跳转至

FinRobot 基于大语言模型的股票研究与估值框架

FinRobot：基于大语言模型的股票研究与估值框架

在当今日益复杂的金融市场中，想要实现高效的卖方证券研究，往往需要自动化工具的支持。然而，许多现有的AI方案只关注技术指标，且缺乏灵活的主观分析能力，难以满足实时适应新数据或准确评估风险的要求，也因此在投资实务中价值有限。

本文介绍的FinRobot，是首个专为股票研究设计的AI智能体框架。它采用多智能体Chain of Thought (CoT)系统，将定量与定性分析相结合，模拟人类分析师的全面推理过程。整体结构包括以下三大功能代理：

  1. Data-CoT Agent：整合多源数据，实现对财务报表、公司公告、第三方数据库等信息的全面抓取和中间摘要。
  2. Concept-CoT Agent：对关键财务指标与行业环境进行深入剖析，模拟人类分析师的研究思路，形成可执行的分析结论。
  3. Thesis-CoT Agent：最终将分析结果整合为投资建议报告，提供数据信息、估值指标及风险评估等综合判断。

与现有自动化研究平台（如CapitalCube、Wright Reports）不同，FinRobot兼具真实交易价值与机构级水准，对市场动向具备持续更新能力，并在风险评估上更贴近现实。该框架现已开源，地址为：https://github.com/AI4Finance-Foundation/FinRobot

关键词：AI-agent，Large Language Models，Equity Research，Financial Analysis，Chain of Thought

1. 引言

财务分析是金融服务行业的核心内容，影响着投资者的各类决策（Abarbanell and Bushee, 1997; Greenwald et al., 2004; Penman, 2010; Berman and Knight, 2013; Subramanyam, 2014）。在此之中，股票研究（equity research） 尤其重要，特别是在大型投行和券商的卖方研究部门中。传统研究报告通常需要分析师具备深度的量化建模与行业认知，但此过程往往费时费力。

随着人工智能（AI）和大语言模型（LLM） 的兴起（Medhat et al., 2014; Brown et al., 2020; Wu et al., 2023; Yang et al., 2023; Kim et al., 2024），金融领域开始探索自动化证券研究。然而，现有工具多侧重技术面或简单模型，忽略了专家判断与实质性定性分析的结合。本研究推出的FinRobot，通过多智能体和Chain of Thought机制，既结合了量化分析，又保留了主观判断的灵活性，可满足机构级的研究深度。

主要贡献：

  • 首个应用多Agent Chain of Thought(CoT)的AI证券研究框架：FinRobot将研究过程拆解为数据处理（Data-CoT）、概念分析（Concept-CoT）及研究报告（Thesis-CoT）三个层次，模拟人类分析师的思维链条。
  • 结合主观判断、实时数据与新评估指标：FinRobot具备实时数据接入与多维度的报告质量评估（Accuracy、Logicality、Storytelling）。
  • 开源平台推动金融AI民主化：FinRobot开放源代码，鼓励金融领域与AI社区的交流与协作。

2. 相关研究

2.1 LLM与金融应用

大语言模型（LLMs）因其对自然语言的强大理解和表达能力，在金融分析中逐渐发挥重要作用，包括情感分析（Medhat et al., 2014; Huang et al., 2023; Zhang et al., 2023）和市场预测（Henrique et al., 2019; Nabipour et al., 2020; Kumar et al., 2022; Jiang, 2021）等任务。然而，LLM往往缺乏实时数据与行业专门知识，难以应对高要求的实时证券研究。本项目则针对这一痛点展开研究。

2.2 AI智能体及Chain of Thought在金融分析中的应用

多智能体协作框架为金融分析带来了更高效的决策过程，如FinAgent (Zhang et al., 2024)与FinMem (Yu et al., 2023)等可利用实时行情数据辅助交易策略。与此同时，Chain-of-Thought（CoT）提示可以模拟人类的思考步骤，显著提升分析质量（Wei et al., 2022; Kim et al., 2024）。FinRobot正是在此基础上，针对卖方研究的需求设计了专门的CoT框架，实现了更全面的财务分析深度和灵活适应性。

3. 方法论

3.1 总体框架

下图1展示了FinRobot的多层CoT结构，使整个财务研究过程分为依次衔接的三个Agent层级，既增强了分析的专业度，也便于最终报告的逻辑和可读性。

  1. Data Processing Layer（Data-CoT Agent）
  2. 负责从SEC文件、财报电话会议、公司公告等多渠道抓取信息，并进行清洗、格式化与关键财务指标提炼。

  3. 该Agent可同时获取定量与定性数据，为后续的概念分析打下基础。

  4. Financial Concept Layer（Concept-CoT Agent）

  5. 将处理后的数据转化为可操作的财务概念和预测，包括营收增速、EBITDA趋势、市场定位等。

  6. 通过类似人类分析师的思考方式，来评估竞争格局、情绪因素及潜在风险。

  7. Equity Research Template Layer（Thesis-CoT Agent）

  8. 整合上述分析结果，输出完整的投资研究报告，包括投资论点、风险评估、估值模型及结论性投资评级（如买入/持有/卖出）。
  9. 该Agent采用卖方报告的专业模板，确保最终报告符合行业标准。

