发帖
雷达卡
大A已超过4000点，现在来看看“股票研究报告（ERR）自动生成”的输入输出如下：
输入：提供公司股票代码（s）和研究日期（t），自动收集6类结构化/非结构化数据，形成输入集合S=[O, F, A, N, P, M]
- O：公司基本信息（例如行业分类、市场定位）
- F：财务指标（包括利润表、资产负债表、现金流量表）
- A：公司公告（例如董事会决议、季度报告等）
- N：公司相关新闻（经过筛选去除重复）
- P：历史股价数据
- M：市场指数（例如沪深300）
输出：符合行业标准的ERR报告，包含6个主要部分：财务分析（R_fin）、新闻分析（R_news）、经营发展分析（R_manage）、风险分析（R_risk）、投资潜力评估（R_invest）、推荐评级（R_rec，买入/卖出）
方法涵盖数据集构建、多智能体框架设计、模型训练优化三个主要部分，接下来详细看看实现。
数据集构建-FinRpt数据集
为了支持模型训练和评估，论文设计了自动化数据集构建流程，主要包括3个步骤：
- 数据收集模块
数据来源：
范围：沪深800指数的800支股票，2024年9月3日至11月5日（共计10个分析日期，每间隔一周） - 数据筛选与生成
筛选规则：排除缺乏财务指标、新闻数量少于2条、公告摘要少于300字的低质量数据
报告生成：利用FinRpt-Gen框架（最初基于GPT-4o）自动生成ERR，形成原始样本（s, t, S, R） - 数据集增强模块
推荐评级校正：比较生成报告的R_rec与实际股价趋势，不一致时重新生成
专家报告校正：搜索东方财富网的专家报告，使GPT-4o参考这些报告来提高生成报告的准确性、逻辑性和专业风格
LLM润色：通过GPT-4o优化报告的可读性、连贯性和逻辑流畅度
最终数据集：6825条高质量ERR样本（包括中文和英文版本），按9:1:1比例分为训练集（5556）、验证集（617）、测试集（652）
FinRpt-Gen多智能体框架
鉴于ERR结构复杂、需要多维度分析的特点，设计了一个包含9个智能体的分层框架，分为3大模块协同工作：
- 信息提取模块（4个智能体）：从原始数据中提取关键信息
新闻提取智能体：根据新闻对股价的影响程度排序，选择Top10关键新闻
收入提取智能体：从利润表F中提取营业收入、净利润、每股收益（EPS）等核心指标
资产提取智能体：从资产负债表F中提取资产、负债、所有者权益等关键数据
现金提取智能体：从现金流量表F中提取经营活动、投资活动、筹资活动的现金流 - 分析模块（4个智能体）：生成ERR的主要分析部分
财务分析智能体：基于3个财务提取智能体的输出，总结公司的财务健康状况、盈利能力和现金流情况，生成R_fin
新闻分析智能体：基于Top10新闻，分析其对股票未来表现的影响，生成R_news
经营分析智能体：从公司公告A中提炼管理层策略和发展路径，生成R_manage
风险分析智能体：整合财务、新闻、经营分析的结果，识别主要风险（如政策风险、假冒风险），生成R_risk - 预测模块（1个智能体）：生成投资建议和评级
预测智能体：输入R_fin、R_news、R_risk，结合历史股价P和市场指数M，生成投资潜力评估（R_invest）和推荐评级（R_rec）
评级规则：如果预期股价涨幅超过沪深300指数，则评级为“买入”，否则为“卖出”
模型训练优化：SFT+RL
针对框架中的4个核心智能体（财务分析、新闻分析、经营分析、预测），采用“监督微调+强化学习”的两阶段训练：
- SFT学习专业分析模式
数据：使用FinRpt数据集中相应模块的标注样本（输入为提取模块的输出，输出为高质量的分析部分）
方法：采用LoRA（低秩适应）微调，仅更新低秩适配器参数Δθ，避免全面微调带来的高资源消耗
优化目标：最大化生成目标文本的似然概率
maxΔθ∑(X,Y)∈DdemologP(Y∣X;θ0+Δθ)
max _{\Delta \theta} \sum_{(X, Y) \in D_{demo }} log P\left(Y | X ; \theta_{0}+\Delta \theta\right) - 强化学习（RL）：优化投资预测准确性
针对对象：仅优化预测智能体（核心影响投资建议的有效性）
算法：采用DAPO（动态采样策略优化），基于PPO改进，确保训练的稳定性
奖励函数：综合评估推荐评级的准确性和投资分析的质量，权重分配为α=0.6（评级准确性）、β=0.2（ROUGE-1）、γ=0.2（ROUGE-L）
优化目标：最大化裁剪后的代理目标，防止策略更新幅度过大
五、评估系统：全面评估ERR生成质量
设计了包含“基础指标+LLM专业评估”的双重评估体系，确保评估的全面性和专业性：
1. 基本指标（5项）- 量化文本品质与预测精确度
完成度（Completion Rate）：生成报告是否遵循6章节格式标准
精确度（Accuracy）：推荐评级（Buy/Sell）的准确性
语义一致性（BERT Score/ROUGE-L）：与专家报告的语义匹配度
数字涵盖率（Number Rate）：生成报告中财务数字的密度（相对于专家报告）
2. LLM专业评估（6个方面）：评价金融专业水平
财务数字（FN）：财务数据的精确性和分析深度
新闻关联性（News）：新闻分析的相关性和完整性
公司/市场/行业见解（CMI）：对管理、市场趋势的理解
投资逻辑（Invest）：投资建议的合理性和论证的充分性
风险分析（Risk）：风险辨识的全面性
写作质量（Writing）：连贯性、易读性和逻辑一致性
评估方法：采用GPT-4o作为评判代理，通过pairwise比较各模型生成的报告，计算调整后的胜率（胜场数 + 0.5×平局数）/总样本量
实验表现
参考文献：FinRpt: Dataset, Evaluation System and LLM-based Multi-agent Framework for Equity Research Report Generation，https://arxiv.org/pdf/2511.07322v1
京公网安备 11010802022788号
