大模型生成金融研报实战

可视化演示

展示提示工程+RAG数据接入管道、JSON Schema结构化研报模板、合规校验与人工审核流程。切换模式探索AI如何自动生成专业金融研究报告。

LLM研报基础

开一家“智能研报厨房”是什么体验？主厨是一位厨艺登峰造极的大师，但他有个奇怪的设定：他的烹饪知识只更新到某个日期，之后的新菜式他一概不知。更特别的是，他不会尝味道，只会“看菜下锅”——你给他什么点菜单、什么食材，他就做什么菜。这位主厨，就是大语言模型（LLM）。

在金融研报这个“厨房”里，大模型不是数据库，而是一台“逐字预测机”。它的工作原理很朴素：看着已经写出来的文字，猜测下一个最可能出现的词。整份研报，就是这样一个字一个字“猜”出来的。这个“猜”的过程背后，是海量参数对“什么词该接什么词”的统计规律，就像主厨凭多年经验判断“清蒸之后该淋蒸鱼豉油”。

一份研报的生成流程因此清晰起来：先确定研究主题，把提示词和数据整理好，模型从“公司业绩”这样的小部件开始逐词展开，直到产出一份结构完整的报告。这个过程可以分解为四步：数据准备、提示设计、模型生成、结果校验。每一步都像厨房里的一个工位，缺一环都出不了菜。

明白了这一点，你就知道为什么提示词和数据决定研报质量了：主厨只按输入的菜单和食材“自由发挥”，他不会去查证任何事实。如果食材过期、菜单含糊，端上来的菜自然没法吃。接下来的任务，就是学会怎么备菜、怎么写菜单、怎么定摆盘。

提示词工程

假设你现在走进“智能研报厨房”，对主厨喊一句“随便炒个菜”。主厨确实会炒，但可能端出一盘番茄炒蛋——和你心里想的那道“红烧狮子头”差了十万八千里。提示词，就是给主厨的专业点菜单。写得好不好，直接决定这桌菜是不是你要的。

提示词工程，本质上是一份“结构化点菜单”，包含四个核心要素：角色设定、任务指令、示例示范、约束条件。角色设定告诉模型“你是一位拥有 10 年经验的卖方首席分析师”，这会激活它在训练中学过的金融分析表达方式；任务指令说清楚“写一篇 800 字的个股点评，包含业绩分析、估值判断和投资评级”；示例示范给出一两篇范文，模型会模仿其结构和语气；约束条件则明确“不得编造数据、必须标注风险提示”。

这四个要素不是越多越好，而是越“聚焦”越好。实践中，一份高质量的金融研报提示词通常在 200-500 字之间，把角色、任务、格式、风险边界写清楚就够了。写完之后还要用历史数据反复测试，像大厨试菜一样不断调整措辞，直到输出稳定达标。

回到厨房的比喻：同样的食材和灶台，一张“红烧狮子头，少糖多姜，摆盘配西兰花”的菜单，和一句“随便做”，端出来的是完全不同的菜。点菜单写清楚了，主厨的功夫才使得出来。

数据接入

主厨的记忆截止到去年，可今天餐桌上要写的是“今日茅台股价 1580 元”。他当然不知道，因为他脑子里只有训练截止日前的旧报价。怎么办？现买。数据接入，就是给“智能研报厨房”当天采购新鲜食材。

金融研报需要的数据大致有四类：实时行情（股价、指数、汇率）、财务数据（利润表、资产负债表）、公告新闻（重大事项、监管文件）、宏观指标（GDP、利率、CPI）。这些数据往往散落在不同的 API 和数据库里，接入后还要做清洗：去掉重复公告、校正字段单位、合并同一公司的多条记录，最后格式化成模型容易理解的 JSON 或表格。

这里有一个硬约束：上下文窗口。模型一次能“看到”的文字量有限，就像锅的容量有限。如果提示词占 1000 个 token、数据占 6000 个 token，那留给研报正文的空间就只剩（窗口减 7000）个 token。数据塞太多，报告会被截断；塞太少，主厨巧妇难为无米之炊。因此，数据接入的功夫在于“压缩提纯”：财务报表取关键科目，行情取收盘价和涨跌幅，宏观数据只保留最新一期。

食材的新鲜程度决定菜品的上限，食材的处理方式决定菜品的下限。把整筐土豆倒进锅里只会糊锅，挑几个匀称的、洗好切好，主厨才能做出像样的醋溜土豆丝。

报告模板设计

米其林餐厅的菜单不是大厨随手写的：前菜、主菜、甜点各有固定位置，一道菜的摆盘也必须统一。金融研报也一样，券商研报有约定俗成的章节顺序——公司概况、行业分析、财务表现、风险提示、盈利预测、投资评级，最后还有一段法务要求的免责声明。模板，就是这份“菜单版式”。

模板设计的原则是“骨架固定、内容填空”。我们把研报拆成 n 个章节，每个章节 s_i 是固定的标题和结构说明（比如“财务分析：用表格列出近三年营收、净利、毛利率，并给出 200 字解读”），而章节内容 c_i 则由模型根据对应数据实时填充。这样做有三个好处：输出稳定，十份报告结构一模一样，阅读者不会迷失；合规可控，风险提示、免责声明这种必填章节不会漏；下游可解析，固定格式可以直接转成 PDF 或导入内部系统。

在设计模板时，还可以要求模型输出结构化格式（如 JSON 或 Markdown），把“标题、结论、数据”分层组织。这样后续无论是渲染成网页研报，还是抽取评级做数据库归档，都极其方便。

