FinGPTオープンソース金融LLMの導入と活用ガイド

結論

FinGPTは、AI4Finance Foundationが開発したオープンソースの金融特化LLMである。BloombergGPTの学習コスト（推定100万ドル超）に対し、300ドル未満のファインチューニングコストで同等以上のベンチマーク性能を達成している。個人投資家やスタートアップがGPT-4等の商用APIに依存せず、自前の金融NLPモデルを構築する選択肢として有効。

FinGPTとは

FinGPTは、金融分野に特化したオープンソースLLMプロジェクトである。Llama 2、Falcon、MPTなどのオープンソースベースモデルを金融データでファインチューニングし、以下のタスクに対応する。

対応タスク

アーキテクチャ

[ベースモデル] → [金融データでLoRAファインチューニング] → [FinGPT]
     ↓                      ↓                              ↓
  Llama 2 7B/13B    ニュース、SEC Filing、       センチメント分析、
  Falcon 7B          決算レポート、SNSデータ       金融QA等に対応
  MPT 7B

システム要件

最小要件（推論のみ）

ファインチューニング要件

インストール・セットアップ

環境構築

# リポジトリのクローン
git clone https://github.com/AI4Finance-Foundation/FinGPT.git
cd FinGPT

# 仮想環境の作成
python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate

# 依存関係のインストール
pip install -r requirements.txt

# PyTorch（CUDA対応）のインストール
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

必要なライブラリ

pip install transformers>=4.34.0
pip install peft>=0.5.0  # LoRA/QLoRA用
pip install bitsandbytes>=0.41.0  # 量子化用
pip install datasets>=2.14.0
pip install accelerate>=0.23.0
pip install sentencepiece

事前学習済みモデルのダウンロード

from transformers import AutoModelForCausalLM, AutoTokenizer

# FinGPT-Forecastモデル（センチメント分析特化）
model_name = "FinGPT/fingpt-forecaster_dow30_llama2-7b_lora"

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    device_map="auto",
    torch_dtype="auto",
)

ファインチューニング方法

LoRA（Low-Rank Adaptation）

LoRAは、大規模モデルの一部のパラメータのみを学習することで、計算コストを大幅に削減する手法。

from peft import LoraConfig, get_peft_model, TaskType

# LoRA設定
lora_config = LoraConfig(
    r=8,  # LoRAのランク
    lora_alpha=16,
    target_modules=["q_proj", "v_proj"],  # 適用するモジュール
    lora_dropout=0.05,
    bias="none",
    task_type=TaskType.CAUSAL_LM,
)

# モデルにLoRAを適用
model = get_peft_model(model, lora_config)
model.print_trainable_parameters()
# 出力例: trainable params: 4,194,304 || all params: 6,742,609,920 || trainable%: 0.06%

QLoRA（Quantized LoRA）

QLoRAは4bit量子化とLoRAを組み合わせ、さらにメモリ使用量を削減する。

from transformers import BitsAndBytesConfig
import torch

# 4bit量子化設定
bnb_config = BitsAndBytesConfig(
    load_in_4bit=True,
    bnb_4bit_quant_type="nf4",
    bnb_4bit_compute_dtype=torch.bfloat16,
    bnb_4bit_use_double_quant=True,
)

# 量子化モデルの読み込み
model = AutoModelForCausalLM.from_pretrained(
    "meta-llama/Llama-2-7b-hf",
    quantization_config=bnb_config,
    device_map="auto",
)

# LoRAを適用
model = get_peft_model(model, lora_config)

学習の実行

from transformers import TrainingArguments, Trainer
from datasets import load_dataset

# 金融データセットの読み込み
dataset = load_dataset("FinGPT/fingpt-sentiment-train")

# 学習設定
training_args = TrainingArguments(
    output_dir="./fingpt-finetuned",
    num_train_epochs=3,
    per_device_train_batch_size=4,
    gradient_accumulation_steps=4,
    learning_rate=2e-4,
    fp16=True,
    logging_steps=10,
    save_strategy="epoch",
)

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=dataset["train"],
)

trainer.train()

センチメント分析の実装

基本的な使用例

def analyze_sentiment(text: str, model, tokenizer) -> dict:
    """金融ニュースのセンチメント分析"""
    prompt = f"""Analyze the sentiment of this financial news.
Output only: positive, negative, or neutral.

