我们介绍了一个名为 FinEntity 的实体级情感分类数据集，用于金融领域中指向特定金融实体的情感分析。我们在论文中记录了数据集构建过程，并在几个预训练模型（BERT、FinBERT 等）和 ChatGPT 上进行了实体级情感分类的基准测试。我们通过一个案例研究展示了使用 FinEntity 在监测加密货币市场中的实际应用价值。FinEntity 的数据和代码可在 https://github.com/yixuantt/FinEntity 获取。

Oct, 2023

PerSenT 数据集包括了新闻文章中主要实体的情感分析，并提供了段落级别的情感注释以提供更精细的监督。该数据集的基准测试表明，这是一项困难的分类任务。该论文指出，使用 BERT 对文档级表示进行微调是不足够的，并且对整个文档进行段落级别的决策和聚合也是无效的。该数据集包含 5.3k 个文档和 38k 个段落，涵盖 3.2k 个独特的实体，是实体情感分析中的一个挑战。

Nov, 2020

本文提出了一种名为 FinBERT 的基于 BERT 预训练语言模型，用于在金融领域处理自然语言处理任务，实验结果表明它在当前两个金融情感分析数据集上的表现优于现有的机器学习方法。

Aug, 2019

本文提出了一个针对金融领域的中文纤细粒度情感分析数据集，用于企业预警，并利用开源的大语言模型对其进行了全面评估和实验。

Jun, 2023

该论文描述了 RuSentNE-2023 评估，该评估致力于对俄罗斯新闻文本中的目标情感进行分析。使用丰富的情感相关注释的俄语新闻语料库 RuSentNE 作为数据集。使用 CodaLab 竞赛框架组织了评估。ChatGPT 在测试集上进行了测试，并获得了 60％的 F - 度量，这在零 - shot 应用中可以被认为是相当高的。

May, 2023

利用情感分析应用于金融新闻标题以了解投资者情绪，通过自然语言处理和大型语言模型，从零售投资者的角度分析情感，使用金融短语库数据集进行情感分类，证明了 Fine-tuned 的 gemma-7b 模型表现最佳，准确度、召回率和 F1 分数均最高，展示了该模型在捕捉金融情感细微差别方面的鲁棒性，能够提供市场洞察、风险管理和辅助投资决策的强大工具，强调了先进的大型语言模型在金融行业中分析和解读金融信息方面的潜力。

Jun, 2024

通过从推特中提取的情感信息，使用 FinBERT 大型语言模型的研究表明通过关联分析筛选特征集并采用贝叶斯优化的递归特征消除实现了超过 70% 的 F1 分数，从而在回测交易中获得了更高的累积利润。

Mar, 2024

进行标记是费时且昂贵的，因此该研究引入了 XBRL 标记作为金融领域新的实体提取任务，并发布了 FiNER-139 数据集，其中包含 110 万句子和黄金 XBRL 标记。该研究表明，采用字母级别的词元分割会损害 BERT 的性能，而采用单词级别的 BILSTMs 的性能更佳。此外，该研究还提出了两种简单而有效的解决方案，以改善 BERT 的性能。最终，该研究通过数据和错误分析确定了潜在的限制，为未来的 XBRL 标记工作提供了启示。

Mar, 2022

基于情绪理论，本文以东方财富网为例，从用户评论数据中提取情感信息，并结合 Alpha191 模型进行回归分析，结果显示情感因素的加入使回报率相比于基准模型提高了 73.8%，相比于原始 alpha191 模型提高了 32.41%。同时讨论了情感因素融入量化交易的优点和缺点，并提出未来进一步研究的可能方向。

Sep, 2023

利用 transformers-based solutions 在 RuSentNE-23 评估数据上实现了实体级情感分析，并通过使用新技术和多个模型的 ensemble 方法达到最佳结果。

Aug, 2023