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

本研究通过文本挖掘技术分析中央银行发表的文件，并提出了一种评估中央银行政策语调的方法，以比较 FOMC 会议的声明、记录、新闻发布会记录和美联储官员的讲话的语气，并对自 1971 年以来每种政策立场的变化进行分析。

Jun, 2023

该研究通过结合机器学习技术和因果推断，考察了宏观经济政策对金融市场的影响。重点关注美联储调整利率对固定收益和股权基金回报的影响，并对主动和被动管理的基金进行了区分。结果显示，梯度提升是预测基金回报的有用工具，例如，利率上升 1％导致主动管理基金回报下降 - 11.97％。这一对利率和基金表现之间的关系的理解为进一步研究提供了机会，并为基金经理和投资者提供了富有洞察力和数据驱动的建议。

Mar, 2024

使用大型语言模型（LLMs）而无需微调，在金融情感分析（FSA）中设计了一个基于异构 LLM 代理的设计框架，该框架在涉及大量讨论时能够获得更高的准确性，为 LLMs 的基于 FSA 的设计奠定了基础并开辟了新的途径。

Jan, 2024

本文介绍了一种名为 Forecasting Argumentation Frameworks 的基于论证的新型预测方法，它包括五种不同类型的论据，其中包括了提案论证和增减修正论证，以提高预测精度，并对其进行了实证研究。

May, 2022

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

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

提出了基于代理的模拟金融市场（ASFM）的大型语言模型代理作为股票交易员，可以全面了解当前市场动态和金融政策信息，并制定与其交易策略相一致的决策，该模型在实验中与真实股市一致，并且与经济学研究初步发现相符合，为经济研究提供了新的范式。

Jun, 2024