引言：LLM 正在重塑金融预测#
2023 年 Bloomberg 发布 BloombergGPT 以来，大语言模型（LLM）在金融领域的应用进入了快车道。从情感分析、研报摘要到股价预测，LLM 正在成为量化投资者的新型武器。但面对 FinGPT、BloombergGPT、FinBERT 以及各种开源方案，很多从业者陷入了选择困难——到底哪个方案更适合做股票预测？
本文从实际可用性、预测能力、部署成本三个维度，系统对比当前主流金融 LLM 方案。
赛道格局：三类玩家#
1. 闭源巨头：BloombergGPT#
Bloomberg 投入 130 万美元训练成本，基于 3450 亿 token 的金融语料（FinPile），训练了 50B 参数的 BLOOM 架构模型。这是目前训练数据最干净、覆盖最全面的金融专用 LLM。
优势：金融领域知识深度无出其右，情感分析和 NER 任务表现顶尖。
劣势：不对外开源，普通开发者无法直接使用。且 50B 参数推理成本极高，不适合实时交易场景。
2. 开源先锋：FinGPT#
FinGPT 由 AI4Finance 基金会维护，核心理念是”数据驱动+轻量微调”。不像 BloombergGPT 从零预训练，FinGPT 采用 LoRA 在 Llama、ChatGLM 等基座模型上做轻量级指令微调。
架构亮点：
- 多源数据采集器（新闻、财报、SEC 文件、社交媒体）
- 自动标注流水线（用 GPT-4 生成训练标签）
- LoRA 微调，单卡 A100 几小时即可完成
实际表现：在金融情感分析（F PB-SA）上达到 89.7% 准确率，接近 BloombergGPT 的 90.3%，但成本不到其 1/1000。
3. 专精小模型：FinBERT 系列#
FinBERT 基于 BERT-base，在金融文本上继续预训练。参数仅 110M，推理速度极快，适合毫秒级延迟的实时交易场景。
变体对比：
- ProsusAI/finBERT：在 TRC2-financial 上继续预训练，情感分类 F1=0.86
- yiyanghkust/finbert-tone：专门针对财报管理层讨论（MD&A）段落微调
- FinBERT-ML：结合传统 ML 特征，在股价涨跌分类任务上 AUC=0.71
小模型的瓶颈也很明显：只能做情感分类等单一任务，缺乏复杂推理能力。
性能横向对比#
| 模型 | 参数 | 情感分析F1 | 推理速度 | 部署门槛 | 开源 |
|---|---|---|---|---|---|
| BloombergGPT | 50B | 0.90 | 慢 | 极高 | ❌ |
| FinGPT (Llama-7B) | 7B | 0.88 | 中等 | 中等 | ✅ |
| FinBERT | 110M | 0.86 | 极快 | 极低 | ✅ |
| FinMA | 7B | 0.87 | 中等 | 中等 | ✅ |
| GPT-4 + Prompt | - | 0.91 | 慢 | 低（API） | ❌ |
值得注意的是，GPT-4 在零样本金融情感分析上已经超过 BloombergGPT，这意味着通用大模型通过精心设计的 Prompt 也能取得优异效果。
股票涨跌预测实战对比#
情感分析只是中间任务，最终目标是预测股价涨跌。我们看几个代表性研究的结果：
FinGPT 的收益预测框架#
FinGPT 团队在 2024 年提出了一个端到端框架：
- 收集多源新闻数据（路透社、彭博社、SeekingAlpha）
- FinGPT 生成每条新闻的情感得分（-1 到 +1）
- 聚合日频情感得分构建因���
- 分层回测
在标普 500 成分股上，基于 FinGPT 情感因子的多空组合年化超额收益 8.3%，夏普比率 1.42。
FinBERT 的新闻驱动策略#
使用 FinBERT 对道琼斯通讯社新闻做实时情感评分，生成交易信号：
- 做多正面情感得分最高的前 20% 股票
- 做空负面情感得分最高的前 20% 股票
- 持仓 1 天
回测 2019-2023 年，年化收益 12.6%，最大回撤 18.2%。
多模态融合的方向#
最新的趋势是将文本、数值、图表三种模态融合：
- 用 LLM 处理财报文本
- 用 TabNet/Transformer 处理财务指标
- 用 ViT 处理 K 线图
- 跨模态注意力融合后输出预测
这是目前最前沿的方向，但工程复杂度极高。
部署选型建议#
根据不同场景，给出以下推荐：
个人量化研究者：FinGPT + LoRA 微调。成本低，效果不错。
高频交易团队：FinBERT。推理延迟 <5ms，适合毫秒级决策。
机构研究员：GPT-4 API + 本地 FinBERT 双轨制。GPT-4 做”慢思考”（深度分析）、FinBERT 做”快信号”（实时监控）。
有 GPU 集群的团队：自研方案。基座模型选 Llama-3/DeepSeek，用金融领域数据做全参数微调，效果上限最高。
2026 年的关键趋势#
- Agent 化：LLM 不再是单个预测模型，而是作为 Agent 自主完成”读新闻→分析→生成交易信号→下单”全流程
- 实时化：从”每日预测”转向”分钟级预测”，对推理延迟提出更高要求
- 多信号融合：同时整合财报文本、电话会议音频、K 线图、市场微观结构数据
- 合规可解释：监管机构越来越关注 AI 交易的可解释性，黑箱模型面临合规压力
金融 LLM 领域变化极快，建议每季度重新评估方案选择。最重要的不是选”最强”的模型，而是选最适合自己交易频率、数据规模、技术能力的方案。
结语#
大模型做股票预测已经从”能不能”进入”怎么做得更好”的阶段。开源方案的成熟让个人和小团队也能用上 BloombergGPT 级别的能力。关键不在于模型本身有多强，而在于你如何将模型的信号融入自己的交易系统。信息优势+模型优势+执行优势，三位一体才能创造真正的 Alpha。