金融业作为百业之母,与所有的行业都深深交织在一起,蕴含着海量的金融文档。虽然技术不断发展,但这些数据收集、整理和写作的工作却还是依赖人力完成。如果能使用自动化技术来完成金融报告这个繁琐费时的工作,可以减少重复的手工体力劳动,帮助金融从业者提高工作效率,从而聚焦在更有价值的工作上。然而,将深度学习技术应用到报告生成的过程中,还存在着许多问题。首先,金融报告生成属于文本生成问题,传统使用基于模板的方法,但这种方法缺乏灵活性,当报告类型较多时,维护这些模板的成本较大。其次,报告生成由于需要基于原始提供的数据来保证生成内容的准确性,因此不能直接采用对话生成、诗词生成这类生成方法来解决报告生成问题。进一步,文本生成是一个输入简单但输出复杂的任务,问题的复杂度较高。当前所使用的方法在生成结果的质量上还有待改进。最后,在去模板化之后,如何评价生成出来的文本也是一个问题。本文通过以下工作来推动上述问题在工程应用中的解决:1)通过对金融报告自动化生成进行需求分析,设计了一个实用的金融报告自动化生成系统。该系统采用文本序列深度学习模型实现报告生成,包含数据预处理、生成模型实现、模型训练、模型评估等功能。2)针对金融报告自动化生成对现有模型进行了优化。传统的文本生成模型中,模型将输入文本看成时序文本序列,并以该时序特征为依据,来生成符合预期的文本。而基于结构化数据的data2text文本生成任务的输入文本并不会在时序上构成依赖关系。本文在选取合适的文本生成模型的基础上,再针对金融报告的特点对模型进行优化来适应这种结构化自然语言的输入,来生成更高准确度和质量的文本。3)提升金融报告生成模型的性能。随着Bert模型在自然语言处理领域任务上达到了较好成绩,而Bert模型的基本单元则使用了Transformer神经单元,其性能的优异性已被证实。本文利用Transformer来替换传统生成模型中RNN神经单元,提升了自动生成的金融报告质量。综上所述,本文设计并实现了一个金融报告自动化生成系统,并改进了datato-text文本生成模型,提升了文本生成的效果。测试结果表明:（1）与传统神经网络文本生成模型相比,本文改进的data-to-text文本生成模型具有更高的生成准确度。（2）该文本生成模型在金融报告自动化任务上具有一定的实用性。