生成式AI管道破解SEC 10-K财报数据缺失危机

arXiv:2609.35864v1 公告类型：新发布 摘要：SEC 10-K 文件中包含大量未在结构化数据集中被一致记录的财务信息，由此造成的数据缺失问题影响了超过 70% 的公司以及总市值的一半。这可能会不成比例地使量化分析偏向不利于小公司的方向，因为后者可能因可用数据有限而被排除在外。传统的财务信息提取方法（如 Regular Expressions (Regex) 和 BERT）已被广泛应用。然而，这些方法在解析复杂的 SEC 10-K 文件时非常脆弱，导致文件中实际存在的数据丢失，因为它们没有考虑到某个数据属性可能位于不同章节或脚注中。本研究评估了多个 Large Language Models (LLMs)，包括 Llama-3 8B、Qwen-2.5 14B 和 Llama-3.3 70B，以弄清各模型在从 SEC 10-K 文本中提取特定属性时的优势与不足。提取质量在四个结构复杂度各异的财务变量上进行了评估：Cash and Cash Equivalents（表格型）、Short-Term Debt（混合型）、Credit Facilities（叙述型）以及 Research and Development（混合型）。结果表明，尽管 Llama-3 8B 等较小模型在复杂的否定式提示（negative prompting）下会出现性能下降，但将参数规模与文档复杂度相匹配可获得较高的 zero-shot 准确率。Qwen-2.5 14B 作为表格数据专精模型表现出色，在 Cash 上取得 83.33% 的 F1 分数；而 Llama-3.3 70B 则能有效处理密集的叙述性脚注，在 R&D 上达到 76.92% 的 F1 分数。这一可扩展的框架解决了量化金融数据集中的关键信息缺口，并通过更全面地分析 SEC 10-K 文件消除了缺失数据偏差。