FinMem 是一个基于大语言模型的交易智能体研究项目，核心思想是给 LLM Agent 设计“分层记忆”和“角色特征”，让它像交易者一样持续吸收市场信息、历史表现、新闻事件和经验反馈，再把这些记忆转化为交易决策。项目公开了论文代码，并在 2024 年有学术更新和金融大模型挑战相关信息。

FinMem 的价值在于展示了 LLM Agent 在金融场景中如何处理连续信息，而不是只回答单次问题。金融决策往往依赖过去经验、近期事件、长期趋势和短期噪声，FinMem 试图用记忆结构来模拟这种层次化认知过程。

• LLM 交易智能体。
• 分层记忆结构：帮助智能体保留长期、短期和事件级信息。
• 角色设定：让智能体具备类似交易者的行为风格。
• 面向股票和基金等真实金融数据进行实验。

FinMem 适合学习“记忆”在金融智能体中的作用。银行从业者可以思考：客户经理助手是否也需要记住客户历史、产品偏好、风险事件和近期沟通；贷后预警助手是否需要记住企业过去异常、行业变化和最新舆情。它启发的是“有记忆的金融助手”设计，而不只是交易本身。

• LLM Agent 金融决策研究。
• 投研事件记忆和交易日志分析。
• 客户经营助手的长期记忆设计参考。
• 风险预警助手的历史事件记忆机制参考。

LLM 交易智能体仍处于研究阶段，不能直接用于真实投资。记忆机制可能放大错误信息，模型可能把偶然事件误认为规律。金融决策必须考虑风险预算、监管要求、交易限制和人工审批。