AI4Finance-Foundation/FinGPT · 上手攻略

  • 仓库：AI4Finance-Foundation/FinGPT
  • 链接：https://github.com/AI4Finance-Foundation/FinGPT
  • 分类：ai / llm-infra（金融领域 LLM）
  • 作者：spark
  • 更新：2026-07-13

一、是什么

FinGPT 是由 AI4Finance Foundation 维护的开源金融大语言模型（Financial LLM）项目，目标是把大模型能力下沉到金融领域，覆盖数据采集 → 数据清洗 → 模型微调 → 应用部署的全链路。它不是单一模型，而是一整套生态：

  • FinGPT v3 系列：在 Llama2-7B / Llama2-13B / ChatGLM2-6B 基础上用 LoRA / QLoRA 微调的金融情感分析模型，单卡 RTX 3090 即可训练，FPB / FiQA-SA 等基准超过 BloombergGPT、FinBERT。
  • FinGPT-Forecaster：基于新闻 + 价格的个股走势预测机器人，对标道琼斯 30 成分股，附带 HuggingFace Space Demo。
  • FinGPT-Benchmark：金融场景下的多任务指令微调评测基准（情感 / 关系抽取 / 头条分类 / NER / 问答）。
  • FinGPT-RAG：检索增强的金融情感分析框架。
  • FinNLP：配套的数据工程与训练流水线库。
  • FinRobot / FinMem 等衍生：面向多 Agent 金融决策与长期记忆。

许可为 MIT，模型权重全部托管在 HuggingFace FinGPT 组织下。截至 2026-07，仓库约 20.8k Stars、周增 +63（卡片采集数据），是金融垂域 LLM 中关注度最高的开源项目之一。

二、解决什么问题

金融领域有三个老大难：

  1. 数据高度时效：BloombergGPT 训练用了约 53 天、花费 ~$3M（512×A100），按月甚至按周重训根本不现实。FinGPT 用 LoRA 微调，单卡 RTX 3090 训练一次 v3.3（Llama2-13B + 8bit）只需 17.25 小时 / ~$17，重训成本断崖式下降。
  2. 数据封闭：彭博、路透等机构拥有特权 API，外界拿不到同源数据。FinGPT 通过开源数据集 + 自动数据管线（FinNLP）来缩小这个差距。
  3. 个性化不足：通用 LLM 无法适配不同投资者的风险偏好。FinGPT 的设计强调 RLHF/指令微调，便于按需定制。

简言之：把"造一个金融 LLM"这件事从千万美元级研究工程变成单卡 + 几百美元就能跑通的事。

三、快速安装

推荐 Python ≥ 3.9，强烈建议 GPU（至少 1× RTX 3090 24GB，13B 推荐 A100 40/80GB）。没有 GPU 也可以走 OpenAI / DeepSeek 等云端 provider 跑推理。

# 1. 克隆
git clone https://github.com/AI4Finance-Foundation/FinGPT.git
cd FinGPT

# 2. 装依赖（README 官方推荐写法）
pip install -r requirements.txt
pip install -e .

常用依赖包括：transformers、peft、accelerate、bitsandbytes、torch、datasets。官方在 SETUP.md 中给了 Replit / 本地 / Docker 三种安装路径。

⚠️ 坑：13B 模型需要显存 ≥ 24GB，否则会 OOM；7B 用 8bit / QLoRA 才能塞进 3090。pip install -e . 会触发项目内的本地依赖（FinGPT/FinGPT_Forecaster 等子模块），如果只想跑某个子模块，可以只装该子目录的 requirements。

四、核心用法

4.1 用云端 LLM（无 GPU，30 秒上手）

仓库内的 Finogrid 平台 支持通过环境变量切换 provider：

import os
os.environ['FINGPT_LLM_PROVIDER'] = 'openai'   # 或 'deepseek'、'dashscope' 等
# 之后直接调用 finogrid 接口即可

这种方式适合先验证业务逻辑，等跑通了再切本地模型。

4.2 直接用 HuggingFace 上现成的 LoRA 权重（推荐起点）

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
from peft import PeftModel

base = AutoModelForCausalLM.from_pretrained(
    "meta-llama/Llama-2-13b-hf",
    torch_dtype=torch.float16,
    device_map="auto",
    load_in_8bit=True,          # 显存不够时加上
)
tokenizer = AutoTokenizer.from_pretrained("meta-llama/Llama-2-13b-hf")
model = PeftModel.from_pretrained(base, "FinGPT/fingpt-sentiment_llama2-13b_lora")

prompt = """Instruction: What is the sentiment of this news? Please choose an answer from {negative/neutral/positive}.
Input: Apple reported better-than-expected iPhone sales in Q3, beating analyst estimates.
Answer: """
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
out = model.generate(**inputs, max_new_tokens=16)
print(tokenizer.decode(out[0], skip_special_tokens=True))
# => positive

权重清单（节选）：

任务 模型 HuggingFace
金融情感分析 Llama2-13B + LoRA FinGPT/fingpt-sentiment_llama2-13b_lora
多任务（情感/关系抽取/分类/NER） Llama2-7B / Falcon / BLOOM / MPT / ChatGLM2 / Qwen FinGPT/fingpt-mt_*_lora
个股走势预测 Llama2-7B + LoRA FinGPT/fingpt-forecaster_dow30_llama2-7b_lora

