Fine-Tuning Gemma-7B for Enhanced Sentiment Analysis of Financial News Headlines
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Carnegie Mellon University（卡内基梅隆大学）；Snap Inc.（斯纳普公司）；Northeastern University（东北大学）；Columbia University（哥伦比亚大学）；Texas A&M University（德克萨斯农工大学）
本研究针对金融新闻头条投资者情感分析问题，基于FinancialPhraseBank数据集微调多个大语言模型，发现微调后的gemma-7b性能最优，可助力金融市场分析与投资决策。
2024-06-19 cs.AI cs.CL
SILC-EFSA: Self-aware In-context Learning Correction for Entity-level Financial Sentiment Analysis
School of Computer and Artificial Intelligence, Zhengzhou University（郑州大学计算机与人工智能学院）；School of Computer Science, Wuhan University（武汉大学计算机学院）
本文构建了最大规模的中英文金融实体级情感分析数据集，并提出两阶段SILC方法，通过微调大语言模型生成伪标注数据并结合GNN示例检索器训练校正模型，在金融情感分析中取得最先进性能。
2024-12-26 cs.AI cs.CE cs.CL
Analogy-Driven Financial Chain-of-Thought (AD-FCoT): A Prompting Approach for Financial Sentiment Analysis
New York University（纽约大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对金融新闻情感分析中复杂经济背景捕捉难和推理透明度低的问题，提出AD-FCoT提示框架，结合类比推理与思维链引导LLM进行逐步推理，无需微调即在分类准确率、市场回报相关性及可解释性上超越基线。
2025-09-16 cs.AI
Bayesian Network Fusion of Large Language Models for Sentiment Analysis
School of Information Technology, Deakin University（德克萨斯大学信息技术学院）；School of Computing Technologies, RMIT University（皇家墨尔本理工学院计算机技术学院）
针对LLM在情感分析中成本高、跨域不一致等问题，提出BNLF框架，通过贝叶斯网络对FinBERT等模型预测进行后期融合，准确率提升约6%。
2025-10-30 cs.AI cs.CL
Chinese Fine-Grained Financial Sentiment Analysis with Large Language Models
FinChina AI Research（FinChina人工智能研究院）
针对金融领域实体级细粒度情感分析缺乏高质量大规模标注语料库的挑战，本文提出了一个用于企业预警的新颖中文数据集 FinChina SA，并基于该数据集对知名开源大型语言模型进行了全面评估与实验。
2023-09-15 cs.AI cs.CL
Comparing LLMs for Sentiment Analysis in Financial Market News
Universidade do Estado do Amazonas (UEA)（亚马逊州立大学）
本文比较LLM与经典方法在金融市场新闻情感分析任务中的表现，量化各类模型优势，发现LLM在绝大多数情况下优于经典模型。
2025-10-03 cs.AI cs.CL q-fin.ST
Pre-trained Large Language Models for Financial Sentiment Analysis
Xi’an Jiaotong-Liverpool University（西交利物浦大学）；University of Florida（佛罗里达大学）
针对金融新闻标题情感分析缺乏大量训练样本的挑战，本文采用监督微调技术适配开源Llama2-7B模型，实验证明该方法显著优于此前最先进算法。
2024-01-10 cs.AI cs.CL
Are Large Language Models Good In-context Learners for Financial Sentiment Analysis?
