基于大语言模型和检索增强生成的金融新闻自动摘要：一项早期实证研究

乔治华盛顿大学2023年秋季项目测试了用LLM自动摘要金融新闻的可行性。他们构建管线，从News API、Wikipedia和Yahoo Finance获取数据，用模板将股票数据转为自然语言，测试了三种开源模型和GPT，以及两种摘要方法。结果Falcon-7B配合Summarize Chains效果最佳，RAG在小型模型中导致重复和幻觉，但两种方法均优于Lead-3基线，并构建了Streamlit仪表盘。

该研究在RAG金融工具普及前，实证检验了LLM自动摘要金融新闻的可靠性，揭示了小型模型在RAG下的幻觉和重复问题，为早期采用者提供了重要参考，表明自动摘要可减少人工阅读负担，但需谨慎处理幻觉风险。

LLM通过摘要链直接处理新闻文本，而RAG依赖FAISS检索相关文档，但小型模型如Falcon-7B在检索信息过多时难以整合，导致重复或幻觉。模板将数值数据转为自然语言，解决了LLM无法直接读表的问题。性能用ROUGE-1评估，显示LLM优于简单基线。

对金融信息产品而言，该研究表明使用小型开源模型可实现成本较低的自动摘要，但需避免RAG参数过大，以防幻觉。产品研发可借鉴其将股票数据转为文本的模板，以及用Streamlit构建交互式可视化，提升用户体验。

• 构建金融新闻摘要工具，采用Falcon-7B和Summarize Chains，以低成本实现高覆盖。
• 开发混合策略：对小型模型禁用RAG或限制k值，降低幻觉风险。
• 利用模板将财务数据转为文本，集成到摘要流程，实现更全面的新闻+数据整合。
• 基于Streamlit开发可视化仪表盘，让用户交互式查看摘要和股票数据。

• 该研究的实验结果是否能在更大规模数据上复现？
• RAG在大型模型（如GPT-4）上的幻觉问题是否同样严重？
• Falcon-7B的最佳表现是否依赖特定新闻领域或公司类型？
• 实际金融市场应用中，自动摘要对投资决策的准确性和及时性影响如何？