本研究通过基于 BERT 的分析，预测濒临破产的公司披露数据。我们使用 BERT 模型对 MD&A 披露进行情感分析，结果表明 BERT 在逻辑回归、k 最近邻分类器和线性核支持向量机的调整 R 平方方面优于基于词典和 Word2Vec 的预测方法。通过对企业披露数据（10-K）进行自学习和置信度过滤而非从头开始预训练 BERT 模型，我们实现了 91.56% 的准确率，并证明了域自适应过程对预测准确性的显著改进。

Dec, 2023

我们提出并实现了一个利用预训练语言模型处理长文本文档的深度学习框架，将长文档分成块，并利用自注意力机制提取有价值的文档级特征，该框架在美国银行的 10-K 公开披露报告和其他美国公司提交的报告数据集上表现出色，是文本建模和回归模型的更好选择，利用预训练的领域特定和微调的模型在表示文本数据方面的效果较好，从而有助于提高预测分析的质量。

Jun, 2022

本研究对于公司信用评级的深度学习模型进行结构化数据和非结构化数据的多模态融合，其中以卷积神经网络为基础的模型与两种融合策略的效果最佳；此外，我们还发现更复杂的深度学习模型未必能够带来最好的性能，然而，如果注意力机制为性能最佳，那么交叉注意力机制为必要的融合策略；最后，我们比较了短期、中期和长期表现，并得出 Moody's 信用评级超过标普和惠誉等其他机构的结论。

Apr, 2023

本文研究运用情感分析和文本检索技术，分析股市公司年度披露的情感语言，来预测市场的波动性。同时结合市场数据，采用基于词嵌入的方法来有效地预测市场风险，结果表明词嵌入方法的预测表现优于其他方法，并且探讨了不同行业的公司报告特征。

Feb, 2017

通过使用多任务学习方法，结合不同任务上的信息，我们提出了多种金融文本分类方法，重点关注金融情绪、客观性、前瞻性句子预测和 ESG 内容检测。然后，我们使用这些分类器从 FTSE350 公司的年度报告中提取文本特征，并研究 ESG 定量分数与这些特征之间的关联。

Apr, 2024

通过组合多段主题分割和共指消解分离作者表达模式、使用 LDA 检测相关文本以及分析其中的预测和预言的话语暂时性，我们提出了一个新颖的自然语言处理系统，以在非结构化文本来源中帮助投资者检测相关的金融事件。

Mar, 2024

该论文基于新型和经典数据集引入了一个无结构数据情况下的基准测试，评估了几种经典和神经基础模型，并发现基于静态领域词汇表示的轻量级词袋模型在多年的文本数据中获得了出人意料的良好结果。

Aug, 2022

使用深度学习的方法对金融欺诈文本进行自然语言处理的二元分类任务，并且通过不同种类的神经网络模型，包括多层感知机、RNN、LSTM 和 GRU 等，进行了准确性比较，为金融欺诈检测领域提供了有价值的见解。

Aug, 2023

该研究旨在利用自然语言处理技术，设计并提供一种基于逻辑一致性的财务文本评估工具 ——FinTrust，分析现有的 NLP 模型对于历史市场信息的预测一致性较差，表明目前的基于文本的方式无法可靠地进行金融预测。

May, 2023

年度报告包含了上市公司的财务状况，有助于评估其对股票价格的潜在影响。本文利用大型语言模型的能力简化了所有公司年度报告的评估过程，并通过历史股价数据编制了量化模型数据集，使用机器学习模型进行训练，结果显示出对标普 500 指数的良好超额收益。该研究为未来相关工作提供了一个框架，同时开源了相关代码。

Sep, 2023