Kenan-Flagler Business School, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校凯南-弗拉格勒商学院）
本文首次系统研究大型语言模型在金融情感分析中的上下文学习能力，覆盖DeepSeek V3等现代LLMs及多种样本选择方法，并通过实验验证其有效性。
2025-03-06 cs.AI cs.CL q-fin.CP
Fine-tuning of lightweight large language models for sentiment classification on heterogeneous financial textual data
International Business School, Zhejiang University（浙江大学国际商务学院）；Center for Data Science, Zhejiang University（浙江大学数据科学中心）；Centre for Statistics, Georg-August-Universität Göttingen（哥廷根大学统计中心）
本研究探讨了轻量级开源大语言模型在异构金融文本数据上的情感分类微调效果，发现Qwen3 8B和Llama3 8B在有限数据下表现优异。
2025-11-30 cs.AI cs.CL
Large Language Model Adaptation for Financial Sentiment Analysis
Lingua Custodia；Univ. Grenoble Alpes, CNRS, Grenoble INP, LIG（格勒诺布尔阿尔卑斯大学，CNRS，格勒诺布尔INP，LIG）
本研究针对金融领域NLP任务挑战，聚焦金融情感分析，通过多策略微调两个1.5B参数以下基础模型，证明小模型经适配可达大模型性能且效率更高，还提出用LLM生成人工指令扩充数据集的方法。
2024-01-26 cs.AI cs.CL
What do LLMs Know about Financial Markets? A Case Study on Reddit Market Sentiment Analysis
The Ohio State University（俄亥俄州立大学）；Google Research（谷歌研究院）
对社交媒体内容进行市场情感分析需要了解金融市场和社交媒体术语，这对人类评级人员来说是一项具有挑战性的任务。由此导致的高质量标记数据的缺乏阻碍了传统的监督学习方法。相反，我们使用带有大语言模型（LLM）的半监督学习来解决这个问题。我们的管道为具有LLM的Reddit帖子生成弱金融情绪标签，然后使用这些数据来训练一个可以在生产中使用的小模型。我们发现，促使LLM产生思想链摘要，并迫使它通过几个推理路径有助于生成更稳定和准确的标签，而使用回归损失进一步提高蒸馏质量。只有少量提示，最终模型的性能与现有的监督模型相当。虽然我们的模型的生产应用受到道德因素的限制，但该模型的竞争力表现表明，使用LLM进行其他需要技能密集型注释的任务具有巨大潜力。
2022-12-21 cs.AI cs.CL cs.LG
Can AI Read Between The Lines? Benchmarking LLMs On Financial Nuance
Department of Business Analytics, Santa Clara University - Leavey School of Business（商学院分析部门，圣克拉拉大学）
该研究通过基准测试微软Copilot、ChatGPT、Gemini等LLM在金融文本情感分析上的表现，发现其在细微差别语境中易误读，并利用提示工程和可视化分析提升准确性。
2025-05-22 cs.AI cs.CL
Designing Heterogeneous LLM Agents for Financial Sentiment Analysis
School of Computing（计算机学院）；National University of Singapore（新加坡国立大学）
针对金融情感分析中生成式大模型应用缺乏规范方法的问题，本研究基于心智理论提出异构LLM智能体框架，无需微调即可实现更优的情感分析准确率，为相关领域设计提供了新路径。
2024-01-11 cs.AI cs.CL cs.MA
Domain-Specific Language Model Post-Training for Indonesian Financial NLP
Institut Teknologi Bandung（万隆理工学院）；PT Bank Rakyat Indonesia (Persero) Tbk（印尼人民银行（Persero）股份有限公司）
针对印尼语金融领域，对预训练IndoBERT进行小规模语料后训练，构建数据集并发布BERT模型族，验证了后训练可提升领域下游任务效果。
2023-10-15 cs.AI cs.CL
Financial News Analytics Using Fine-Tuned Llama 2 GPT Model
本文采用 PEFT/LoRA 方法微调 Llama 2 GPT 大型语言模型，实现对金融新闻的多任务分析（包括文本分析、要点提取、总结和命名实体情感提取），并生成包含结构化文本与 JSON 格式的响应以供下游监督学习使用。
2023-09-11 cs.AI cs.CE cs.CL
Predicting Financial Market Trends using Time Series Analysis and Natural Language Processing
ADA University（ADA大学）；George Washington University（乔治华盛顿大学）
本研究通过时间序列分析与自然语言处理，利用Twitter情绪和LSTM模型预测股票价格，发现情绪极性是主要影响因素，为投资决策提供参考。
2023-08-31 cs.AI cs.LG q-fin.ST