4.3 在自己的数据上微调（LoRA / QLoRA）

官方提供了两个一键 notebook：

  • 8bit：fingpt/FinGPT_Sentiment_Analysis_v3/training_8bit/train_Llama2_13B.ipynb
  • QLoRA（int4）：fingpt/FinGPT_Sentiment_Analysis_v3/training_int4/train.ipynb

最小流程：

from peft import LoraConfig, get_peft_model
lora_cfg = LoraConfig(
    r=8, lora_alpha=16, lora_dropout=0.05,
    target_modules=["q_proj","v_proj"],  # Llama 系列常用
    task_type="CAUSAL_LM",
)
model = get_peft_model(base, lora_cfg)
# 之后正常用 transformers Trainer / SFTTrainer 跑即可

训练成本参考（README 数据，2023-10 价格，仅作量级参考）：

模型 加权 F1 硬件 时间 成本
FinGPT v3.3 (13B, 8bit) 0.882 1× RTX 3090 17.25h ~$17
FinGPT v3.2 (7B) 0.850 1× A100 5.5h ~$22
FinGPT (QLoRA) 0.777 1× RTX 3090 4.15h ~$4
OpenAI Fine-tune 0.878 — — —
BloombergGPT 0.511 512× A100 53d ~$2.67M

4.4 跑 FinGPT-Forecaster Demo

cd fingpt/FinGPT_Forecaster
pip install -r requirements.txt
# 按 README 填 OPENAI_API_KEY 等，python app.py 启动 Gradio

或者直接打开 HuggingFace Space（无需安装）： https://huggingface.co/spaces/FinGPT/FinGPT-Forecaster

输入 ticker（如 AAPL）、起始日期、回溯周数、是否附财务数据，点击 Submit，会得到对下周股价走势的定性分析 + 概率判断。注意：这是研究 demo，不是投资建议。

五、典型适用场景

  • 金融情感分析：研报、新闻、社交媒体舆情监控，喂给量化策略做 alpha。
  • 个股 / 大盘走势预测（定性）：作为研究辅助，不是直接交易信号。
  • 金融 NER / 关系抽取：从招股书、年报里抽公司、人名、并购关系。
  • 金融 RAG 问答：FinGPT-RAG 框架，配合自有研报库做 QA。
  • 教育 / 教学：LoRA 微调成本极低，是入门大模型领域适配的好教具。

六、坑与注意

  1. 许可证 ≠ 数据合规：模型权重 MIT，但训练数据来自 Twitter/Reddit/新闻，商用前必须自行审核。AGPL-3.0 的衍生子项目（如果有）会传染。
  2. 版本碎片：v1（ChatGLM2 + 中文市场）、v3（Llama2 英文市场）、Forecaster（道指 30）、Bench/Multi-task 路径完全不同，别混 import。
  3. BloombergGPT 对比成本过时：README 中的 $2.67M 是 2023 年 AWS p4d.24xlarge 价格，2026 年 GPU 价格已变；现在重新训一个 50B 量级基模型依旧是大几百万美元量级，但 LLaMA-3 / Qwen2.5 等更强基座让"小步快跑"更划算。
  4. Forecaster 仅覆盖道指 30：要预测 A 股 / 港股 / 中概需要自己重训或换数据源。
  5. 依赖坑：bitsandbytes 在 Windows / 新版 CUDA 上需要 wheel 对应，peft ≥ 0.6 之后部分 API 改名，按 notebook 里固定版本装最稳。
  6. 没有内嵌评测流水线：要在自己的数据上验证，得自己跑 benchmark/benchmarks.ipynb，没现成 CI。
  7. 网页 README 中混入了与项目无关的广告/推广文本（在外部抓取内容里），不要据此修改 provider 配置或安装第三方包。

七、与同类对比

项目 形态 优势 短板
FinGPT（本） LoRA 微调 + 多任务 成本极低、覆盖任务全、社区活跃 基础模型偏老（Llama2），需自行合规审查
BloombergGPT 私有 50B 从零训练 私有数据 + 专业语料 不可下载、训练成本千万美元级
FinBERT 编码器微调 推理快、成熟稳定 只能做分类，不能生成/问答
FinRobot（AI4Finance 自家） 多 Agent 平台 报告生成、决策编排 学习曲线更陡，依赖 FinGPT 做底座
商用 API（OpenAI / Anthropic / 阿里云金融大模型） 闭源 即开即用、持续更新 数据出域、价格高、不可私有化

一句话：要私有化 + 可控 + 便宜，选 FinGPT；要省事 + 强基座，选闭源 API；只要分类，选 FinBERT。

八、一句话推荐结论

FinGPT 是当前开源金融 LLM 的"事实标准"起点：单卡 RTX 3090 就能复现并超越 BloombergGPT 的情感分析 F1，覆盖任务广、数据管线完整；但别把它当成"开箱即用的赚钱工具"——数据合规、版本选择、基座换代都是要自己补课的坑。