Automated Summarization of Financial News Using Large Language Models and Retrieval-Augmented Generation: An Early Empirical Study (Fall 2023)

📄 arXiv: 2608.19526v1 📥 PDF

作者: Pranav Chandaliya

分类: cs.CL, cs.AI, cs.IR

发布日期: 2026-08-20

备注: 17 pages, 1 figure, 6 tables. Research conducted Fall 2023 at George Washington University; manuscript prepared for public release in 2026

💡 一句话要点

利用大型语言模型和检索增强生成技术自动化金融新闻摘要

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 金融新闻摘要 大型语言模型 检索增强生成 自动化处理 投资决策支持

📋 核心要点

  1. 现有方法在处理大量金融新闻时效率低下，手动阅读和综合信息难以满足投资决策的需求。
  2. 本研究提出了一种基于大型语言模型的自动化摘要生成管道，结合检索增强生成技术，提高信息处理效率。
  3. 实验结果表明，Falcon-7B与Summarize Chains组合在ROUGE-1指标上优于简单的Lead-3基线，表现出色。

📝 摘要（中文）

股票市场分析师和投资者每天面临着大量金融新闻和有限时间的挑战。手动阅读和综合数百篇公司特定的文章是不切实际的，而遗漏关键信息可能直接影响投资决策。本研究探讨了大型语言模型（LLMs）是否能够可靠地自动化这一过程。我们构建了一个管道，从新闻API提取新闻文章，从维基百科获取公司背景，从Yahoo Finance获取十家主要公司的股票数据。由于LLMs无法直接处理数值表格，我们开发了一个有效的模板，将股票数据转换为自然语言叙述。我们测试了两种摘要方法，并在多个开源模型上进行了评估。结果显示，Falcon-7B与Summarize Chains组合表现最佳，准确且连贯地覆盖了所有新闻事件。

🔬 方法详解

问题定义：本论文旨在解决金融新闻信息过载的问题，现有手动处理方法效率低下，容易遗漏关键信息。

核心思路：通过构建一个自动化的摘要生成管道，利用大型语言模型和检索增强生成技术，来提高信息处理的效率和准确性。

技术框架：整体架构包括三个主要模块：从News API提取新闻文章，从维基百科获取公司背景，以及从Yahoo Finance获取股票数据。然后，使用模板将数值数据转换为自然语言叙述，最后进行摘要生成。

关键创新：最重要的技术创新在于结合了检索增强生成（RAG）和大型语言模型，尤其是开发了有效的模板来处理数值数据，解决了LLMs在处理表格数据时的局限性。

关键设计：在实验中，使用了Falcon-7B-Instruct、DistilBART-CNN-12-6和BART-Large-XSum等多个开源模型，并测试了Summarize Chains和RAG方法，发现Falcon-7B与Summarize Chains组合在准确性和连贯性上表现最佳。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，Falcon-7B与Summarize Chains组合在ROUGE-1指标上显著优于简单的Lead-3基线，展现出更高的准确性和连贯性。此外，RAG方法在较大k值时出现了严重的重复和事实幻觉问题，强调了模型选择的重要性。

🎯 应用场景

该研究的潜在应用领域包括金融分析、投资决策支持和新闻摘要生成等。通过自动化处理金融新闻，能够帮助分析师和投资者快速获取关键信息，提高决策效率，未来可能推动金融科技的发展。

📄 摘要（原文）

Stock market analysts and investors face a daily challenge: too much financial news, too little time. Manually reading and synthesizing hundreds of company-specific articles is impractical, yet missing key information can directly affect investment decisions. This project, conducted at George Washington University in Fall 2023, explores whether Large Language Models can automate this process reliably. We built a pipeline that pulls news articles from the News API, company background from Wikipedia, and stock price data from Yahoo Finance for ten major companies (AAPL, MSFT, GOOGL, AMZN, META, TSLA, JPM, NVDA, WMT, DIS). Because LLMs cannot directly process numerical tables, we developed a simple but effective template that converts stock data into natural language narratives. We then tested two summarization approaches (Summarize Chains and Retrieval-Augmented Generation with FAISS) across three open-source models (Falcon-7B-Instruct, DistilBART-CNN-12-6, BART-Large-XSum) for news, and GPT (text-davinci-003) for stock summaries. Falcon-7B with Summarize Chains gave the best results, covering all news events accurately and coherently. RAG, while promising in theory, caused severe repetition in Falcon and hallucinated facts in BART-Large when k was large. Both LLM-based approaches outperformed a simple Lead-3 baseline on ROUGE-1. We also built a Streamlit dashboard for interactive stock visualization. The work was done in Fall 2023, before RAG-based financial tools became widespread, and the failure modes we document, particularly hallucination under RAG in smaller models, remain relevant today.