FinBERT
PulseAugur coverage of FinBERT — every cluster mentioning FinBERT across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
金融NLP基准测试存在时间泄露，夸大了性能指标
一项对金融新闻NLP基准测试的新审计显示，存在严重的时间泄露问题，与按时间顺序划分相比，随机的训练-测试集划分将性能指标夸大了高达6.5倍。这种泄露在大模型和更丰富的特征下尤为明显。研究发现，只有并购新闻在接近时间顺序的评估下显示出积极信号，但该信号仅限于特定的语义上下文，并未迁移到更广泛的数据集。研究人员提倡将泄露审计作为金融NLP基准测试的强制性披露内容。
-
新的RA-FinBERT模型通过基于规则的特征提升金融情感分析能力
研究人员开发了RA-FinBERT，一个新颖的金融情感分析框架，通过将规则派生特征与预训练语言模型相结合来提高准确性。该方法结合了VADER的情感比例和源元数据与FinBERT的上下文表示。由此产生的RA-FinBERT模型引入了最少的额外可训练权重，使其在低资源环境中效率很高。评估表明，RA-FinBERT的性能优于纯文本FinBERT基线模型和DistilBERT模型，显著提高了金融新闻情感分类的准确性和宏观F1分数。
-
大语言模型在金融情绪分析中表现出高准确率，但无法预测股票回报
一项新研究对几种大语言模型（LLMs）在金融情绪分类和收益率可预测性方面的有效性进行了基准测试。研究人员发现，尽管Mistral-7B和QLoRA适配的Qwen2.5-7B等模型在分类任务中取得了高准确率，但在经过严格校正后，它们预测股市回报的能力微乎其微且不具有统计学意义。研究结果突显了金融应用中语言表现与实际经济效用之间存在的显著差距。
-
LLaMA-3.1-70B 从财经新闻中提取结构化数据以提升股票预测
研究人员开发了一个新的框架，用于从财经新闻中提取结构化信息，超越了传统的情感分析。该框架利用LLaMA-3.1-70B识别六个语义维度，包括事件类型、影响范围、时间范围和语义置信度。在FNSPID数据集上的实验表明，与单独使用情感分析相比，这些结构化特征与情感分析相结合可以显著提高股票预测的准确性。
-
AI系统AWARE-FX量化企业报告中的外汇对冲披露
研究人员开发了AWARE-FX，一个旨在分析公司年度报告并量化外汇对冲披露的AI系统。该系统集成了专门的词汇表、否定和会计状态逻辑、财务编码器以及审计账本，以提取和评分与对冲相关的信息。使用FinBERT和ModernBERT模型对香港公司数据进行的评估显示出强大的时间性能，选择性预测通过对不确定观测值进行弃权来提高准确性。虽然像Qwen3-8B这样的通用模型在某些领域显示出潜力，但它并未均匀取代领域特定的约束，这凸显了在财务分析中对…
-
新AI模型RAML通过动态情绪融合改进比特币价格预测
研究人员开发了一种名为制度感知多模态学习（RAML）的新模型，用于预测比特币在亚日时间尺度上的价格变动。与静态组合价格和社交情绪数据的传统方法不同，RAML根据检测到的市场制度动态调整这些特征的权重。该模型利用来自Reddit和X等社交媒体平台的情绪以及技术指标，以提高预测准确性，尤其是在波动时期。
-
TriAgent 降低金融情感分析的 LLM 成本
研究人员开发了 TriAgent，这是一种新颖的多智能体系统，旨在利用大型语言模型降低金融情感分析的成本。该系统按上下文粒度分层智能体，采用词级词典 (VADER)、句级 Transformer (FinBERT) 和跨句推理器 (Qwen2.5, Mistral-7B, Phi-3.5-mini)。语义分歧指数 (SDI) 衡量智能体之间的分歧，以有效地路由查询，实现了约 0.87 的 F1 分数，同时与基线 LLM 方法相比显著降…
-
领域适应的有效性取决于预训练模型的领域知识
一项新研究调查了在使用冻结的预训练语言模型骨干进行情感分析时，领域适应技术的有效性。该研究在 Qwen3-Embedding、RoBERTa-base 和 FinBERT 的不同骨干模型大小上评估了 DANN、MMD 和 SCL 等不同的适应方法。研究结果表明，对于电影评论情感分析等通用任务，显式领域适应的益处很小，但对于金融新闻等专业领域，特别是对于较小的通用模型，可以显著提高性能。研究还观察到，对抗性对齐方法可能会通过侵蚀现有结构…
-
新AI框架通过不确定性建模增强审计风险评估
研究人员开发了UMAR，一个新颖的多智能体框架，旨在通过明确建模不确定性和证据冲突来改进审计风险评估。UMAR利用三个专业智能体——MD&A文本智能体、财务比率智能体和CAM智能体——生成具有校准不确定性的独立风险评分。然后使用Dempster-Shafer理论聚合这些评分，该理论量化了智能体间的异议。在SEC 10-K filings的3,200个公司年度观测值上的评估表明，UMAR的性能优于基线模型，AUROC达到0.782，PR…
-
新方法使用FinBERT嵌入以改进股市预测
研究人员开发了一种新方法，通过使用FinBERT的高维嵌入而非简单的情绪得分来改进金融预测。他们的基于Transformer的架构结合了Siamese优化的嵌入，与传统的标量基线相比，在短期股票价格变动方面表现出更高的预测准确性。这种方法保留了金融新闻中细微的上下文，从而提高了性能。
-
深度学习模型使用多模态数据预测股票价格方向
研究人员开发了一种多模态深度学习方法来预测财报发布日股票价格的方向。该研究结合了基本面指标、技术指标以及 FinBERT 处理的财经新闻中的情绪分析。对 LSTM 和 Transformer 架构都进行了评估，其中 Transformer 对波动性运动表现出更高的敏感性，F1 分数也更高，这表明纳入新闻情绪带来了持续的好处。
-
研究人员聚合零样本LLM输出以提高股票回报预测
研究人员开发了一种轻量级的监督聚合器，用于组合多个零样本大型语言模型（LLM）的输出来对公司披露进行分类。该方法旨在通过利用无需特定任务微调即可分析财务披露的LLM的多元化视角来提高预测准确性。与单独的LLM分类器和基线模型相比，该聚合器表现出更优越的性能，特别是在不同模型产生冲突预测的混合信号披露方面。研究表明，虽然零样本LLM能够捕捉有价值的财务信号，但监督聚合方法是最大化这些收益的关键。