ChatGLM3-6B在金融数据分析中的应用实践-平芜编程栈

ChatGLM3-6B在金融数据分析中的应用实践

金融行业每天都在产生海量的数据，从实时的市场行情、复杂的交易记录，到冗长的公司财报和研报。过去，分析这些数据需要分析师投入大量时间进行阅读、整理和计算，不仅效率低下，还容易因为人为因素出现疏漏。现在，随着像ChatGLM3-6B这样的开源大语言模型的出现，情况正在发生改变。

ChatGLM3-6B作为一个部署门槛低、对话流畅且功能强大的模型，它不仅能理解复杂的金融术语和逻辑，还能执行代码、调用工具，甚至扮演一个不知疲倦的分析助手。这篇文章，我们就来聊聊如何把ChatGLM3-6B实实在在地用在金融数据分析的几个典型场景里，看看它到底能帮我们解决哪些具体问题，以及怎么用代码来实现。

1. 为什么ChatGLM3-6B适合金融场景？

在深入具体应用之前，我们先简单看看ChatGLM3-6B的几个特点，这些特点让它特别适合处理金融数据。

首先，它的基础能力很强。在包括数学、推理、知识理解等多个维度的测试中，ChatGLM3-6B在同类尺寸的模型中表现突出。这意味着它能较好地理解金融数据背后的逻辑关系，比如计算复合增长率、理解财务比率之间的关联。

其次，它支持长文本对话。金融领域的报告、财报动辄几十页，ChatGLM3-6B-32K版本能处理更长的上下文，这对于一次性分析完整的文档非常关键。你不用担心因为文本太长而丢失重要信息。

最重要的是，它原生支持工具调用（Function Call）和代码执行（Code Interpreter）。这是它从“聊天机器人”升级为“分析助手”的核心。你可以让它直接调用一个函数去获取实时股价，或者写一段Python代码来计算一组股票的历史波动率，并把结果用图表展示出来。这种能力让静态的数据分析变得动态和可交互。

2. 场景一：智能财报摘要与问答

每年上市公司发布财报时，分析师和投资者都需要快速从上百页的PDF中提取关键信息：营收利润是多少？增长来自哪个业务板块？现金流状况如何？ChatGLM3-6B可以帮你自动化这个过程。

2.1 实现思路

基本的流程是：先将PDF财报文本提取出来，然后交给ChatGLM3-6B，让它根据我们的指令进行总结或回答特定问题。得益于其长文本理解能力，它可以把握全文的脉络。

2.2 代码示例

这里我们使用PyPDF2来读取PDF，并结合ChatGLM3-6B进行问答。假设我们已经部署好了模型API服务（例如使用其OpenAI格式的API）。

import PyPDF2 import requests import json # 1. 提取PDF文本 def extract_text_from_pdf(pdf_path): text = "" with open(pdf_path, 'rb') as file: reader = PyPDF2.PdfReader(file) for page in reader.pages: text += page.extract_text() + "\n" return text # 2. 调用ChatGLM3-6B API进行问答 def ask_chatglm(question, context): api_url = "http://localhost:8000/v1/chat/completions" # 假设本地部署的API headers = {"Content-Type": "application/json"} # 构建Prompt，将财报文本作为上下文 prompt = f"""请基于以下公司财报内容，回答问题。 财报内容： {context[:6000]} # 控制上下文长度，可根据模型版本调整 问题：{question} 请直接给出答案。""" data = { "model": "chatglm3-6b", "messages": [{"role": "user", "content": prompt}], "max_tokens": 500, "temperature": 0.1 # 降低随机性，让答案更确定 } try: response = requests.post(api_url, headers=headers, data=json.dumps(data)) result = response.json() return result['choices'][0]['message']['content'] except Exception as e: return f"请求出错：{e}" # 主程序 if __name__ == "__main__": pdf_path = "某公司_2023年年报.pdf" print("正在提取财报文本...") financial_report_text = extract_text_from_pdf(pdf_path) print(f"文本提取完成，共{len(financial_report_text)}字符。\n") # 示例问题 questions = [ "本公司2023年的营业收入和净利润是多少？", "营收增长最主要的驱动因素是哪个业务板块？", "报告期内经营活动产生的现金流量净额是多少？与净利润相比如何？" ] for q in questions: print(f"问题：{q}") answer = ask_chatglm(q, financial_report_text) print(f"回答：{answer}\n{'-'*50}")

效果怎么样？在实际测试中，对于结构清晰、数据明确的财报，模型能快速定位到关键数字和描述段落，并给出准确的摘要。这比人工翻阅PDF效率高出不止一个量级。当然，对于表格特别复杂或表述模糊的地方，可能需要更精细的Prompt设计或结合OCR表格识别技术。

3. 场景二：自动化市场动态监控与简报生成

金融市场的新闻、公告、社交媒体情绪瞬息万变。传统上，交易员或研究员需要盯着多个信息源。ChatGLM3-6B结合工具调用能力，可以作为一个自动化的信息聚合与初步分析中心。

