实现从“一问一答”向“自主思考”转变；工具赋予智能体与环境交互的能力；记忆则帮助它完成多轮的思考与行动。
基于大语言模型的智能体决策逻辑可以简化为“感知→规划→行动”。其中，感知是指智能体收集信息并整合为模型输入，规划是指智能体做出具体决策并给出行动指令，行动则是按照规划行动的步骤。智能体观察到行动的反馈并放入记忆，成为下一轮感知的基础，构成完整的决策过程。
在此之前，AutoGPT与Langchain等项目已成功实现了单一智能体的部署并给出了智能体的设计蓝图，当前的研究前沿方向是多智能体交互部署。我们借鉴AutoGPT的思路构建了应用于产业链梳理的“产业链Agent”。
利用LLM-Based Agent进行产业链梳理
尽管大语言模型能掌握基础的产业链知识，但无法直接梳理完整产业链。我们为产业链Agent完善产业链推理的框架，包括上/下游供需关系的推理、末端产品判断以及产品重要性判断，让智能体自我迭代，最终完成对所有节点的推理与判断。以智能手机上游为例，产业链Agent梳理结果与Wind智能手机产业链二者整体结构一致。
我们还赋予产业链Agent新闻检索的能力，增强模型对专业知识的掌握。智能体可以综合新闻信息与自有知识进行回答，给出的答案更加细致且贴近市场实际情况；挂载不同时间范围的新闻还可以观察出产业链随时间变化的趋势。
更进一步，我们以产业链梳理为核心，给出了对相关投资标的进行筛选以及对投资主题进行拆解的解决方案。最终，我们可以完整分析给定投资主题对应的细分产业链结构以及相关的投资标的。我们以“华为供应链”为例，对比展示了基于GPT4模型以及基于GPT3.5叠加新闻两种模型的结果，并给出相关投资标的推荐，对各功能进行完整展示。
总结
使用大语言模型来实现产业链梳理以及标的推荐等功能，一方面是为了能更好利用大数据优势，从量化视角给出产业链的归纳结果，以期能够为主观投资带来增量信息；另一方面，在面对全新的投资主题或产业结构出现变化时，模型能够更快地给出回答，帮助投资者们及时做出反应。
从结果上来看，目前产业链梳理以及个股推荐的等功能虽已有雏形，但仍可能存在一定问题，包括：产业链结果不稳定、结构可能存在冗余、叠加新闻效果不稳定。整体来说，本篇在产业链梳理主题上对Agent技术做了充分的尝试，不过与应用实际落地之间仍有一定差距。当前大语言模型及其相关技术依旧在快速发展中，伴随能力更强大的模型登场，在可预见的未来智能体将真正为金融投资领域带来新的视野。
风险提示
大语言模型输出结果具有一定随机性的风险；模型迭代升级、新功能开发可能会导致结论不同的风险；人工智能模型得出的结论仅供参考，可能出现错误答案的风险。