金融情感分析是将金融文本内容分类为情感类别（如积极、消极和中性）。本文聚焦于金融新闻标题的分类，通过利用预训练的大型语言模型以及监督微调技术，实现在少量训练样本情况下显著超越之前最先进的算法。

Jan, 2024

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

用人工智能在金融领域应用的一项新型框架 RiskLabs，通过整合各种金融数据和大语言模型来分析和预测金融风险。通过实证实验结果，我们展示了 RiskLabs 在金融市场的波动性和方差预测中的有效性，并讨论了大语言模型在这一领域中的关键作用。这些发现不仅对 AI 在金融领域的应用做出了贡献，也为在金融风险评估中应用大语言模型开启了新的途径。

Apr, 2024

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

该研究提出了一种金融市场分析的新方法，首次联合建模投资者预期和自动挖掘潜在的股票关系，超过其他指标成为股票收益预测和多年交易模拟的最新标准。

Jun, 2023

该研究针对金融领域进行了大规模语言模型（LLM）的适应性研究，并着重研究了金融情感分析，发现通过精细调整基础模型并结合金融文档和指令数据集，小型 LLM 在性能上与大型模型可媲美，而且在参数和数据方面更高效。此外，研究还展示了如何通过 LLM 生成人工指令以增加指令数据集的样本数量。

Jan, 2024

本研究提出了一种基于 BERT 的分层聚合模型，通过最先进的抽取式摘要方法，从大量的金融新闻中提取最关键的新闻，并与交易数据相互作用来预测外汇市场的动向。实验结果表明，类别为基础的方法在三种分组方法中表现最佳，并在所有基线模型中表现最优。此外，研究了关键新闻属性（类别和地区）的影响模式，总结了不同货币对的影响模式。

Oct, 2019

本文主要介绍了如何利用多种数据挖掘技术和深度学习应用于金融文本处理场景，并且展示了如何使用自然语言处理（NLP）和知识图谱（KG）技术来从异构数据中识别金融风险和机会。

Apr, 2022

本文提出利用大规模无监督语言建模与微调相结合的方法来解决情感多维度分类问题，并在 SemEval2018 Task 1:E-c 上获得竞争力和实际应用价值，成果表明这种方法可以用于真实情感分类任务。

Dec, 2018