3.1 实现思路

我们为ChatGLM3-6B定义几个“工具”：

获取实时股价：调用金融数据API（如雅虎财经、AKShare等）。
搜索最新新闻：调用新闻聚合API或爬虫（需遵守相关协议）。
生成摘要报告：利用模型自身的总结能力，将获取的信息整合成一段简洁的每日简报。

模型可以根据用户的指令（如“监控腾讯控股和茅台今天的情况”），自主决定调用哪个工具，获取数据，然后生成报告。

3.2 代码示例

这里展示一个简化的框架，使用模拟工具来演示ChatGLM3-6B的Function Call流程。

import json import requests # 模拟的工具函数 def get_stock_price(symbol): """模拟获取股票价格，实际应接入真实数据源""" mock_data = { "00700.HK": {"name": "腾讯控股", "price": 350.5, "change": "+1.2%"}, "600519.SH": {"name": "贵州茅台", "price": 1650.0, "change": "-0.5%"}, } return mock_data.get(symbol, {"error": "未找到该股票"}) def search_financial_news(keyword): """模拟搜索新闻，实际应接入新闻API""" return [ f"最新消息：{keyword}发布新季度财报，营收超预期。", f"市场分析：关于{keyword}的监管政策讨论升温。" ] # ChatGLM3-6B的API调用函数（支持工具调用） def chat_with_tools(user_query): api_url = "http://localhost:8000/v1/chat/completions" headers = {"Content-Type": "application/json"} # 定义可供模型调用的工具列表 tools = [ { "name": "get_stock_price", "description": "根据股票代码获取实时股价和涨跌幅", "parameters": { "type": "object", "properties": { "symbol": {"type": "string", "description": "股票代码，例如 00700.HK"} }, "required": ["symbol"] } }, { "name": "search_financial_news", "description": "根据关键词搜索相关金融新闻", "parameters": { "type": "object", "properties": { "keyword": {"type": "string", "description": "搜索关键词，如公司名、行业"} }, "required": ["keyword"] } } ] # 第一轮：发送用户请求和工具描述 data = { "model": "chatglm3-6b", "messages": [{"role": "user", "content": user_query}], "tools": tools, "tool_choice": "auto", # 让模型自主决定是否调用工具 } response = requests.post(api_url, headers=headers, data=json.dumps(data)) response_msg = response.json()['choices'][0]['message'] # 检查模型是否决定调用工具 if response_msg.get('tool_calls'): tool_call = response_msg['tool_calls'][0] func_name = tool_call['function']['name'] func_args = json.loads(tool_call['function']['arguments']) # 执行对应的工具函数 if func_name == "get_stock_price": result = get_stock_price(**func_args) elif func_name == "search_financial_news": result = search_financial_news(**func_args) else: result = {"error": "未知工具"} # 第二轮：将工具执行结果返回给模型，让它生成最终回答 messages = [ {"role": "user", "content": user_query}, response_msg, # 模型要求调用工具的消息 { "role": "tool", "content": json.dumps(result), "tool_call_id": tool_call['id'] } ] data = { "model": "chatglm3-6b", "messages": messages, } final_response = requests.post(api_url, headers=headers, data=json.dumps(data)) return final_response.json()['choices'][0]['message']['content'] else: # 模型没有调用工具，直接返回回答 return response_msg['content'] # 使用示例 if __name__ == "__main__": query = "请告诉我腾讯控股当前的股价，并搜索一下今天关于它的重要新闻。" print(f"用户提问：{query}") answer = chat_with_tools(query) print(f"助手回答：\n{answer}")

这个例子展示了模型如何“思考”：它先理解你的问题，发现需要股价和新闻两种信息，于是规划先调用get_stock_price工具，再调用search_financial_news工具（实际可能在一个对话轮次中请求多个工具），最后将两个工具返回的结果整合，生成一段通顺的答复。

4. 场景三：量化策略思路辅助与代码生成

量化研究员经常需要验证新的交易想法，这涉及到数据获取、指标计算、回测等一系列编程工作。ChatGLM3-6B的代码解释器（Code Interpreter）能力可以在这里大显身手。

4.1 实现思路

你可以用自然语言向模型描述一个策略思路，例如：“我想计算A股所有银行股过去一年的市盈率分位数，并找出当前市盈率处于历史最低10%的股票。” 模型可以理解你的需求，并生成相应的Python代码（使用pandas, akshare等库）来执行这个分析。你甚至可以在一个安全的沙盒环境中直接运行它生成的代码并查看结果。

