FinCoT: 将思维链植根于专家金融推理

本文介绍了 FinCoT，这是一种结构化思维链（CoT）提示方法，它融合了领域特定专家金融推理的见解，以指导大型语言模型的推理轨迹。我们研究了 FinNLP 中三种主要的提示风格：(1) 标准提示——零样本提示；(2) 非结构化 CoT——不带有明确推理结构（例如不使用标签）的 CoT 提示；以及 (3) 结构化 CoT 提示——带有明确指令或示例来定义结构化推理步骤的 CoT 提示。此前，FinNLP 主要侧重于标准或非结构化 CoT 提示的提示工程。然而，结构化 CoT 提示在现有工作中受到的关注有限。此外，结构化 CoT 提示中推理结构的设计通常基于非领域专家的启发式方法。在这项研究中，我们调查了 FinNLP 中的每种提示方法。我们评估了 CFA 风格的问题中三种主要提示风格和 FinCoT 在十个金融领域的表现。我们观察到，FinCoT 将性能从 63.2% 提高到 80.5%，Qwen-2.5-7B-Instruct 从 69.7% 提高到 74.2%，同时与结构化 CoT 提示相比，生成的标记减少了八倍。我们的研究结果表明，领域对齐的结构化提示不仅提高了性能并降低了推理成本，而且产生了更具可解释性且与专家对齐的推理轨迹。