利用大語言模型增強基本面分析：基於RAG的投資者簡報生成系統
這項研究探索了利用GPT-4o與檢索增強生成（RAG）技術自動生成基於公司報告、宏觀經濟數據和SEC文件的投資者簡報。系統對9家公司進行了為期4周的掃描，並由9名個人投資者評估其有效性。
一項新的研究深入探討了大型語言模型（LLM）在基本面分析中的應用，提出了一種基於檢索增強生成（RAG）的系統，可自動生成投資者簡報。該研究由Bartosz Ziółko和Kacper Dobrzeniewski完成，預印本發佈於arXiv平台（arXiv:2607.09121），涉及計算語言學、人工智能、投資組合管理及交易市場微觀結構等多個領域。
研究團隊利用OpenAI的GPT-4o模型，通過API接口將預處理後的數據輸入系統。數據來源包括公司的財務報告、宏觀經濟指標（如GDP增長率和通脹變化）以及美國證券交易委員會（SEC）的EDGAR數據庫中的監管文件。為了增強分析的針對性，團隊還基於基欽週期（Kitchin cycles）構建了一個示例性的投資者知識庫，幫助模型理解經濟週期對投資的潛在影響。
在為期4周的實驗中，系統持續掃描了9傢俱有代表性的公司，自動生成每日或每週的投資者簡報。這些簡報涵蓋了公司基本面變化、宏觀經濟事件以及監管文件中的關鍵信息。隨後，這些簡報被髮送給9名獨立的個人投資者，由他們評估該自動化分析方法在決策支持方面的實際價值。
初步結果表明，結合RAG的LLM能夠有效整合結構化與非結構化數據，生成具有深度和時效性的分析簡報。與傳統手工分析相比，這種方法大大縮短了信息處理時間，同時保持了較高的信息準確度。研究人員指出，未來可以進一步優化檢索策略，擴大數據源範圍，並探索多模態數據（如新聞、社交媒體情緒）的融合。
該研究的代碼和數據尚未公開，但論文中詳細描述了技術架構和評估流程。對於量化投資者和金融科技開發者而言，這項工作展示了一種將前沿AI技術應用於基本面分析的實際路徑，可能推動投資分析工具的智能化升級。