2. 金融文本基础
构建金融 RAG 问答系统，第一步不是选模型，而是把“喂给系统的文本”看清楚。研报与财报虽然都属于金融文本，但它们的写作目的、结构组织、术语密度和合规边界差异很大。如果把它们当成同一种“长文档”处理，检索结果往往会出现答非所问、口径混淆甚至合规风险。本节从类型、结构、术语、数据来源与合规五个维度，建立后续切分、索引与问答的文本认知基础。
一、核心原理：两类文本的“信息契约”不同
研报的本质是观点性文本：分析师基于公开数据与调研信息，输出评级、盈利预测和投资逻辑。它的信息契约是“论证—结论”，因此大量篇幅用于逻辑推演、假设说明和风险提示。财报的本质是事实性文本：公司依据会计准则披露经营结果，信息契约是“确认—计量—列报”，强调数字的准确性和口径一致性。
这一差异直接决定 RAG 的检索策略：研报问题更适合按“观点段落 + 预测表格”召回，财报问题更适合按“报表项目 + 附注说明”召回。若混用同一套切分规则，研报中的“预计 2025 年营收增长 20%”与财报中的“2024 年营业收入”可能被错误地并列引用，导致答案口径混乱。
二、常见类型与结构特征
研报按用途可分为深度报告、跟踪报告、点评报告和策略报告。深度报告通常 20 页以上，结构完整，适合抽取行业逻辑与长期假设；跟踪报告聚焦季度或事件更新，篇幅短、时效强；点评报告针对单条公告，观点集中但上下文少。财报则包括年报、半年报、季报，以及招股书、募集说明书等准财报文本。年报信息最全，季报最简，但季报的时效性对问答系统同样关键。
| 文本类型 | 典型篇幅 | 核心结构 | RAG 检索重点 |
|---|---|---|---|
| 深度研报 | 20–60 页 | 摘要、逻辑、预测、估值、风险 | 观点段落、预测表、假设条件 |
| 跟踪/点评研报 | 2–8 页 | 事件、影响、评级调整 | 事件描述、评级变化、短期预测 |
| 年度财报 | 100–300 页 | MD&A、三表、附注 | 报表项目、会计政策、同比数据 |
| 季度财报 | 10–40 页 | 主要财务数据、经营讨论 | 单季数据、环比变化、指引 |
三、关键术语与数据来源
金融文本的术语密度远高于普通文档，且同一词在不同语境下含义不同。例如“营收”在研报中可能指预测值，在财报中则是已审计的实际值；“毛利率”可能按整体、分产品、分地区分别披露。RAG 系统需要在索引阶段保留术语的上下文标签，例如“2024A”“2025E”分别表示实际值和预测值。
常见数据来源包括：交易所公告系统（巨潮资讯、上交所、深交所）、公司投资者关系页面、Wind/Choice/同花顺等金融终端、以及券商研究平台。不同来源的数据口径、更新频率和授权范围不同。构建系统时应记录每条文本的来源、发布时间和文档类型，作为检索过滤和答案溯源的元数据。
实践建议：在文档入库时，至少保留以下元数据字段：doc_type（研报/年报/季报）、publish_date、source、ticker、period（如 2024Q3）、is_forecast（是否预测值）。这些字段能显著降低口径混淆。
四、合规注意事项与常见误区
金融文本的合规边界比一般文档更严格。研报通常带有免责声明，禁止未经授权转载；财报中的内幕信息、未公开重大事项在披露前不得用于问答。系统设计时应避免将研报观点直接表述为“事实”，也不应生成投资建议。对于涉及具体证券的问答，答案应明确标注信息来源和发布时间，并提示“不构成投资建议”。
高风险误区：把研报中的“目标价”当作财报事实回答；把不同券商对同一公司的预测值混合引用；忽略财报附注中的会计政策变更；在未授权情况下批量抓取付费研报全文。这些都会导致答案失真或合规问题。
复盘时可以用一个简单检查清单验证文本处理质量：
- 是否区分了“实际值”与“预测值”？
- 是否保留了报表项目的完整口径（合并/母公司、期末/期初）？
- 是否记录了文档来源与发布时间？
- 是否对研报观点与财报事实做了标签隔离？
- 是否在答案中保留了免责声明与溯源信息？
只有先把文本类型、结构、术语和合规边界梳理清楚，后续的切分策略、向量化字段设计和检索过滤条件才有可靠依据。这一步做扎实，RAG 系统才能在金融场景中给出“口径正确、来源可查、边界清晰”的答案。