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
-
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。