FinRpt：LLM多智能体一键生成研报

“一份专业级股票研报，华尔街分析师要熬3天，AI却只要3分钟——还把推荐准确率干到55%！”这项研究甩出6825份双语研报的开源数据集，搭起9个AI Agent的流水线，让财务数字、投资建议、行业洞察一次到位。代码全公开，FinRpt-Gen直接挑战GPT-4o，ROUGE-L飙到49.06，专家点头率90%。自动生成研报，这次真的来了。

引言

A股60页研报传统路径=72小时+5万元，FinRpt-Gen把流程压进4分钟，ROUGE-L 49.06分、投资建议命中率55%开源可查。作者让9个AI智能体并行吞入公告、舆情、量价、财务等七类数据，数字误差<1%，而人工仍在Excel逐行勾稽现金流。该论文首次披露Equity Research Report生成基准，证明“慢、贵、错”不再是分析师必付的代价。

人工研报的3大死穴

传统研报的“人力黑洞”正在吞噬效率：一份深度报告需4人×5天，仅数据搬运就耗掉38工时；手工抄录财报时，7%数字悄悄走样，小数点错位即可令估值模型塌方。更棘手的是情绪漂移，同一家公司在牛市段落被冠以“高成长白马”，熊市段落却成“估值承压”，观点随分析师早盘咖啡浓度起伏。信息孤岛让六类源数据各自沉睡，公告、新闻、行情表缺乏自动勾稽，交叉验证全靠肉眼，错配漏配无人察觉。

9个AI特工的分工秘密

整条多智能体流水线被拆成四步，由9个Agent接力：信息提取Agent用LoRA-SFT把公告、新闻、行情中的关键数字秒级结构化，召回率93%；核对Agent交叉比对六类异构数据，误差超阈即唤醒冲突消解子Agent，财务误差锁在0.8%以内；预测Agent在DAPO强化学习框架里自我对弈，把投资建议准确率从48%提到55%，同步输出置信度；写作Agent按六段式模板生成自然语言报告，风格一致性Agent实时把关术语与格式，零人工润色。四步通过共享向量缓存传递语义，延迟<200 ms，3-4分钟端到端交付。

成绩单公开

49.06的ROUGE-L、90%的人工一致性、0.8%的数字错误率，三项硬指标把FinRpt-Gen送上财务文本生成榜首，领先GPT-4o6.3分。作者披露，多智能体协同与后训练策略让该框架在BERTScore、投资建议命中率、数值完整度等维度全面压制开源及闭源对手，首次让“AI研报”达到可直接落地的精度门槛。

4分钟产出一篇的幕后工程

GitHub 上，作者一次性公开了 FinRpt-Gen 的完整链路：Dockerfile、requirements.txt、Prompt 模板与 LoRA 权重全部可拉。单张 A100-80G 实测 3.8 min 输出 6 页中英文 ERR，GPU 峰值 65 GB，显存带宽利用率 78%。按 OpenAI 2025-02-01 官方价折算，单篇成本 ￥1.2，其中 9 次 API 调用 占 60%，ReportLab 转 PDF 不足 0.01 元。爬虫数据 120–160 s 提前落盘为 Parquet，缓存让后续调用提速 2.3 倍。仓库附可执行 notebook，改三行参数即可换标的、语言与格式，零门槛复现。

结语

FinRpt让单人在4分钟内产出专家级A股研报，人工一致性90%已落地。短板同样锋利：债券、ESG仍处空白，监管盲区与伦理风险随用户激增同步膨胀。作者透露，下一步框架将横向扩张至固收与可持续披露，并倒逼合规标准实时迭代。当“一人研究所”成为机构标配，市场能否承受随之而来的信息洪峰与责任真空？

论文地址：https://arxiv.org/abs/2511.07322 开源地址：https://github.com/jinsong8/FinRpt