May, 2024

NIFTY 金融新闻头条数据集

PDF
TL;DR介绍并公开提供了 NIFTY 金融新闻头条数据集，旨在促进和推进利用大型语言模型（LLMs）进行金融市场预测的研究。该数据集包含两个针对不同建模方法的版本：NIFTY-LM 和 NIFTY-RL。每个版本都提供了经过筛选和排名、附带全面元数据、市场指数的高质量数据，以适应现代 LLM 框架。同时还包括了一些应用实例，如股价走势预测以及 LLM 嵌入在信息获取与丰富性中的角色。
nifty financial news headlinesfinancial market forecastinglarge language modelssupervised fine-tuningreinforcement learning from human feedback
发现论文，激发创造
  • 来自全球的多语种新闻标题数据集

    Babel Briefings 是一个新颖的数据集，包含了 2020 年 8 月至 2021 年 11 月的 470 万条新闻标题，涵盖了 30 种语言和 54 个地点，其中包括所有文章的英文翻译。该数据集适用于自然语言处理和媒体研究，是用于训练或评估语言模型的高质量数据集，同时也提供了一个简单易用的文章集合，用于分析全球新闻报道和文化叙述。通过使用基于 TF-IDF 加权相似度度量的基本过程将文章分组为关于同一事件的聚类，我们展示了该数据集所支持的分析功能，并可视化事件的 “事件签名”，展示随时间推移出现的语言和事件的意外程度。该数据集可在 Kaggle 和 HuggingFace 上获取，并附带 GitHub 代码。

    Mar, 2024

  • 优化 Gemma-7B 以提升金融新闻头条的情感分析

    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

  • FFN：一个细粒度的中英金融领域平行语料库

    大型语言模型在机器翻译领域取得了惊人的进展，然而在金融领域的有效性仍然很少被探讨。我们构建了一个细粒度的中英平行金融新闻语料库，名为 FFN，以研究此问题。通过使用 BLEU、TER 和 chrF 评估指标，我们测量了两个 LLMs（ChatGPT 和 ERNIE-bot）的翻译质量。与此同时，我们还基于我们的数据集训练了一个基于 OpenNMT 的模型。我们详细解释了 LLMs 的问题，并进行了深入分析，旨在激发对这个几乎未知领域的进一步研究和解决方案。我们的研究强调了在金融翻译领域中优化 LLMs 以确保准确性和质量的必要性。

    Jun, 2024

  • 新闻分类数据集

    本论文介绍了一份包含近 21 万篇新闻头条的数据集，收集自 HuffPost，并探讨了该数据集在自然语言处理领域的现有和潜在应用，这对于学习真实新闻的语法和语义至关重要，尤其在当前假新闻泛滥的背景下。

    Sep, 2022

  • 金融情绪分析的预训练大型语言模型

    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

  • 基于定量分析和定性数据的股市预测数据集

    本研究将机器学习应用于金融领域，尤其是股票市场预测。研究通过合作数字股票数据和定性文本数据，提供了一个包含来自新闻档案、电视新闻字幕、广播节目文字转录、推特、日常金融报纸等的 140 多万条文本数据的数据集，该数据集可用于股票市场预测的全球研究中。

    Nov, 2023

  • 作为挑战性自然语言理解任务的新闻标题分组

    本文介绍了 HeadLine Grouping 的任务和相应数据集，并提出了一个新颖的模型用于该任务。研究结果表明，虽然当前的最先进的 Transformer 模型只能达到 0.75 F-1，但是我们提出的无监督 Headline Generator Swap 模型可接近最佳监督模型的 F-1 分数，并发现了现有体系结构建模的局限性。

    May, 2021

  • 学术复杂性转化为公众叙述：面向科学新闻报道生成的数据集

    科学新闻报道的自动生成提高了学术洞察的可访问性，本文通过对一组学术出版物与相应科学新闻报道的平行集合进行广泛分析，突出了两者在易读性和简洁性上的差异，并使用先进的文本生成模型对数据集进行了基准测试，为进一步探索科学新闻报道的自动生成奠定了基础。

    Mar, 2024

  • Mukhyansh：面向印度语言的标题生成数据集

    该研究提出了 Mukhyansh 数据集，其中包含超过 3.39 百万个印度语言标题 - 文章对，用于解决印度语言标题生成中缺乏高质量标注数据的问题，并通过实证分析证明其表现优于其他模型，跨 8 种印度语言平均 ROUGE-L 得分为 31.43。

    Nov, 2023

  • FarsTail：波斯语自然语言推理数据集

    该研究介绍了一个用于波斯语自然语言推理任务的新数据集，名为 FarsTail。FarsTail 数据集包括 10,367 个样本，该数据集同时提供波斯语以及用于非波斯语研究人员的索引格式。通过对该数据集进行评测和分析，得出目前 NLP 任务中深度学习方法在该领域的表现差距较大，该数据集可以为不同语言的自然语言处理研究提供坚实的基础。

    Sep, 2020