Enhancing Financial Reasoning Models through Tool-Augmentation and Test-Time Compute (TTC) Techniques

Abstract

Este Trabajo Fin de Grado estudia si el uso de herramientas externas y las técnicas de Test-Time Compute (TTC) mejoran de forma significativa el rendimiento de modelos de razonamiento financiero especializado. Sobre el modelo base FinR1, se evaluaron dos estrategias complementarias: el uso de herramientas externas para acceder a datos de mercado reales y ejecutar cálculos deterministas, y un mecanismo de TTC que genera múltiples trayectorias de razonamiento candidatas y selecciona la más prometedora mediante un proceso de evaluación. Para implementar la primera estrategia, se desarrolló un protocolo ReAct desde cero. La validación empírica sobre el benchmark FinQA y 23 escenarios de inversión real sugiere que la arquitectura propuesta mejora la tasa de respuestas correctas del 27% en el modelo base al 78% en la configuración completa, con una reducción sustancial de los fallos operativos observados.

This Bachelor’s Thesis investigates whether the use of external tools and Test-Time Compute (TTC) techniques significantly improve the performance of specialised financial reasoning models. Using FinR1 as the base model, two complementary strategies were evaluated: the use of external tools to access real market data and execute deterministic calculations, and a TTC mechanism that generates multiple candidate reasoning trajectories and selects the most promising one through an evaluation process. To implement the first strategy, a custom ReAct protocol was developed from scratch. Empirical validation on the FinQA benchmark and 23 real-world investment scenarios suggests that the proposed architecture improves the correct response rate from 27% in the base model to 78% in the full configuration, with a substantial reduction in the operational failures observed.