许可协议: mit 标签:

• 情感分析
• 金融情感分析
• bert
• 文本分类
• 金融
• finbert
• 财经

交易英雄金融情感分析模型

模型描述：本模型是基于FinBERT微调的版本，该BERT模型已在金融文本上进行预训练。通过微调过程，使模型适应特定的金融自然语言处理任务，提升了其在金融领域情感分析应用中的表现。

模型用途

主要用户：金融分析师、自然语言处理研究人员及从事金融数据开发的工程师。

训练数据

训练数据集：模型在自定义金融通讯文本数据集上进行了微调。数据集划分如下：

训练集：10,918,272个标记

验证集：1,213,184个标记

测试集：1,347,968个标记

预训练数据集：FinBERT在总计49亿标记的大型金融语料库上进行预训练，包括：

公司报告（10-K和10-Q）：25亿标记

财报电话会议记录：13亿标记

分析师报告：11亿标记

评估结果

• 测试准确率 = 0.908469
• 测试精确率 = 0.927788
• 测试召回率 = 0.908469
• 测试F1值 = 0.913267
• 标签说明：0 -> 中性；1 -> 积极；2 -> 消极

使用示例

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification, pipeline
tokenizer = AutoTokenizer.from_pretrained("fuchenru/Trading-Hero-LLM")
model = AutoModelForSequenceClassification.from_pretrained("fuchenru/Trading-Hero-LLM")
nlp = pipeline("text-classification", model=model, tokenizer=tokenizer)
# 预处理输入文本
def preprocess(text, tokenizer, max_length=128):
    inputs = tokenizer(text, truncation=True, padding='max_length', max_length=max_length, return_tensors='pt')
    return inputs

# 情感预测函数
def predict_sentiment(input_text):
    # 对输入文本进行标记化
    inputs = tokenizer(input_text, return_tensors="pt", truncation=True, padding=True)

    # 执行推理
    with torch.no_grad():
        outputs = model(**inputs)

    # 获取预测标签
    predicted_label = torch.argmax(outputs.logits, dim=1).item()

    # 将预测标签映射为原始情感标签
    label_map = {0: '中性', 1: '积极', 2: '消极'}
    predicted_sentiment = label_map[predicted_label]

    return predicted_sentiment

stock_news = [
    "市场分析师预测未来几周将保持稳定态势。",
    "今日市场表现平稳，股价波动极小。",
    "潜在贸易协议消息传出后，投资者情绪有所改善。",
.......
]


for i in stock_news:
    predicted_sentiment = predict_sentiment(i)
    print("预测情感倾向:", predicted_sentiment)

预测情感倾向: 中性
预测情感倾向: 中性
预测情感倾向: 积极

引用文献

@misc{yang2020finbert,
    title={FinBERT：面向金融通讯的预训练语言模型},
    author={杨毅、马克·克里斯托弗·Siy UY、艾伦·黄},
    year={2020},
    eprint={2006.08097},
    archivePrefix={arXiv},
    }