








分享下最近刷到人大、武大和KAUST团队的一篇新工作,他们把目光投向了用AI全自动生成券商研报这个硬核任务。
目前的大模型虽然在金融问答、股价预测上挺厉害,但要让它从头到尾写一份专业的券商研报(ERR),基本还是空白。主要是缺高质量的训练数据,也缺一套靠谱的评价标准来衡量报告写得好不好。
针对这些问题,他们首次系统性地定义了“券商研报生成”这个任务,并开源了一整套解决方案叫FinRpt。
这项工作最主要的创新和贡献在于:
1. 为了解决“没米下锅”的问题,他们设计了一个数据构建流水线,能自动从公司公告、新闻、财报、股价等7种金融数据源里,整合出高质量的研报数据集FinRpt。这下训练和评测都有数据用了。
2. 他们搞了一套包含11个指标的全面评估体系,不只是看文本像不像,更关注财务数据准确性、逻辑性、投资建议合理性这些专业角度,让AI写的报告也能被专业地评估。
3. 最有意思的是他们提出的多智能体框架FinRpt-Gen。就像一个分析师团队,框架里有不同分工的AI Agent,有的负责提取信息,有的负责分析基本面,有的负责风险评估和预测,大家分工协作,最后写成一份完整的报告。团队还用了监督微调(SFT)和强化学习(RL)来训练这些Agent,让它们更专业。
实验结果显示,他们的数据集质量很高,评估体系也很有效。FinRpt-Gen框架的表现很亮眼,比单个大模型单打独斗的效果好多了,证明了这种“团队协作”模式的优越性。
这项工作可以说是为AI自动生成研报铺平了道路,开源的数据和框架可能会推动整个金融科技领域在这个方向上的发展,未来金融分析师的工作流可能真的要变了。代码和数据都开源了,感兴趣的可以去看看。
【论文主题】FinRpt: 面向券商研究报告生成的数据集、评估系统与多智能体框架
【论文arxiv链接】https://arxiv.org/pdf/2511.07322v1.pdf
#AI #LLM #Agent #FinTech #金融科技 #人工智能 #论文解读
目前的大模型虽然在金融问答、股价预测上挺厉害,但要让它从头到尾写一份专业的券商研报(ERR),基本还是空白。主要是缺高质量的训练数据,也缺一套靠谱的评价标准来衡量报告写得好不好。
针对这些问题,他们首次系统性地定义了“券商研报生成”这个任务,并开源了一整套解决方案叫FinRpt。
这项工作最主要的创新和贡献在于:
1. 为了解决“没米下锅”的问题,他们设计了一个数据构建流水线,能自动从公司公告、新闻、财报、股价等7种金融数据源里,整合出高质量的研报数据集FinRpt。这下训练和评测都有数据用了。
2. 他们搞了一套包含11个指标的全面评估体系,不只是看文本像不像,更关注财务数据准确性、逻辑性、投资建议合理性这些专业角度,让AI写的报告也能被专业地评估。
3. 最有意思的是他们提出的多智能体框架FinRpt-Gen。就像一个分析师团队,框架里有不同分工的AI Agent,有的负责提取信息,有的负责分析基本面,有的负责风险评估和预测,大家分工协作,最后写成一份完整的报告。团队还用了监督微调(SFT)和强化学习(RL)来训练这些Agent,让它们更专业。
实验结果显示,他们的数据集质量很高,评估体系也很有效。FinRpt-Gen框架的表现很亮眼,比单个大模型单打独斗的效果好多了,证明了这种“团队协作”模式的优越性。
这项工作可以说是为AI自动生成研报铺平了道路,开源的数据和框架可能会推动整个金融科技领域在这个方向上的发展,未来金融分析师的工作流可能真的要变了。代码和数据都开源了,感兴趣的可以去看看。
【论文主题】FinRpt: 面向券商研究报告生成的数据集、评估系统与多智能体框架
【论文arxiv链接】https://arxiv.org/pdf/2511.07322v1.pdf
#AI #LLM #Agent #FinTech #金融科技 #人工智能 #论文解读


