FinGLM
1.0.0
Link zur Wettbewerbsfrage |. Wettbewerbsfrage-Werbeseite
? FinGLM : Engagiert für den Aufbau eines offenen, gemeinnützigen und langfristigen großen Finanzmodellprojekts, das Open Source zur Förderung von „KI + Finanzen“ nutzt.
[Aktualisierung 23.11.2023] Kursinhalte für die ChatGLM-6B-Modelle der 1., 2. und 3. Generation hinzugefügt, einschließlich PPT, Videos und technische Dokumente.
【Aktualisierung 17.11.2023】 Neue Lösung „Name it Whatever“ hinzugefügt
? Ein interaktives, intelligentes Dialogsystem zur umfassenden Analyse der Jahresberichte börsennotierter Unternehmen. Angesichts der Fachbegriffe und impliziten Informationen in Finanztexten setzen wir uns für den Einsatz von KI ein, um eine Finanzanalyse auf Expertenniveau zu erreichen.
Obwohl im Bereich der KI Fortschritte im Textdialog erzielt wurden, stellen reale finanzielle Interaktionsszenarien immer noch eine große Herausforderung dar. Mehrere Institutionen organisierten gemeinsam diesen Wettbewerb, um die Grenzen der KI im Finanzbereich auszuloten.
Der Jahresbericht eines börsennotierten Unternehmens präsentiert den Anlegern den Betriebsstatus, die Finanzlage und die Zukunftspläne des Unternehmens. Fachwissen ist der Schlüssel zur Interpretation, und unser Ziel ist es, diesen Prozess durch KI-Technologie einfacher und genauer zu machen.
PDF zu TXT :
Datensegmentierung :
Datenverarbeitung :
In der Datenbank speichern :
Datenklassifizierung : wie SQL-Daten, ES-Daten usw.
Wählen Sie eine Feinabstimmungsstrategie aus : z. B. ptuningv2, lora usw.
Führen Sie eine Feinabstimmung durch : basierend auf der ausgewählten Strategie.
1) Ereignistransformation
2) Daten Open Source
3) Open-Source-Lösungen/Codes/Modelle
4) Offene Kommunikation
5) Lerntutorials
6) Projektressourcenpool
Erste Ausgabe:
pdf2txt.py um PDF-Dateien zu analysieren. Zweites Problem:
Blog zur Projekteinführung:
[PPT] [Video][Code]
Dieses Projekt ist eine Integration des Anshuoshuo Eye Exploration Enterprise Teams auf der Grundlage seines eigenen Projekts und der Projekte mehrerer anderer Teams. Wir werden dieses Projekt in Zukunft weiter iterieren und aktualisieren.
[PPT] [Video] [Code] 
[PPT] [Video] [Code]
[PPT] [Video] [Code]
[PPT] [Video] [Code]
[PPT] [Video] [Code]
[PPT] [Video] [Code]
[PPT] [Video] [Code]
[PPT] [Video] [Code]
[PPT] [Video] [Code]
[PPT] [Video][Code]
Unser Open-Source-Datensatz umfasst die Geschäftsberichte einiger börsennotierter Unternehmen von 2019 bis 2021. Dieser Datensatz enthält insgesamt 11588 detaillierte PDF-Dateien (Liste). Sie können den Inhalt dieser PDF-Dateien verwenden, um die benötigte Datenbank oder Vektorbibliothek aufzubauen. Um eine Verschwendung von Rechenressourcen zu vermeiden, konvertieren wir die entsprechenden Dateien auch in TXT-Dateien und HTML-Dateien, die jeder nutzen kann.