News: {text}
Sentiment:"""

    inputs = tokenizer(prompt, return_tensors="pt").to(model.device)

    with torch.no_grad():
        outputs = model.generate(
            **inputs,
            max_new_tokens=10,
            temperature=0.1,
            do_sample=False,
        )

    response = tokenizer.decode(outputs[0], skip_special_tokens=True)
    sentiment = response.split("Sentiment:")[-1].strip().lower()

    return {
        "text": text,
        "sentiment": sentiment,
        "confidence": 0.85,  # 実際は確率から算出
    }

# 使用例
news = "トヨタ自動車、2024年度決算で過去最高益を更新。EV戦略も順調に進展。"
result = analyze_sentiment(news, model, tokenizer)
print(result)
# {'text': '...', 'sentiment': 'positive', 'confidence': 0.85}

ベンチマーク精度比較

金融センチメント分析タスク（FPB, FiQA-SA, TFNS）での精度比較。

FinGPTは金融特化タスクにおいて、汎用LLMと同等以上の精度を達成している。

日本語金融テキストへの対応

現状

FinGPTの事前学習データは主に英語の金融テキストであり、日本語への対応は限定的。日本語で使用する場合は以下のアプローチが必要。

日本語対応のアプローチ

日本語ファインチューニング例

# 日本語金融ニュースデータセットの準備
japanese_data = [
    {"text": "日経平均株価が4万円台を回復", "label": "positive"},
    {"text": "円安が進行し輸出企業に追い風", "label": "positive"},
    {"text": "半導体不足で生産調整を発表", "label": "negative"},
]

# ELYZAベースでファインチューニング
model_name = "elyza/ELYZA-japanese-Llama-2-7b"
# ... LoRA設定と学習コードは同様

FinRLとの連携

FinRLは、同じAI4Finance Foundationが開発した強化学習ベースの自動売買フレームワーク。FinGPTと組み合わせることで、NLPベースのシグナル生成と強化学習ベースの売買判断を統合できる。

アーキテクチャ

[ニュース/SNS] → [FinGPT: センチメント分析] → [センチメントスコア]
                                                        ↓
[価格データ] → [テクニカル指標] ─────────────────→ [FinRL: 強化学習エージェント]
                                                        ↓
                                                [売買シグナル]

統合コード例

from finrl.agents.stablebaselines3.models import DRLAgent
import numpy as np

def integrate_sentiment_with_finrl(sentiment_scores: list, price_data: np.ndarray):
    """FinGPTのセンチメントスコアをFinRLの状態空間に追加"""

    # センチメントスコアを特徴量として追加
    enhanced_state = np.concatenate([
        price_data,  # OHLCV + テクニカル指標
        np.array(sentiment_scores).reshape(-1, 1),  # センチメント
    ], axis=1)

    return enhanced_state

# FinRLエージェントの学習
env = StockTradingEnv(enhanced_state)
agent = DRLAgent(env=env)
model = agent.get_model("ppo")
trained_model = agent.train_model(model, total_timesteps=100000)

ローカルGPU vs クラウドのコスト比較

推論コスト（月間10万クエリ想定）

ファインチューニングコスト比較

推奨構成

実践的な活用例

ニュースベースのアラートシステム

import asyncio
from datetime import datetime

async def news_alert_system(tickers: list[str]):
    """リアルタイムニュースセンチメントアラート"""

    while True:
        for ticker in tickers:
            # ニュース取得（実際はRSSやAPI）
            news = fetch_latest_news(ticker)

            for article in news:
                sentiment = analyze_sentiment(article["title"], model, tokenizer)

                # ネガティブニュースをアラート
                if sentiment["sentiment"] == "negative":
                    send_alert(
                        ticker=ticker,
                        headline=article["title"],
                        sentiment=sentiment,
                        timestamp=datetime.now(),
                    )

        await asyncio.sleep(60)  # 1分ごとにチェック

# 実行
asyncio.run(news_alert_system(["7203", "6758", "9984"]))

まとめ

FinGPTは、以下の条件に当てはまる場合に有効な選択肢となる。

参考リソース

• FinGPT GitHub
• FinRL GitHub
• FinGPT論文
• LoRA論文

---

免責事項: 本記事は情報提供を目的としており、投資助言ではありません。金融商品の取引は自己責任で行ってください。モデルの精度は学習データや市場環境により変動します。