具有冻结 LLM 和市场反馈自适应检索的时间点金融 RAG

金融检索增强生成（RAG）系统通常根据文本相关性对证据进行排名，但在金融市场中，证据效用取决于事件类型、预测范围和市场背景。我们将新闻触发的事件影响预测作为时间点金融 RAG 问题进行研究。对于每个公司新闻主播，系统都会检索金融新闻和 SEC 备案段落，附加决策前市场背景卡，并预测多范围剩余回报信号。我们的方法保持 LLM 冻结，并通过根据成熟的残差返回反馈更新的外部贝叶斯源存储器来适应检索。在源自 FinRL-DeepSeek/FNSPID 任务的固定 89 支纳斯达克股票宇宙中，使用原始 FNSPID 新闻和时间点 EDGAR 归档段落，与无内存的 Frozen Reader 相比，具有源内存的 Frozen Reader 将保留的宏观 F1 从 0.438 提高到 0.471，将下游投资组合 Sharpe 从 0.52 提高到 0.84。受监督的 LoRA 在静态检索下提供了适度的增益，但在源内存适应之后，LoRA 读取器并没有比冻结读取器有所改进。这些结果表明，对于金融 RAG 系统来说，学习在哪里检索与学习如何阅读一样重要，为市场反馈适应提供了模块化途径。