Badacze opublikowali FinLLM-KG, model-agnostyczny framework, który łączy przyczynowe modele językowe z grafami wiedzy finansowej. Innowacyjny aspekt rozwiązania polega na tym, że umożliwia ono wstrzyknięcie tymczasowo ugruntowanej wiedzy na poziomie firmy pochodzące z dokumentów SEC 10-K w momencie wnioskowania, bez konieczności aktualizacji wag modelu.
Framework dostarcza kontekst jako profil firmy w języku naturalnym lub jako zbiór faktów z grafu wiedzy, uszeregowanych względem istotności. To pozwala przewidywaniom nastrojów uwzględnić szersze informacje na poziomie firmy, a nie tylko zawartość pojedynczego artykułu. Kluczową zaletą jest przezroczystość - każdy wynik sentymentu jest przypisywany do konkretnych zdań w artykule i konkretnych faktów z grafu wiedzy, co czyni dowody stojące za prognozą inspektowalne i wspiera człowieka w pętli recenzji.
Simulacje wykazały, że FinLLM-KG konsekwentnie poprawia wydajność portfela względem obecnych rozwiązań, działając przy niemal zerowych kosztach obliczeniowych. Podejście ma znaczenie dla handlu algorytmicznego, gdzie przejrzystość decyzji i uwzględnienie szerszego kontekstu firmy są kluczowe dla zaangażowania w wysokostawkowe decyzje finansowe.