Automated Summarization of Financial News Using Large Language Models and Retrieval-Augmented Generation: An Early Empirical Study (Fall 2023): 用 LLM 处理海量财经资讯

股票分析师的一天通常从几百条公司新闻开始。这些内容分散在多个平台，读一遍不现实，跳过去又怕漏掉影响判断的关键信息。乔治华盛顿大学 2023 年秋季的一篇 arXiv 论文，试图回答一个很实际的问题：大语言模型能不能替人把这活干了？

一个由公开数据搭起来的实验

研究的路子并不复杂，但每一步都踩在真实场景上。他们用 News API 抓取上市公司新闻，从 Wikipedia 取公司背景，再拉取 Yahoo Finance 的股价数据，覆盖了 AAPL、MSFT、GOOGL、AMZN 等十家大型公司。

一个细节值得留意：LLM 本身不擅长直接处理数字表格。研究者写了一个简单的模板，把股价涨跌、成交区间等数据转换成自然语言描述，再喂给模型。这个思路很务实，等于是给模型铺了一条理解数值信息的捷径。

两类摘要流程，三个开源模型

实验对比了两种摘要组织方式：Summarize Chains（按顺序逐条摘要并汇总）和 检索增强生成（RAG），后者用 FAISS 做向量检索。模型方面则选了三款开源模型——Falcon-7B-Instruct、DistilBART-CNN-12-6 和 BART-Large-XSum，股票摘要另用 GPT-3（text-davinci-003）生成。

结果很清楚：Falcon-7B 配合 Summarize Chains 效果最好，事件覆盖准确，文字也连贯。相比之下，RAG 在理论上很有吸引力，实际跑起来却暴露了明显缺陷——当检索数量 k 增大时，Falcon 出现严重重复，BART-Large-XSum 甚至开始编造事实。这种幻觉现象在小模型上尤其明显。

RAG 原本是想给模型提供更多上下文，结果反而是“喂太多”把模型带偏了。

一个被反复验证的教训

论文还做了一个基础对照：直接取新闻前几句的 Lead-3 基线。结果显示，两种 LLM 方法在 ROUGE-1 指标上都明显压过基线，说明即便存在幻觉问题，大模型自动摘要仍然比“截取开头”更接近人工总结。

这个研究的价值不在于展示了多惊艳的准确性，而在于它记录了失败模式。论文写于 2023 年，那时 RAG 在金融场景还没有普及，但之后大量金融摘要工具都走了类似路线。“检索越多，幻觉越重”这个现象，对今天仍在用中小模型做 RAG 的开发者来说依然有参考意义。

值得关注的几个要点

• 模型越大不一定是关键，流程设计（如 Summarize Chains）对结果影响更直接。
• RAG 的检索数量需要谨慎调参，盲目增加上下文反而可能降低输出质量。
• 把结构化数据预处理成自然语言模板，是让 LLM 理解金融数据的有效手段。

论文还附带了一个 Streamlit 仪表盘，用于交互式股票数据可视化。虽然这更像是研究配套，但说明实验整体把“可用性”也考虑进去了。作为 2023 年的早期实证，它倒是给后来者留下了一组相当诚实的试验记录。