FinSearch：基于大语言模型的实时金融信息搜索框架

主要观点总结

文章介绍了一个专为金融应用设计的搜索代理框架FinSearch，该框架能够连接多种金融数据源，生成文本分析和可视化输出。文章详细描述了FinSearch的方法、架构和实验结果，展示了其在金融信息检索与分析方面的优势。文章还介绍了新开发的FinSearchBench-24数据集和消融分析的结果。

关键观点总结

关键观点1: FinSearch框架的设计特点

FinSearch是一个专为金融设计的搜索代理框架，采用有向无环图（DAG）结构表示多步骤搜索过程，能够连接多种金融数据源，生成文本分析和可视化输出。

关键观点2: FinSearch的实验结果

FinSearch在多种LLM架构中表现优于现有搜索代理方法，准确率显著提升。在GPT-4o上，FinSearch的准确率为76.20%，比Perplexity Pro高15.93%。

关键观点3: FinSearch的核心组件

FinSearch包括搜索预规划器、搜索执行器、时间加权机制和响应生成器四个组件。其中，搜索预规划器将复杂金融查询分解为结构化的可执行子查询，时间加权机制确保近期信息得到重视。

关键观点4: 消融分析的结果

时间加权机制和动态查询重写器对FinSearch的性能有显著影响。时间加权机制能显著提升准确率，而动态查询重写器有助于捕捉相关信息。

关键观点5: FinSearch的应用前景

FinSearch解决了特定挑战，包括基于LLM的多步骤搜索预规划、动态查询重写和时间加权机制等。未来研究方向包括扩展支持更多金融数据源和分析类型，优化时间加权机制以适应不同时间范围和市场条件。