LLM在财务数据提取与计算中的实践应用

1. 项目概述：LLM在财务数据提取与计算中的应用实践

在金融分析领域，快速准确地从企业年报中提取关键财务指标是分析师的基础工作。传统方法依赖人工查找或简单的文本匹配，效率低下且容易出错。最近我在处理苹果公司2023财年10-K年报（约90页，7万token）时，尝试利用大语言模型(LLM)实现自动化数值提取和计算，效果显著。这个案例展示了LLM处理结构化财务数据的潜力，特别在以下场景：

• 直接从非结构化文本中定位特定数值（如总营收、研发费用）
• 执行基于提取值的数学运算（如百分比计算）
• 生成机器可读的结构化输出（JSON格式）

测试中对比了两种技术方案：当文档长度在模型上下文窗口内（如128K token模型）时，单次传入可获得精确结果；对于超长文档，采用分块+向量检索的RAG方法也能保持较高准确率。本文将详细解析实现过程，分享调优技巧，并探讨提升数值可靠性的实用方法。

2. 环境准备与数据获取

2.1 开发环境配置

选择Qwen3.5系列模型作为基础，因其对长上下文和数值处理表现良好。为避免网络问题，预先配置国内镜像源：

python复制import os
os.environ['HF_ENDPOINT'] = "https://hf-mirror.com"
os.environ['OPENAI_API_KEY'] = "sk-xxxxxx"  # 替换为实际API密钥
os.environ['OPENAI_BASE_URL'] = "https://llm_provider.com/v1"
model_name = "qwen3-xxxx"  # 实际模型名称

提示：如果处理中文财报，建议选择在中文金融语料上微调过的模型，如Qwen-Finance或ChatGLM-Finance，它们对财务术语的理解更准确。

2.2 数据源处理

从SEC EDGAR下载苹果公司2023年10-K年报（HTML格式），保存为本地文本文件：

1. 访问SEC EDGAR
2. 全选网页内容复制到文本编辑器
3. 保存为aapl-20230930.txt

使用tiktoken库计算文档token量，判断是否需要分块处理：

python复制import tiktoken

def num_tokens_from_string(text: str, encoding_name: str = "cl100k_base") -> int:
    encoding = tiktoken.get_encoding(encoding_name)
    return len(encoding.encode(text))

with open("./aapl-20230930.txt") as f:
    full_text = f.read()

tokens = num_tokens_from_string(full_text)
print(f"文档token数: {tokens}")  # 示例输出: 45185

当token数超过模型上下文窗口（如128K）的80%时，建议启用分块策略，保留部分空间给提示词和输出。

3. 单次传入完整