本文分析 FOMC 官方声明中的语言以获取对金融市场和经济预测的影响，结果表明，FOMC 小心避免表达情绪；使用 VADER，FinBERT 和 GPT-4 等先进的语言建模技术。FinBERT 能够更准确地预测负面情绪，但是分析强调了使用 NLPTechniques 分析 FOMC 文本的挑战和限制，并建议增强语言模型和探索替代方法。

Apr, 2023

本研究通过构建 FOMC 讲话、会议记录和新闻发布会文本的最大化标记数据集，研究了货币政策如何影响金融市场；发展了新的鹰派和鸽派分类任务，并在所提出的数据集上进行了基准测试；使用 RoBERTa-large 最佳模型构建了 FOMC 文件发布日的货币政策立场的度量，并以国债市场、股市和宏观经济指标为评估指标。

May, 2023

该研究通过对六家大型美国报纸的新闻文章进行情感分析，发现经济情绪与商业周期波动密切相关，是预测四个主要宏观经济变量的相关因素之一，并且预测准确度得到了显著提高。此外，该研究还发现情感分析在解释多个宏观经济变量概率分布的尾部时也具有重要作用。

Mar, 2022

使用基于 Transformer 的 DeBERTa 模型将分类问题转化为蕴含问题，使得排名最高的文档可以被视为正分类文档，从而缩短信息抽取过程中的阅读时间，并发现一定的召回率下，使用声明性形式的类别标签作为查询可以优于使用字典定义的类别标签。同时研究表明，随着主题范围的扩大，应阅读的文档百分比会增加。

Oct, 2022

通过 Fine-Grained Monetary Policy Analysis Framework (FMPAF) 方法，将大型语言模型与回归分析相结合，全面分析美联储主席的记者招待会沟通对金融市场的影响。

Mar, 2024

基于少样本学习的方法，以计算社会科学和网页内容分析为基础，实现对文本进行基于主张的分类，提供了一种可靠的方法来减少数据标注的需求。

May, 2024

本文通过确定立场检测任务的定义，提供了一个通用框架，并提供了三种不同的方法来执行立场检测：监督式分类、NLI 分类器的零样本分类和上下文学习。此外，本文论述了零样本和少样本语言分类器的应用和局限性与监督分类器的不同，并通过复制 Block Jr 等人 (2022) 的方法演示了零样本立场检测的应用。

May, 2023

本文探讨了使用 T0 模型的 zero-shot 技术来进行跨越时间和语言的 NER 是否可行，通过历史文献的测试，结果表明利用 prompt 的 naive 方法在 zero-shot 多语种 NER 方面存在误差，但揭示了该方法在缺乏标记数据的历史语言方面的潜力。此外，实验结果也表明类似 T0 的模型可以用于预测文档的发布日期和语言，这对于历史文本研究非常有意义。

Apr, 2022

本文探讨了使用基于 transformer 的 Sentence-Bert 模型进行无监督文本匹配的效率，结果表明该模型对于金融领域内外的文本均有很好的鲁棒性。

Oct, 2022

本文主要研究如何利用人工智能技术分析经济新闻中的情感倾向，提出一种基于人工标注金融短语库、同时考虑上下文结构信息和特征属性的线性短语结构模型，并与现有情感分析模型进行比较。

Jul, 2013