# FinGPT: Democratizing Internet-scale Data for Financial Large Language Models

**Authors:** Xiao-Yang Liu, Guoxuan Wang, Daochen Zha  
**arXiv:** [2307.10485](https://arxiv.org/abs/2307.10485)  
**Date:** 2023-07-19  
**Summary page:** https://www.summarizepaper.com/fr/paper/2307.10485v1/

## Key points

- Les grands modèles de langage (LLM) ont démontré une remarquable compétence dans la compréhension et la génération de textes semblables à ceux produits par les humains, ce qui pourrait révolutionner l'industrie financière.
- Les LLM existants sont souvent insuffisants dans le domaine financier en raison des disparités entre les données textuelles générales et les données textuelles financières.
- Un nouveau cadre centré sur les données et open source appelé "Financial Generative Pre-trained Transformer (FinGPT)" est introduit pour relever ces défis.
- FinGPT automatise la collecte et la curation des données financières en temps réel provenant de plus de 34 sources diverses sur Internet.
- FinGPT offre aux chercheurs et aux praticiens des ressources accessibles et transparentes pour développer leurs propres FinLLMs.
- Une stratégie efficace pour affiner le FinLLM en utilisant les retours inhérents du marché est proposée, appelée "Reinforcement Learning with Stock Prices (RLSP)".
- Une méthode d'adaptation à faible rang (LoRA, QLoRA) permet aux utilisateurs de personnaliser leurs propres FinLLMs à partir de LLM open source polyvalents à faible coût.
- Plusieurs applications de FinGPT sont présentées, notamment un robo-conseiller, une analyse des sentiments pour le trading algorithmique et le développement en low-code.
- FinGPT vise à démocratiser les FinLLMs afin de stimuler l'innovation et d'ouvrir de nouvelles opportunités dans la finance ouverte.

## Summary

Les grands modèles de langage (LLM) ont démontré une remarquable compétence dans la compréhension et la génération de textes semblables à ceux produits par les humains, ce qui pourrait révolutionner l'industrie financière. Cependant, les LLM existants sont souvent insuffisants dans le domaine financier, principalement en raison des disparités entre les données textuelles générales et les données textuelles financières. Pour relever ces défis, nous introduisons un cadre centré sur les données et open source appelé "Financial Generative Pre-trained Transformer (FinGPT)", qui automatise la collecte et la curation des données financières en temps réel provenant de plus de 34 sources diverses sur Internet. Cela offre aux chercheurs et aux praticiens des ressources accessibles et transparentes pour développer leurs FinLLMs. De plus, nous proposons une stratégie simple mais efficace pour affiner le FinLLM en utilisant les retours inhérents du marché, appelée "Reinforcement Learning with Stock Prices (RLSP)". Nous adoptons également une méthode d'adaptation à faible rang (LoRA, QLoRA) qui permet aux utilisateurs de personnaliser leurs propres FinLLMs à partir de LLM open source polyvalents à faible coût. Enfin, nous présentons plusieurs applications de FinGPT, notamment un robo-conseiller, une analyse des sentiments pour le trading algorithmique et le développement en low-code. FinGPT vise à démocratiser les FinLLMs afin de stimuler l'innovation et d'ouvrir de nouvelles opportunités dans la finance ouverte. Les codes sont disponibles sur https://github.com/AI4Finance-Foundation/FinGPT et https://github.com/AI4Finance-Foundation/FinNLP. Les auteurs de cette étude sont Xiao-Yang Liu, Guoxuan Wang et Daochen Zha ; son titre complet est "FinGPT: Democratizing Internet-scale Data for Financial Large Language Models". Cette étude présente un résumé détaillé des défis auxquels sont confrontés les modèles de langage dans le domaine financier ainsi qu'une solution innovante pour collecter et utiliser des données financières en temps réel afin d'améliorer ces modèles.