RAG for Financial Research

🇹🇭 ภาษาไทย

RAG for Financial Research (อ้างอิงจากบทที่ 22 ของหนังสือ Machine Learning for Algorithmic Trading) เจาะลึกความจำเป็นของการใช้ Retrieval-Augmented Generation ในงานการเงิน ซึ่งเป็นโดเมนที่การ “เดาหรือแต่งเรื่อง” (Hallucination) ก่อให้เกิดความเสียหายร้ายแรง

ประเด็นสำคัญ (Key Takeaways)

1. ข้อจำกัดของ RAG แบบพื้นฐาน: การหั่นข้อความ (Chunking) แบบตายตัวทำให้ตารางและโครงสร้างเอกสารการเงินเสียหาย ระบบที่ใช้งานจริงต้องใช้ Structure-aware parsing และใช้ Domain-Specific Embeddings (เช่น Fin-E5) แทนโมเดลแบบ Generic ทั่วไป
2. Hybrid Search เป็นสิ่งจำเป็น: Semantic search มักจะค้นหาชื่อหุ้น (Ticker) หรือตัวเลขเฉพาะไม่เจอ จึงต้องใช้ Hybrid Search (Vector + BM25 keyword) ร่วมกับการกรองด้วย Metadata (เช่น ปีงบประมาณ) อย่างเข้มงวด
3. การป้องกัน Hallucination แบบซ้อนชั้น: ใช้ Constraint-based prompting, การทำ Re-ranking, และการดึงส่วนคำนวณตัวเลข (Arithmetic) ออกไปให้ Tool ที่มีความแม่นยำทางคณิตศาสตร์ทำงานแทน LLM
4. RAG คือสะพานไปสู่ Agent: เฟรมเวิร์กนี้เสนอวิธีวิเคราะห์ข้อผิดพลาดของ RAG อย่างเป็นระบบ (แยกเป็น Retrieval, Context, Synthesis, Computation errors) และชี้ว่า RAG เป็นเพียงเครื่องมือหนึ่งใน Agentic Framework ที่ใหญ่กว่า

---

🇬🇧 English

RAG for Financial Research (from Chapter 22 of Machine Learning for Algorithmic Trading) details the absolute necessity of Retrieval-Augmented Generation in finance, a domain where LLM hallucination is unacceptable and potentially disastrous.

Key Takeaways

1. Limitations of Naive RAG: Fixed-size chunking destroys financial tables and temporal metadata. Production systems require structure-aware parsing and domain-specific embeddings (e.g., Fin-E5 or Voyage AI) rather than generic models.
2. Hybrid Search is Essential: Pure semantic search fails on exact tickers and specific financial figures. Financial RAG demands Hybrid Search (combining Vector and BM25) fused with strict metadata filtering (e.g., fiscal year, company).
3. Multi-layered Hallucination Defense: The pipeline enforces grounding through constraint-based prompting, cross-encoder re-ranking, and crucially, delegating arithmetic calculations to deterministic tools rather than relying on the LLM’s math capabilities.
4. A Bridge to Agents: The chapter provides a diagnostic framework for RAG failures and positions RAG as just one tool within broader Agentic Frameworks like ReAct.