摆盘版式定下来后，无论主厨今天做的是红烧肉还是清蒸鱼，装盘都是同一套青花瓷盘、同一处缀花的位置。客户吃惯了这家的规矩，自然产生信任。

质量保障

再厉害的主厨也有失手的时候，特别是食材短缺时，他可能顺手拿一块形状相似的豆腐冒充鱼肉。大模型也有这个毛病，而且更隐蔽：当它在训练数据里找不到答案时，它会“自信地编造”——编一个看起来极其合理的股价、增长率或评级。这个现象在行业内被称为“幻觉”。

幻觉在金融场景里是致命的。客户照着研报里的目标价下单，结果那个价格是模型编的，后果不堪设想。幻觉的产生主要有三个原因：第一，数据没有进入上下文，模型只能凭记忆“脑补”；第二，提示词含糊，模型理解错了任务；第三，模型本质是接着往下写“最通顺的话”，而不是查数据库。

质量保障体系的思路是“围堵”：输入端用数据约束和明确指令压低幻觉概率；输出端做结构化的事实验证——把报告里的数字与接入的真实数据逐一比对，超范围或冲突的标记出来；最后由人工分析师终审签字，这是金融合规的硬性要求。实践中可以用幻觉率来量化：统计一份报告中所有可验证的事实断言，计算其中错误的比例，目标通常控制在 5% 以下。

品控主管的职责就是“每一道菜上桌前亲自尝一口”。AI 负责把 80% 的活干完，但最后那 20% 的确认工作，必须交给人——这既是质量问题，也是合规问题。

工程实践

开一家厨房，光会炒菜不行，还得管采购预算、排班、成本核算。把大模型接入金融研报生产流程，同样要精打细算。API 按 token 计费，输入和输出的单价不同，通常输出更贵。一份 3000 token 的研报，加上提示词和数据，单次调用成本就可以精确推算出来。

成本优化的空间主要在输入侧：压缩数据、精简提示词、去除冗余示例，能把输入 token 砍掉一半以上；输出侧则通过模板控制长度、避免模型“废话连篇”。此外，同一批股票的月报可以共用一份宏观分析框架，相似请求做好缓存，也能显著省钱。

工程实践还包括工具链的搭建：用定时任务或工作流调度工具（如 Airflow）每天自动拉取数据、批量生成草稿；把提示词当代码管理，纳入版本库，每次改动都记录在案；建立评估集，用一批历史报告定期回测提示词效果，防止模型升级后输出风格漂移。最后是合规安全：客户数据要脱敏，模型调用要记录日志，敏感场景优先私有化部署。

一家能持续盈利的“智能研报厨房”，靠的不只是主厨高超的手艺，更是采购、备菜、品控、算账这一整套经营智慧。技术只是其中一环，流程和成本意识决定这家厨房能开多久。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""金融研报生成演示: 提示词工程 + 数据注入 + 模板输出.本脚本可在无 API Key 环境下运行, 用 MockLLM 模拟大模型生成研报摘要."""import jsonimport randomimport re  class MockLLM:    """模拟大模型: 从提示词中抽取股票数据, 拼装一份简短的研报摘要."""     def generate(self, prompt: str) -> str:        match = re.search(r'"name": "([^"]+)", "price": ([\d.]+)', prompt)        if match:            name = match.group(1)            price = float(match.group(2))        else:            name, price = "平安银行", 10.50        change = random.uniform(-5.0, 5.0)        target = price * (1 + change / 100)        pe = round(price / 1.50, 1)        lines = [            "【个股研报摘要】",            f"{name}当前股价为{price:.2f}元, 预计目标价{target:.2f}元,",            f"对应市盈率约{pe}倍, 建议评级: 增持.",            "风险提示: 本摘要由AI生成, 仅供研究参考, 不构成投资建议.",        ]        return "\n".join(lines)  class ReportGenerator:    """研报生成器: 负责构建提示词并调用模型生成报告."""     def __init__(self, model: MockLLM) -> None:        self.llm = model        self.prompt_template = """你是一位拥有10年经验的汽车行业首席分析师.请根据以下结构化数据撰写个股研报摘要:{data}要求:1. 包含当前股价, 目标价与投资评级;2. 只能使用给定数据, 禁止编造任何数字;3. 全文不超过120字, 必须包含风险提示."""     def build_prompt(self, stock: dict) -> str:        data_json = json.dumps(stock, ensure_ascii=False)        return self.prompt_template.format(data=data_json)     def generate_report(self, stock: dict) -> str:        prompt = self.build_prompt(stock)        return self.llm.generate(prompt)  def main() -> None:    stock = {"name": "比亚迪", "price": 245.30, "pe": 22.6}    generator = ReportGenerator(MockLLM())    report = generator.generate_report(stock)    print(report)    assert "评级" in report, "报告中缺少评级字段"    assert "风险提示" in report, "报告中缺少风险提示"  if __name__ == "__main__":    main()

1. self.prompt_template = """..."""提示词模板内置角色、任务和三条硬约束，研报质量的一半在这里决定。
2. data_json = json.dumps(stock, ensure_ascii=False)把股票数据转成 JSON 字符串，让模型“看得见”结构化的食材。
3. return self.prompt_template.format(data=data_json)将数据填充进模板占位符，完成“菜单 + 食材”的组装。
4. match = re.search(r'"name": "([^"]+)", "price": ([\d.]+)', prompt)模拟大模型从提示词中定位关键数据的过程。
5. target = price * (1 + change / 100)模拟预测目标价，真实场景中这一步由模型生成。
6. assert "风险提示" in report, ...用断言做最小合规检查，相当于品控主管的第一道把关。

常见误区

面试题