Größe: 69 GB Dateiformat: PDF-Datei Anzahl der Dateien: 11588
Git laden
# 要求安装 git lfs
git clone http://www.modelscope.cn/datasets/modelscope/chatglm_llm_fintech_raw_dataset.git
SDK wird geladen
# Note:
# 1. 【重要】请将modelscope sdk升级到v1.7.2rc0，执行： pip3 install "modelscope==1.7.2rc0" -f https://modelscope.oss-cn-beijing.aliyuncs.com/releases/repo.html
# 2. 【重要】datasets版本限制为 >=2.8.0, <=2.13.0，可执行： pip3 install datasets==2.13.0
from modelscope.msdatasets import MsDataset
# 使用流式方式加载「推荐」
# 无需全量加载到cache，随下随处理
# 其中，通过设置 stream_batch_size 可以使用batch的方式加载
ds = MsDataset.load('chatglm_llm_fintech_raw_dataset', split='train', use_streaming=True, stream_batch_size=1)
for item in ds:
print(item)
# 加载结果示例（单条，pdf:FILE字段值为该pdf文件本地缓存路径，文件名做了SHA转码，可以直接打开）
{'name': ['2020-03-24__北京鼎汉技术集团股份有限公司__300011__鼎汉技术__2019年__年度报告.pdf'], 'pdf:FILE': ['~/.cache/modelscope/hub/datasets/modelscope/chatglm_llm_fintech_raw_dataset/master/data_files/430da7c46fb80d4d095a57b4fb223258ffa1afe8bf53d0484e3f2650f5904b5c']}
# 备注:
1. 自定义缓存路径，可以自行设置cache_dir参数，即 MsDataset.load(..., cache_dir='/to/your/path')
2. 补充数据加载（从9493条增加到11588条），sdk加载注意事项
a) 删除缓存中的csv映射文件(默认路径为)： ~/.cache/modelscope/hub/datasets/modelscope/chatglm_llm_fintech_raw_dataset/master/data_files/732dc4f3b18fc52380371636931af4c8
b) 使用MsDataset.load(...) 加载，默认会reuse已下载过的文件，不会重复下载。
Hinweis: Konvertieren Sie PDF-Dateien zur einfachen Wiederverwendung in eine TXT-Formatdatei (eine Datei ist beschädigt, daher ist die Gesamtzahl um 1 kleiner als bei PDF, insgesamt 11587).
# Linux
wget https://sail-moe.oss-cn-hangzhou.aliyuncs.com/open_data/hackathon_chatglm_fintech/alltxt.zip
# Windows示例
Invoke-WebRequest -Uri https://sail-moe.oss-cn-hangzhou.aliyuncs.com/open_data/hackathon_chatglm_fintech/alltxt.zip -OutFile D:\alltxt.zip
Hinweis: Konvertieren Sie PDF-Dateien zur einfachen Wiederverwendung in HTML-Formatdateien (eine Datei ist beschädigt, daher ist die Gesamtzahl kleiner als PDF, insgesamt 11582).
# Linux
wget https://sail-moe.oss-cn-hangzhou.aliyuncs.com/open_data/hackathon_chatglm_fintech/allhtml.zip
# Windows示例
Invoke-WebRequest -Uri https://sail-moe.oss-cn-hangzhou.aliyuncs.com/open_data/hackathon_chatglm_fintech/allhtml.zip -OutFile D:\allhtml.zip
Hier sind unsere empfohlenen Schritte:
1. PDF-Text- und Tabellenextraktion: Sie können Toolkits wie pdfplumber und pdfminer verwenden, um Text- und Tabellendaten aus PDF-Dateien zu extrahieren.
2. Datensegmentierung: Entsprechend den Verzeichnis-, Unterverzeichnis- und Kapitelinformationen der PDF-Datei wird der Inhalt genau segmentiert.
3. Erstellen Sie eine grundlegende Finanzdatenbank: Entwerfen Sie professionelle Finanzdatenbankfelder und -formate basierend auf Finanzwissen und PDF-Inhalten. Definieren Sie beispielsweise die Bilanz, die Kapitalflussrechnung, die Gewinn- und Verlustrechnung usw.
4. Informationsextraktion: Nutzen Sie die Informationsextraktionsfunktionen großer Modelle und der NLP-Technologie, um entsprechende Finanzfeldinformationen zu extrahieren. Verwenden Sie beispielsweise den JSON-Modus, um den Inhalt des Verzeichnisses auszugeben, wobei der Name des Kapitels als Schlüssel und die Seitenzahl als Wert verwendet wird. Bitte extrahieren Sie gleichzeitig die Daten in der Tabelle detailliert und geben Sie sie im JSON-Format aus.
5. Erstellen Sie eine Frage- und Antwortbibliothek für Finanzwissen: Wenden Sie in Kombination mit der erstellten Finanzdatenbank große Modelle an, um eine grundlegende Frage- und Antwortbibliothek für Finanzwissen aufzubauen. Zum Beispiel,
{"question"："某公司2021年的财务费用为多少元？", "answer": "某公司2021年的财务费用为XXXX元。"}
prompt:用多种句式修改question及answer的内容。
{"question":"为什么财务费用可以是负的？", "answer": ""}
prompt：请模仿上面的question给出100个类似的问题与对应的答案，用json输出。
6. Erstellen Sie eine Vektorbibliothek: Mithilfe von Technologien wie Word2Vec und Text2Vec werden semantische Vektoren aus Originaltextdaten extrahiert. Verwenden Sie pgvector, eine PostgreSQL-basierte Erweiterung, um diese Vektoren zu speichern und zu indizieren und eine umfangreiche Vektorbibliothek aufzubauen, die effizient abgefragt werden kann.
