"想用大模型做量化信号，最容易踩的坑是'直接调 GPT API'——数据敏感、延迟高、费用不可控。FinGPT 把这条路改成'本地微调 + 离线推理'，信号生成成本几乎为 0。"
一句话：FinGPT 是开源的金融大语言模型，基于 LLaMA 微调、可本地部署、可再微调，把"新闻情绪 → 交易信号"这条 LLM 量化管道做成离线、免费、可控的一条线。
为什么量化要用 LLM
传统量化信号来自价格、成交量、基本面。但新闻 / 公告 / 研报 / 财报 里的信息传统上没人用，因为 NLP 门槛高。LLM 把这个门槛打下来了：
- 情绪信号：正面新闻 → 买，负面 → 卖（简单但有效，学术上有论文验证）
- 事件抽取：并购、财报发布、政策变化、高管变动 → 触发条件
- 实体识别：哪家公司、哪个行业、涉及金额
- 摘要：把 10 页研报压缩成 3 行喂给下游策略
FinGPT 能干什么
- 金融文本情感打分：输入新闻，输出 -1 到 +1 的情绪分
- 事件抽取：自动识别并购 / 财报 / 政策 / 诉讼 / 高管变动等事件类型
- 可微调：用 LoRA 在你自己的金融语料上微调（几千条就能显著提升）
- 本地部署：docker 一键起，不用调 API，数据不出本地
- 多语言：中文 / 英文金融文本都支持
适合谁
- 想把 NLP 信号接入量化策略的研究者：情绪因子、事件因子
- 需要"新闻情绪 → 交易信号"管道的团队：日级 / 周级批量打分
- 数据敏感、想本地跑 LLM 的机构 / 个人：金融数据不能出本地
- 想研究 LLM 在金融上能做什么的学术人群
关键数据
| 项目 | 情况 |
|---|---|
| 仓库 | AI4Finance-Foundation/FinGPT |
| 星标 | ~2.1 万（2026-10 实测） |
| 语言 | Python |
| 协议 | Apache-2.0 |
| 底座 | 基于 LLaMA 微调（7B / 13B 可选） |
| 微调方式 | LoRA / 全量微调 |
| 推理成本 | 本地 GPU（16G 显存起） |
上手 / 配置
最小流程（本地 GPU 16G 起）：
docker pull ai4fin/fingpt，起容器- 加载金融 LoRA 权重（官方提供中文 / 英文金融微调版）
- 输入新闻文本 → 拿情绪分 / 事件标签
- 接到你的策略里：情绪分 > 阈值 → 买，< 阈值 → 卖
- 用 vectorbt 回测情绪因子在历史上的表现
微调自己的数据（可选）：
1. 准备几千条金融新闻 + 情绪标签
2. 用 LoRA 微调（单卡 8G 显存 1 小时内）
3. 评估指标：分类准确率 + 下游回测夏普常见坑：
- 模型大小：7B 够用（情绪打分），13B 更好但显存要 24G
- 延迟：本地推理 1 条 ~ 1 秒，日级 1000 条新闻 ~ 半小时，周级批量建议夜间跑
- 数据质量：情绪标签质量决定模型质量，别用脏数据
一句话总结
FinGPT 把"LLM 做量化信号"从"调 API"改成了"本地免费"。情绪因子、事件因子是 LLM 在量化里最实用的两个方向，不是替代技术面，是补充一个全新的信号源。第一次试，先拿它给最近 30 天新闻打情绪分，看和你已有的技术面信号相关性——高就互补，低就叠加，都能用。