GroupSHAP-Guided Integration of Financial News Keywords and Technical Indicators for Stock Price Prediction
Hanyang University（汉阳大学）
本研究提出一种基于GRU并增强GroupSHAP的预测框架，通过量化语义关键词组的贡献，在降低计算成本的同时提升了股价预测的可解释性与性能。
2025-11-03 cs.AI cs.CE
FinSentLLM: Multi-LLM and Structured Semantic Signals for Enhanced Financial Sentiment Forecasting
提出轻量级多LLM框架FinSentLLM，结合情感预测专家小组与结构化语义信号，无需再训练即在Financial PhraseBank上提升3-6%准确率与F1分数，并验证情感信号与股市长期动态存在稳健关联。
2025-09-16 cs.CE
MulFSA: Multi-level Financial Sentiment Analysis Framework for Bond Market
Sichuan University（四川大学）；National University of Singapore（新加坡国立大学）；Fudan University（复旦大学）
本文提出MulFSA框架，基于预训练语言模型和大语言模型，系统整合企业级微观情绪、行业级中观情绪和持续时间感知平滑，以建模文本影响的延迟和持续性，从而提升信用利差预测的准确性。
2026-05-20 cs.CE
Volatility Prediction using Financial Disclosures Sentiments with Word Embedding-based IR Models
波动性预测-金融市场中的一个基本概念-最近已使用情感分析方法加以处理。我们研究了股票市场中公司年度披露的情绪，以预测波动性。我们专门探讨使用最近的信息检索（IR）的长期加权模型，有效地扩展了相关的条款，使用词嵌入。与文本信息平行，事实市场数据已被广泛用作预测市场风险的主流方法。因此，我们研究了不同的融合方法来结合文本和市场数据资源。我们基于词嵌入的方法显著优于最先进的方法。此外，我们还研究了不同金融行业公司的报告特征。
2017-09-28 cs.CE cs.IR
Predicting Financial Markets: Comparing Survey, News, Twitter and Search Engine Data
基于在线情绪跟踪的金融市场预测最近引起了很多关注。然而，这个新兴领域的大多数结果都依赖于数据集和情感跟踪工具的独特组合。这使得很难将测量和工具效应与实际参与在线情绪和市场价值之间明显关系的因素区分开来。在本文中，我们调查了一系列在线数据集，（Twitter提要、新闻标题和Google搜索查询量）和情绪跟踪方法（Twitter投资者情绪、负面新闻情绪和Twitter &谷歌搜索量的金融术语），并比较它们对市场指数（如道琼斯工业平均指数、交易量和市场波动率（VIX））的财务预测价值，以及黄金价格。我们还比较了传统投资者情绪调查数据（即投资者情报和每日情绪指数）与上述在线情绪指标的预测能力。我们的研究结果表明，传统的投资者情报调查是金融市场的滞后指标。然而，每周的Google Insight搜索量对金融搜索查询确实具有预测价值。Twitter投资者情绪的指标和前1-2天在Twitter上出现金融术语的频率也被发现是每日市场日志回报的统计显著预测因素。然而，一旦我们控制了所有其他情绪指标以及波动率指数，我们发现调查情绪指标并不是金融市场价值的统计学显著预测因素。
2011-12-05 cs.CE physics.soc-ph q-fin.ST
Comparative Evaluation of Embedding Representations for Financial News Sentiment Analysis
本文比较了金融新闻情感分类中基于嵌入的技术，发现预训练嵌入在数据不足时效果下降，建议采用少样本学习或数据增强等方法。
2026-04-09 cs.AI cs.CE cs.CY
IKNet: Interpretable Stock Price Prediction via Keyword-Guided Integration of News and Technical Indicators
Hanyang University（汉阳大学）
IKNet提出可解释关键词引导网络，整合新闻关键词与技术指标预测股价，通过FinBERT和Shapley解释提升准确性及透明度，在S&P 500数据上RMSE降低32.9%，累计收益提高18.5%。
2025-10-27 cs.AI cs.CE
Aligning LLMs with Human Instructions and Stock Market Feedback in Financial Sentiment Analysis
本文提出一种融合指令微调与市场反馈的自适应RAG框架来微调7B至70B的LLMs，用于金融情感分析，在准确率、F1分数及投资组合夏普比率上均优于现有方法。
2024-10-19 cs.CE
TriAgent: Divergence-Aware Multi-Agent Committees for Cost-Efficient Financial Sentiment Analysis
The Overlake School（奥弗湖学校）；Edwards Vacuum Inc.（爱德华兹真空公司）；The University of Memphis（孟菲斯大学）
研究针对基于生产LLM的金融情绪分析成本高问题，提出TriAgent多智能体委员会，按上下文粒度分层，用SDI衡量分歧并路由查询，有批评者平稳期等发现及三个推论，节省成本且效果好。
2026-07-23 cs.CE cs.CL cs.DB