7. Anwendung: Kombiniert mit Vektorbibliotheken, großen Modellen, Langchain und anderen Tools zur Verbesserung der Anwendungseffekte.
Bei der SMP 2023 ChatGLM Financial Large Model Challenge haben wir die Vorrunde, das Halbfinale A, das Halbfinale B und das Halbfinale C durchgeführt. Für diese Wettbewerbsrunden haben wir relevante Daten mit insgesamt 10.000 Einsendungen manuell mit Anmerkungen versehen.
Datenbeispiel:
{ "ID" : 1 ,
"question" : "2019年中国工商银行财务费用是多少元?" ,
"answer" : "2019年中国工商银行财务费用是12345678.9元。" }
{ "ID" : 2 ,
"question" : "工商银行2019年营业外支出和营业外收入分别是多少元?" ,
"answer" : "工商银行2019年营业外支出为12345678.9元，营业外收入为2345678.9元。" }
{ "ID" : 3 ,
"question" : "中国工商银行2021年净利润增长率是多少?保留2位小数。" ,
"answer" : "中国工商银行2020年净利润为12345678.90元，2021年净利润为22345678.90元，根据公式，净利润增长率=(净利润-上年净利润)/上年净利润，得出结果中国工商银行2021年净利润增长率81.00%。" }Gleichzeitig haben wir auch den Bewertungscode für den Wettbewerb geschrieben. Wir setzen auf:
Auswertungsbeispiel:
{ "question" : "2019年中国工商银行财务费用是多少元?" ,
"prompt" : { "财务费用" : "12345678.9元" , "key_word" : "财务费用、2019" , "prom_answer" : "12345678.9元" },
"answer" : [
"2019年中国工商银行财务费用是12345678.9元。" ,
"2019年工商银行财务费用是12345678.9元。" ,
"中国工商银行2019年的财务费用是12345678.9元。" ]
}Beispiel für eine Bewertungsberechnung:
Antwort 1: Die finanziellen Aufwendungen der ICBC beliefen sich im Jahr 2019 auf 123.456.78,9 Yuan.
ähnlichste Sätze:
Die finanziellen Aufwendungen der ICBC beliefen sich im Jahr 2019 auf 12345678,9 Yuan. (Punktzahl: 0,9915)
Die Finanzaufwendungen der Industrial and Commercial Bank of China beliefen sich im Jahr 2019 auf 12345678,9 Yuan. (Punktzahl: 0,9820)
Die Finanzaufwendungen der Industrial and Commercial Bank of China beliefen sich im Jahr 2019 auf 12345678,9 Yuan. (Punktzahl: 0,9720)
Bewertung: 0,25+0,25+0,9915*0,5=0,9958 Punkte.
Bewertungserklärung: prom_answer ist korrekt, enthält alle Schlüsselwörter und hat die höchste Ähnlichkeit von 0,9915.
Antwort 2: Die finanziellen Aufwendungen der ICBC im Jahr 2019 belaufen sich auf 335.768,91 Yuan.
Bewertung: 0 Punkte.
Bewertungserklärung: Prom_answer-Fehler werden nicht bewertet.
Antwort drei: 12345678,9 Yuan.
ähnlichste Sätze:
Die finanziellen Aufwendungen der ICBC beliefen sich im Jahr 2019 auf 12345678,9 Yuan. (Punktzahl: 0,6488)
Die Finanzaufwendungen der Industrial and Commercial Bank of China beliefen sich im Jahr 2019 auf 12345678,9 Yuan. (Punktzahl: 0,6409)
Die Finanzaufwendungen der Industrial and Commercial Bank of China beliefen sich im Jahr 2019 auf 12345678,9 Yuan. (Punktzahl: 0,6191)
Bewertung: 0,25+0+0,6488*0,5=0,5744 Punkte.
Bewertungserklärung: prom_answer ist korrekt, enthält nicht alle Schlüsselwörter und hat die höchste Ähnlichkeit von 0,6488.
