Augmenting Fundamental Analysis with Large Language Models: A RAG-Based System for Generating Investor Briefs

📄 arXiv: 2607.09121v1 📥 PDF

作者: Bartosz Ziółko, Kacper Dobrzeniewski

分类: cs.CL, cs.AI, q-fin.PM, q-fin.TR

发布日期: 2026-07-10

💡 一句话要点

提出基于RAG的系统以增强公司基本面分析

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 基本面分析 检索增强生成 投资者简报 数据分析 自动化

📋 核心要点

  1. 现有的基本面分析方法往往依赖于人工分析，效率低且容易受到主观因素影响。
  2. 本研究提出了一种基于RAG的系统，通过大型语言模型自动生成投资者简报，提高分析效率和准确性。
  3. 实验结果表明，使用LLM生成的简报在信息传递和决策支持方面得到了参与者的积极反馈，显示出该方法的实用性。

📝 摘要（中文）

本研究探讨了大型语言模型（LLMs）在公司基本面分析中的应用，特别是基于公司报告及宏观经济数据（如GDP和通胀变化）进行分析的机会。我们对这些数据进行了预处理，并通过API将其发送至gpt-4o模型，采用检索增强生成（RAG）模式。研究中还准备了一份基于基钦周期的投资者知识示例文档。我们对9家公司进行了为期4周的数据扫描，并利用LLM自动生成分析简报，随后将其发送给9位个人投资者以评估该方法的有效性。

🔬 方法详解

问题定义：本研究旨在解决传统基本面分析中效率低下和主观性强的问题。现有方法往往依赖人工分析，难以快速处理大量数据。

核心思路：通过引入大型语言模型（LLMs），结合检索增强生成（RAG）技术，实现对公司报告及宏观经济数据的自动化分析和简报生成，以提高分析的效率和准确性。

技术框架：整体架构包括数据预处理、API调用LLM模型、生成简报及反馈收集四个主要模块。数据预处理阶段负责清洗和格式化输入数据，API调用阶段则将处理后的数据发送至gpt-4o模型进行分析。

关键创新：本研究的创新点在于将RAG技术与LLMs结合，形成了一种新的分析框架，显著提升了数据处理的自动化程度和分析结果的质量。与传统方法相比，该方法能够更快速地生成高质量的投资分析简报。

关键设计：在模型设计中，采用了特定的参数设置以优化生成效果，并结合基钦周期的投资者知识文档作为背景信息，以增强生成简报的相关性和实用性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，使用LLM生成的投资简报在信息传递的清晰度和决策支持方面得到了参与者的积极评价。参与者普遍认为该方法提高了分析效率，且简报内容的相关性和实用性明显优于传统的人工分析方式。

🎯 应用场景

该研究的潜在应用领域包括金融分析、投资顾问服务和教育培训等。通过自动化生成投资分析简报，能够帮助投资者更快速地获取关键信息，提升决策效率。此外，该方法还可以扩展到其他领域的报告生成和数据分析中，具有广泛的实际价值和未来影响。

📄 摘要（原文）

In this study, we examine the opportunities brought by Large Language Models (LLMs) to various aspects of fundamental analysis of companies based on their reports as well as data and documents describing macroeconomic situation like GDP and inflation changes as well as documents filled to the U.S. Securities and Exchange Commission (SEC) which can be found in EDGAR. We were preprocessing those data and than sending via API to gpt-4o model in a Retrieval-Augmented Generation (RAG) like regime. We prepared as well a document describing an exemplar investor knowledge based on Kitchin cycles. We were scanning data important for analysis of 9 companies for 4 weeks. Using LLM we were producing automatic briefs about them. They were sent to nine participants who are individual investors to evaluate usefulness of such approach to data analysis.