EMNLPOct, 2023

从过去预测未来？论金融情绪分类中的时间数据分布变化

PDF
TL;DR金融文本中存在时间数据分布的变化，如何在不稳定的市场环境中训练一个能够准确推断情感且对时间数据分布变化具有鲁棒性的金融情感分析系统？本文通过对跨越三年的真实金融社交媒体数据集进行经验研究，在时间数据分布变化的情况下分析金融情感分析系统的性能下降问题，并基于金融文本的独特时间性质提出了一种结合异常检测和时间序列建模的新方法用于时间金融情感分析。实验证明该方法增强了模型在波动的金融市场中适应不断变化的时间趋势的能力。
temporal data distribution shiftfinancial sentiment analysis systemvolatile market environmenttemporal financial sentiment analysistime series modeling
发现论文，激发创造
  • 学习历史，演化未来：预测时序趋势用于假新闻检测

    本研究提出了一种名为 “FTT” 的有效框架，可以预测新闻数据的时间分布模式并指导检测器快速适应未来的分布。在真实世界的时序数据集上的实验证明了我们所提出的框架的优越性。

    Jun, 2023

  • 通过结合自然语言处理和机器学习在金融新闻中检测篇章层面的时间性

    通过自然语言处理和机器学习技术，我们提出一种能够在语篇层面检测金融相关新闻时态性的新系统，利用了句法和语义依赖等复杂特征，从而提取主要陈述的主导时态。实验结果表明，与一种基于规则的替代方法相比，该系统具有较高的检测精确度，最终有助于发掘金融决策的预测性知识。

    Mar, 2024

  • 社交媒体中语言模型的时间泛化的系统分析

    该研究论文主要研究机器学习中的时序转变对社交媒体的影响，通过提出一种统一的评估方案，发现语言模型在不同时间设置下会出现性能下降，尤其在命名实体识别、仇恨言论检测等任务中。而在主题分类和情感分类等任务中，性能下降不明显，同时发现对测试期进行连续预训练并不能提高语言模型的时序适应能力。

    May, 2024

  • 一种基于语言模型的挖掘时序数据分布变化的框架

    使用大型语言模型和数据源接口来探索和收集时间序列数据集的方法，扩大数据量以应对限制或缺乏关键属性的原始数据，有效补充现有数据集，尤其在数据分布变化方面。演示了通过实际示例证明了收集数据集的有效性，并展示了在这些数据集上进行微调的时间序列预测基础模型与未经微调的模型相比具有可比的性能。

    Jun, 2024

  • Wild-Time: 一个基于视野内时间变化的分布漂移测试基准

    本文介绍了机器学习领域中的分布漂移和时间漂移问题，通过时间戳元数据来增强模型学习能力，提出了一个包含五个数据集的基准测试，使用 13 种不同的方法进行系统评估，同时针对不同的实际应用场景设计了两种评估策略，发现现有的方法已经无法缩小在分布内和分布外数据间的性能差距。

    Nov, 2022

  • 模型评估与选择在时间分布转移下

    我们通过综合当前时期和历史时期的数据集，研究模型评估和选择在变化环境中的情况。为了应对未知且可能随机的时间分布转移，我们开发了一种自适应滚动窗口方法来估计给定模型的泛化误差。该策略还通过估计两个候选模型的泛化误差差异来方便比较。我们进一步将两两比较整合到单一淘汰赛中，从候选模型集合中实现接近最优的模型选择。理论分析和数值实验证明了我们提出的方法对数据非稳定性的适应性。

    Feb, 2024

  • 金融情感分析的迁移学习和 Transformer 架构

    金融情感分析中的预训练语言模型和迁移学习原则可有效解决特殊的金融领域情感分析困难，同时考虑到像 COVID 这样疫情的因素，对两组不同数据进行情感分析，并使用较小的训练集对模型进行微调。

    Apr, 2024

  • 时间敏感金融服务应用的时间知识蒸馏

    在金融服务行业中，检测异常已成为一项越来越关键的功能。该研究提出了一种基于时间知识蒸馏的标签增强方法，利用旧模型的学习来快速提升最新模型的能力，从而有效减少模型重新训练的时间并改善其性能。

    Dec, 2023

  • 使用两阶段建模进行带置信度的预测

    本研究针对金融评级中的分布转移问题，提出了一种新的两阶段模型，利用分布检测方法将数据分成自信和不确定的集合，并结合平均方差优化方法，对不确定样本提供可靠的界限，实现了可靠的预测。

    Sep, 2022

  • 金融领域时间序列数据的机器学习：挑战和机遇

    本文探讨了金融服务业中常见的不同类型的时间数据，回顾了当前在这个领域中的机器学习方法，并评估了在机器学习和时间数据的交叉应用中，研究人员面临的挑战和机遇。

    Sep, 2020