4.2 代码示例

以下演示如何利用ChatGLM3-6B生成数据分析代码。请注意，在真实生产环境中执行模型生成的代码需格外谨慎，最好在隔离环境中进行。

def generate_analysis_code(task_description): """请求ChatGLM3-6B根据任务描述生成Python代码""" api_url = "http://localhost:8000/v1/chat/completions" headers = {"Content-Type": "application/json"} prompt = f"""你是一个专业的Python量化分析助手。请根据用户的需求，生成可直接运行的Python代码。 用户需求：{task_description} 要求： 1. 使用akshare库获取A股数据。 2. 代码应包含必要的注释。 3. 最终结果以清晰的格式打印出来。 请只输出代码，不要输出任何解释性文字。""" data = { "model": "chatglm3-6b", "messages": [{"role": "user", "content": prompt}], "max_tokens": 1000, "temperature": 0.1 } response = requests.post(api_url, headers=headers, data=json.dumps(data)) code = response.json()['choices'][0]['message']['content'] # 清理可能出现的代码块标记 code = code.replace("```python", "").replace("```", "").strip() return code # 使用示例 if __name__ == "__main__": task = "获取沪深300指数成分股列表，并计算其最近一个交易日的平均市盈率（PE, ttm）。" print("正在生成分析代码...") generated_code = generate_analysis_code(task) print("生成的代码如下：\n") print(generated_code) print("\n" + "="*50) # 重要提示：在实际应用中，此处应在一个安全的沙盒环境中评估和执行生成的代码。 # 例如，可以使用 `exec(generated_code, restricted_globals)` 在严格限制的环境下运行。 # 此处仅为展示，不直接执行。 # try: # exec(generated_code) # except Exception as e: # print(f"执行代码时出错：{e}")

模型可能会生成类似下面的代码：

import akshare as ak import pandas as pd # 获取沪深300成分股 stock_hs300_spot_df = ak.stock_hs300_spot_em() print("沪深300成分股数量：", len(stock_hs300_spot_df)) # 获取个股市盈率数据（这里以部分股票为例，实际需循环获取或使用批量接口） # 注意：akshare的市盈率接口可能更新，以下为示例逻辑 pe_list = [] for code in stock_hs300_spot_df['代码'].head(10): # 示例只取前10只 try: stock_zh_a_pe_ttm_df = ak.stock_zh_a_pe_ttm(symbol=code) latest_pe = stock_zh_a_pe_ttm_df.iloc[-1]['市盈率'] # 取最新数据 if pd.notna(latest_pe): pe_list.append(latest_pe) except: continue if pe_list: average_pe = sum(pe_list) / len(pe_list) print(f"成功获取{len(pe_list)}只股票的市盈率。") print(f"这些股票的平均市盈率(TTM)为：{average_pe:.2f}") else: print("未能获取市盈率数据。")

虽然生成的代码可能需要微调（比如处理网络错误、选择更合适的API），但它极大地缩短了从想法到原型代码的距离，让研究员能更专注于策略逻辑本身。

5. 实践经验与注意事项

在实际将ChatGLM3-6B应用于金融数据分析的几个月里，我们积累了一些经验，也踩过一些坑，这里分享给大家。

数据质量是天花板。模型的分析结果完全依赖于输入的数据。如果财报PDF解析乱了，或者API返回的股价数据有误，模型再聪明也得不出正确结论。所以，确保数据源可靠、数据清洗到位是第一步。

Prompt需要精心设计。金融问题往往很具体。与其问“分析这份财报”，不如问“请提取第三季度营业收入、毛利率，并与去年同期比较，分析增长原因”。清晰的指令能得到更高质量的回复。对于计算类任务，可以鼓励模型“一步步思考”，提升推理的准确性。

理解模型的局限性。ChatGLM3-6B毕竟不是万能的。它的训练数据有截止日期，对最新市场事件的了解可能滞后。它的数学计算能力虽然不错，但复杂金融建模（如蒙特卡洛模拟）仍需专用软件。最重要的是，它不能提供投资建议，所有输出都应视为辅助分析的参考，最终决策需要人类专业人士的审慎判断。

部署与成本考量。6B参数的模型在消费级GPU（如RTX 3090/4090）上即可流畅运行，也可以通过量化在更低的配置上使用。对于企业级应用，需要考虑API服务的稳定性、并发能力和安全审计。

6. 总结

回过头来看，ChatGLM3-6B给金融数据分析带来的最大价值，是充当了一个能力强大的“副驾驶”。它把我们从繁琐的信息搜集、基础计算和文档整理中解放出来，让我们能更聚焦于高层次的判断、策略和决策。

从智能解读财报、自动监控市场，到辅助生成量化代码，这些应用场景已经不再是概念，而是可以用开源技术栈逐步搭建起来的现实。整个过程中，最深的体会是，有效的应用不在于追求模型做所有事，而在于找到人与模型的最佳协作点——让模型处理它擅长的模式识别、信息整合和代码生成，让人来负责设定方向、验证结果和做出最终的价值判断。

如果你也在金融科技领域，不妨从一个小场景开始尝试，比如先用它来快速总结每天的行业新闻快报。你会发现，这个开源模型的潜力，远比想象中更贴近实际业务需求。