本文是LLM系列文章，针对《Large Language Models in Finance: A Survey》的翻译。
金融学大语言模型研究综述
摘要
大型语言模型（LLM）的最新进展为人工智能在金融领域的应用开辟了新的可能性。在本文中，我们提供了一项实用的调查，重点关注利用LLM执行金融任务的两个关键方面：现有的解决方案和采用指南。
首先，我们回顾了当前在金融中使用LLM的方法，包括通过零样本或小样本利用预训练的模型，对特定领域的数据进行微调，以及从头开始训练自定义LLM。我们总结了关键模型，并评估了它们在金融自然语言处理任务中的性能改进。
其次，我们提出了一个决策框架，以指导金融专业人员根据他们围绕数据、计算和性能需求的用例约束选择适当的LLM解决方案。该框架提供了一条从轻量级实验到大规模投资定制LLM的途径。
最后，我们讨论了在金融应用中利用LLM的局限性和挑战。总的来说，这项调查旨在综合最先进的技术，并为负责任地应用LLM来推进金融人工智能提供路线图。
1 引言
2 语言模型的基础
3 人工智能在金融领域的应用综述
4 LLM金融解决方案
5 LLM在金融应用中的决策过程
6 结论
总之，本文对LLM在金融人工智能中的新兴应用进行了及时而实用的调查。我们围绕两个关键支柱进行了调查：解决方案和采用指南。
在解决方案中，我们回顾了利用LLM进行融资的各种方法，包括利用预先训练的模型、对领域数据进行微调和训练自定义LLM。实验结果表明，在情感分析、问答和摘要等自然语言任务中，与通用LLM相比，性能显著提高。
为了提供采用指导，我们提出了一个结构化框架，用于根据数据可用性、计算资源和性能需求的约束条件选择最佳LLM策略。该框架旨在通过指导从业者从低成本的实验到严格的定制来平衡价值和投资。
总之，这项调查综合了应用LLM改造金融人工智能的最新进展，并提供了一个实用的采用路线图。我们希望它能为研究LLM和金融交叉点的研究人员和专业人士提供有用的参考。随着数据集和计算的改进，金融特定LLM代表了一条在整个行业实现尖端NLP民主化的激动人心的道路。