3.2 数据处理层

Data-CoT Agent聚合多渠道数据并进行预处理，保证信息的准确性和全面性。主要数据来源包括：

  • 数据库：Oceanbase、PostgreSQL等，用于存储结构化财务数据。
  • 非结构化文档：如PDF、DOCX、图片等，提取文本和关键信息。
  • 第三方接口：图表可视化配置、API实时数据获取等。
  • 互联网搜索：整合多维度市场资讯与行业动态。
  • 分布式文件存储：DFS、Minio等保证海量数据的高可用与鲁棒性。

此外，FinRobot针对SEC文件（10-K、10-Q等）和财报电话会议做精细的要点提取，包括营收、运营成本、SG&A等关键数值，以进一步计算营收增速、贡献利润、EBITDA及其利润率等（见下表）。这些指标是开展后续分析和估值的重要基石。

常见财务公式举例：

Formula Description
Revenue Growth = \((\text{Revenue}_{current} - \text{Revenue}_{previous}) / \text{Revenue}_{previous}\) 计算营收相对上期增长幅度
Contribution Profit = Revenue \(-\) Operating Expense 用于衡量运营成本扣除后的盈利能力
EBITDA Margin = $ \text{EBITDA} / \text{Revenue} $ EBITDA占营收比例，衡量运营效率
CAGR = \(((\text{EV}/\text{BV})^{1/n}-1)\times 100\) 复合年化增长率
Enterprise Multiple = $ \text{EV} / \text{EBITDA} $ 评估公司价值的常用估值倍数

3.3 Fin-Concept层

在Concept-CoT Agent中，FinRobot对上一步生成的财务指标进行进一步剖析，回答与投资逻辑密切相关的深层问题：

  • 营收预测：考虑历史增长、在手订单（backlog）、通胀及市场定价等要素，为企业设定乐观与保守两种增长情境。
  • EBITDA及利润率：通过扣除一次性项目，获得更真实的盈利水平，并与行业基准对比利润率趋势。
  • ROIC、WACC等关键指标：用于评估公司资本使用效率与资本成本，为DCF等估值模型提供支撑。
  • 财务问答：如公司相较同行的优势、外部环境对其盈利影响、以及后续年度的利润扩张潜力等。

3.4 研究报告层

Thesis-CoT Agent将上述分析结果以卖方研究报告的格式呈现，包括以下关键内容：

  • 投资论点：结合财务预测、行业态势，明确地给出买/卖/持有等投资评级。
  • 风险分析：罗列影响企业估值与增长的主要风险因素，帮助投资者平衡机会与挑战。
  • 估值与财务预测：包含未来数年的营收、EBITDA及利润率预期，使用DCF或P/E等模型给出目标价。
  • 竞争对手分析：通过与同行对比营收增速、毛利率、EBITDA与SG&A开支比等，判断目标公司在市场中的相对地位。

4. 实验

4.1 任务描述

FinRobot可适用于多行业的股票报告，本次以Waste Management, Inc.（北美废物管理与环保服务巨头）为示例。它对该公司财务表现、估值方法、风险点以及行业比较进行全面整理，并提供清晰的表格与图表辅助说明。更多详情见附录中完整的研究报告。

4.2 实现细节

  1. 数据处理（Data-CoT层）：收集了SEC文件、公司公告及历史财务数据等。
  2. 概念分析（Concept-CoT层）：采用分析师思路，回答关于盈利驱动、竞争格局和潜在风险的核心问题。
  3. 报告整合（Thesis-CoT层）：将上述要点写成正式研究报告风格，包含图表与摘要，便于投资者快速理解。

4.3 评估

4.3.1 专家评审

我们邀请了多位投行分析师对FinRobot生成的报告从准确度(Accuracy)、逻辑性(Logicality) 以及叙事能力(Storytelling) 三个维度进行0-10打分（表3提供详细标准）。在表2的结果可见，大多数评审对准确性均给出了9或10的高分，说明数字与分析十分可靠。逻辑性也获得了较高评价，但在少数评审眼中有些细微改进空间。叙事性整体表现良好，部分评审希望在可读性或故事性上再加强。

4.3.2 大模型评测

除专家外，我们也使用GPT-4来对报告进行相同维度的评分（见图3），结果与专家评审基本一致（图4展示其具体点评），也再度证明报告在数据精准、结构清晰与内容可读等方面获得多方认可。

4.3.3 稳定性测试

为验证FinRobot的稳定性，我们针对相同公司多次生成报告，并用GPT-4对每份报告做一致性评分，并与零样本、少样本及纯CoT提示下的结果对比，发现FinRobot在Accuracy、Logicality、Storytelling三方面表现始终优于其它提示模式（见图5），且波动较小，显示出报告输出的稳定可靠。

5. 结论

本文提出的FinRobot，利用多智能体Chain of Thought体系，将定量和定性分析完美融合，极大提升了AI在卖方证券研究中的实用价值。它拥有实时数据管线和专业风险评估能力，可输出准确详实且便于决策的研报。

展望未来，我们将进一步扩展FinRobot在不同行业与资产类型上的应用，例如覆盖更多标的、强化强化学习与情感分析等功能，以期为金融业提供更具多样化与创新性的研究工具。

关于LLMQuant

LLMQuant是由一群来自世界顶尖高校和量化金融从业人员组成的前沿社区，致力于探索人工智能（AI）与量化（Quant）领域的无限可能。我们的团队成员来自剑桥大学、牛津大学、哈佛大学、苏黎世联邦理工学院、北京大学、中科大等世界知名高校，外部顾问来自Microsoft、HSBC、Citadel、Man Group、Citi、Jump Trading、国内顶尖私募等一流企业。