利用大语言模型增强基本面分析：基于RAG的投资者简报生成系统
这项研究探索了利用GPT-4o与检索增强生成（RAG）技术自动生成基于公司报告、宏观经济数据和SEC文件的投资者简报。系统对9家公司进行了为期4周的扫描，并由9名个人投资者评估其有效性。
一项新的研究深入探讨了大型语言模型（LLM）在基本面分析中的应用，提出了一种基于检索增强生成（RAG）的系统，可自动生成投资者简报。该研究由Bartosz Ziółko和Kacper Dobrzeniewski完成，预印本发布于arXiv平台（arXiv:2607.09121），涉及计算语言学、人工智能、投资组合管理及交易市场微观结构等多个领域。
研究团队利用OpenAI的GPT-4o模型，通过API接口将预处理后的数据输入系统。数据来源包括公司的财务报告、宏观经济指标（如GDP增长率和通胀变化）以及美国证券交易委员会（SEC）的EDGAR数据库中的监管文件。为了增强分析的针对性，团队还基于基钦周期（Kitchin cycles）构建了一个示例性的投资者知识库，帮助模型理解经济周期对投资的潜在影响。
在为期4周的实验中，系统持续扫描了9家具有代表性的公司，自动生成每日或每周的投资者简报。这些简报涵盖了公司基本面变化、宏观经济事件以及监管文件中的关键信息。随后，这些简报被发送给9名独立的个人投资者，由他们评估该自动化分析方法在决策支持方面的实际价值。
初步结果表明，结合RAG的LLM能够有效整合结构化与非结构化数据，生成具有深度和时效性的分析简报。与传统手工分析相比，这种方法大大缩短了信息处理时间，同时保持了较高的信息准确度。研究人员指出，未来可以进一步优化检索策略，扩大数据源范围，并探索多模态数据（如新闻、社交媒体情绪）的融合。
该研究的代码和数据尚未公开，但论文中详细描述了技术架构和评估流程。对于量化投资者和金融科技开发者而言，这项工作展示了一种将前沿AI技术应用于基本面分析的实际路径，可能推动投资分析工具的智能化升级。