{ "id" : 0 , "question" : "2021年其他流动资产第12高的是哪家上市公司？" , "answer" : "2021年其他流动资产第12高的公司是苏美达股份有限公司。" }
{ "id" : 1 , "question" : "注册地址在重庆的上市公司中，2021年营业收入大于5亿的有多少家？" , "answer" : "2021年注册在重庆，营业收入大于5亿的公司一共有4家。" }
{ "id" : 2 , "question" : "广东华特气体股份有限公司2021年的职工总人数为？" , "answer" : "2021年广东华特气体股份有限公司职工总人数是1044人。" }
{ "id" : 3 , "question" : "在保留两位小数的情况下，请计算出金钼股份2019年的流动负债比率" , "answer" : "2019金钼股份流动负债比率是61.10%。其中流动负债是1068418275.97元；总负债是1748627619.69元；" }
{ "id" : 4 , "question" : "2019年负债总金额最高的上市公司为？" , "answer" : "2019年负债合计最高的是上海汽车集团股份有限公司。" }
{ "id" : 5 , "question" : "2019年总资产最高的前五家上市公司是哪些家？" , "answer" : "2019年资产总计最高前五家是上海汽车集团股份有限公司、中远海运控股股份有限公司、国投电力控股股份有限公司、华域汽车系统股份有限公司、广州汽车集团股份有限公司。" }
{ "id" : 6 , "question" : "2020年营业收入最高的3家并且曾经在宁波注册的上市公司是？金额是？" , "answer" : "注册在宁波，2020年营业收入最高的3家是宁波均胜电子股份有限公司营业收入47889837616.15元；宁波建工股份有限公司营业收入19796854240.57元；宁波继峰汽车零部件股份有限公司营业收入15732749552.37元。" }
{ "id" : 7 , "question" : "注册地址在苏州的上市公司中，2020年利润总额大于5亿的有多少家？" , "answer" : "2020年注册在苏州，利润总额大于5亿的公司一共有2家。" }
{ "id" : 8 , "question" : "浙江运达风电股份有限公司在2019年的时候应收款项融资是多少元？" , "answer" : "2019年浙江运达风电股份有限公司应收款项融资是51086824.07元。" }
{ "id" : 9 , "question" : "神驰机电股份有限公司2020年的注册地址为？" , "answer" : "2020年神驰机电股份有限公司注册地址是重庆市北碚区童家溪镇同兴北路200号。" }
{ "id" : 10 , "question" : "2019年山东惠发食品股份有限公司营业外支出和营业外收入分别是多少元？" , "answer" : "2019年山东惠发食品股份有限公司营业外收入是1018122.97元；营业外支出是2513885.46元。" }
{ "id" : 11 , "question" : "福建广生堂药业股份有限公司2020年年报中提及的财务费用增长率具体是什么？" , "answer" : "2020福建广生堂药业股份有限公司财务费用增长率是34.33%。其中，财务费用是7766850.48元；上年财务费用是5781839.51元。" }
{ "id" : 12 , "question" : "华灿光电股份有限公司2021年的法定代表人与上年相比相同吗？" , "answer" : "不相同，华灿光电股份有限公司2020年法定代表人是俞信华，2021年法定代表人是郭瑾。" }
{ "id" : 13 , "question" : "请具体描述一下2020年仲景食品控股股东是否发生变更。" , "answer" : "2020年，仲景食品控股股东没有发生变更。" }
{ "id" : 14 , "question" : "什么是其他债权投资？" , "answer" : "其他债权投资是指企业或机构投资者通过购买债券、贷款、定期存款等金融产品获得的固定收益。这些金融产品通常由政府、公司或其他机构发行，具有一定的信用等级和风险。 n n其他债权投资是企业或机构投资组合中的一部分，通常用于稳定收益和分散风险。与股票投资相比，其他债权投资的风险较低，但收益也相对较低。 n n其他债权投资的管理和投资策略与其他资产类别类似，包括分散投资、风险控制、收益最大化等。然而，由于其他债权投资的种类繁多，其投资和管理也存在一定的特殊性。" }[PPT] [Video][Technische Dokumentation]
[PPT] [Video][Technische Dokumentation]
[PPT] [Video][Technische Dokumentation]
Im Folgenden sind die Teams und Einzelpersonen aufgeführt, die zu diesem Projekt beigetragen haben:
Das Open-Source-Projekt FinGLM dient ausschließlich gemeinnützigen Zwecken und alle Entwickler sind herzlich eingeladen, sich für die Teilnahme zu bewerben. Selbstverständlich werden wir eine strenge Prüfung durchführen. Bei Interesse füllen Sie bitte das Formular aus.
Die mit diesem Projekt verbundenen Ressourcen dienen ausschließlich der Forschung und Kommunikation und werden grundsätzlich nicht für die kommerzielle Nutzung empfohlen. Bei kommerzieller Nutzung tragen Sie bitte die damit verbundenen rechtlichen Risiken.
Wenn es um die kommerzielle Nutzung von Modellen geht, beachten Sie bitte unbedingt die Protokolle der entsprechenden Modelle, wie z. B. ChatGLM-6B.
