使用 o1 和 o3-mini 构建自主金融分析师
Endex 正在开发一个自主的 AI 分析师，该分析师使用 OpenAI 的推理模型来检索、综合和推理复杂的金融数据，超越简单的搜索结果，为投资专业人士提供结构化思考和深度分析。
金融工作流程中的精确性和推理
Endex 使用使用 OpenAI 推理模型的代理来替代传统的检索增强生成（RAG），这些代理能够反思数据、识别不一致并将指标置于上下文。这种方法确保了高风险金融决策所需的精确性，在这些决策中，遗漏 EBITDA 调整中的单个调整或“控制权变更条款”可能会显著改变投资前景。
自主代理可以处理财务报告、市场数据和公司特定知识来执行以下任务：
- 先例交易概览：总结过去的交易以作为当前机会的基准。
- 收益表现摘要：分析季度和年度结果。
- 投资委员会（IC）备忘录准备：起草投资决策的核心文档。
- 数据室尽职调查：审查机密文件以评估风险和机会。
这些代理可以输出电子邮件、文档、Excel 模型和幻灯片等格式，使分析师能够将结论追溯到其原始来源。
技术性能和自动化收益
集成 OpenAI 的 o 系列模型使 Endex 能够在几个关键领域实现更高的准确性和效率：
多步金融推理
OpenAI o1 简化了复杂金融推理的过程。以前，Endex 依赖于链式完成和多个验证步骤；o1 固有的推理能力允许在不牺牲准确性的情况下实现更精简的工作流程。
延迟和效率
通过使用 OpenAI o3-mini，Endex 将每轮延迟降低到了之前水平的三分之一。这种效率使得分析机密信息包（CIPs）和自动化金融模型对账所需的详细多步工作流程成为可能。
AI 驱动的交叉检查
代理现在可以识别财务数据中的差异，例如标注脚注中的重述并通过有针对性的引用浮现不一致之处，从而减轻了人类分析师的手动验证负担。
多模态分析
使用 Finance Agent Retrieval (FAR) 基准来衡量表格和图表数据的上下文使用情况，Endex 利用 o1 的视觉能力来处理投资者演示文稿、内部幻灯片、8-K 文件和 Excel 模型。
评估与模型优化
Endex 与 OpenAI 合作开发了一个严格的评估和测试框架，以跟踪诸如响应延迟、首个 token 生成时间和推理深度等指标。
该框架的主要发现包括：
- 专家偏好：在盲测用户测试中，金融专家有 70% 的时间更倾向于选择由 OpenAI 的 o1 模型生成的响应，而不是非推理模型。
- 强化学习：Endex 对 GPT-4o mini 和 o1 系列进行了强化微调，以提高实体抽取和查询意图映射，特别是针对如先例交易分析这样的研究密集型任务。
"我们与 OpenAI 的合作解锁了工具，以定制模型行为以符合专业人士对推理和输出风格的期待。" 说 Pratham Soni，Endex 联合创始人。