Exploring Robustness of Prefix Tuning in Noisy Data: A Case Study in Financial Sentiment Analysis
Queen’s University（女王大学）
基于变压器的模型（如BERT、GPT和RoBERTa）的发明使研究人员和金融公司能够微调这些强大的模型，并将其用于不同的下游任务，以实现最先进的性能。最近，一个轻量级的替代（约0.1% - 3%的原始模型参数）微调，称为前缀调优已被引入。此方法冻结模型参数，仅更新前缀，以实现与完全微调相当的性能。前缀调优使研究人员和金融从业者能够用更少的参数实现类似的结果。在本文中，我们探讨了前缀调整的鲁棒性时，面对噪声数据。我们的实验表明，微调是更强大的噪声比前缀调整-后一种方法面临着显着降低性能的最损坏的数据集，随着噪声水平的增加。此外，与许多腐败方法中的微调相比，前缀调整在F1分数中具有高方差。我们强烈主张，在将最先进的前缀调优方法应用于噪声数据时，应谨慎行事。
2022-10-26 cs.AI cs.CE cs.CL
Transformers Beyond Order: A Chaos-Markov-Gaussian Framework for Short-Term Sentiment Forecasting of Any Financial OHLC timeseries Data
针对金融OHLC数据短期情绪预测的挑战，提出混沌-马尔可夫-高斯（CMG）框架，融合混沌理论、马尔可夫链和Gaussian过程，并增强Transformer模型，实现高效准确预测，优于传统基线。
2025-06-06 cs.CE q-fin.ST
SenseAI: A Human-in-the-Loop Dataset for RLHF-Aligned Financial Sentiment Reasoning
SenseAI通过整合推理链、置信度评分和市场结果，为金融情感推理提供RLHF对齐的数据支持，揭示模型行为中的系统性模式及改进机会。
2026-04-06 cs.CE cs.CL
MoMoE: A Mixture of Expert Agent Model for Financial Sentiment Analysis
本文提出融合MoE架构与多智能体协作的MoMoE模型，改造LLaMA 3.1 8B为分层专家智能体结构，在多语言基准上取得显著性能提升。
2025-11-17 cs.CE
MANA-Net: Mitigating Aggregated Sentiment Homogenization with News Weighting for Enhanced Market Prediction
The University of Edinburgh（爱丁堡大学）
针对多条新闻等权静态聚合导致的情感同质化问题，提出MANA-Net，用动态市场—新闻注意力加权聚合情感并端到端优化，在S&P 500与NASDAQ 100上提升了预测交易表现。
2024-09-09 cs.AI cs.CE cs.LG
SSAAM: Sentiment Signal-based Asset Allocation Method with Causality Information
本研究提出融合因果信息的SSAAM资产配置方法，通过NLP构建金融新闻极性指数，结合变点检测聚类与优化算法进行股票组合再平衡，效果优于对比方法，验证了情绪信号对权益资产配置的作用。
2024-08-13 cs.CE
BERTopic-Driven Stock Market Predictions: Unraveling Sentiment Insights
Computer and Information Science FST（科技学院计算机与信息科学系）
本文提出利用BERTopic从股市评论中提取主题情感，并将其与深度学习模型结合以提升股票价格预测性能，验证了主题情感对市场波动和价格趋势的隐含价值。
2024-04-04 cs.CE cs.CL q-fin.ST
Market-Derived Financial Sentiment Analysis: Context-Aware Language Models for Crypto Forecasting
School of Computer Engineering, Iran University of Science and Technology（伊朗科技大学计算机工程学院）
提出基于历史价格趋势的市场衍生标注方法微调上下文感知语言模型，在比特币新闻预测中达89.6%准确率并获高夏普比率，证明语言模型是有效的短期市场预测器。
2025-03-02 cs.CE cs.CL cs.LG
CreditARF: A Framework for Corporate Credit Rating with Annual Report and Financial Feature Integration
School of Cyberspace Security, Beijing University of Posts and Telecommunications（网络安全学院，北京邮电大学）；Guotai Junan Securities（国泰君安证券）；Hebei University of Technology（河北工业大学）
本文提出CreditARF框架，融合财务数据与FinBERT提取的年报文本特征，并构建CCRD数据集，使信用评级预测准确率提升8%-12%。
2025-08-02 cs.CE cs.CL cs.LG
Bitcoin Price Direction Prediction via Regime-Aware Multi-Modal Fusion of Social Sentiment and Technical Features
FAST National University of Computer and Emerging Sciences (FAST-NUCES)（快速国立计算机与新兴科学大学）
研究比特币亚日价格预测难题，提出状态感知多模态学习（RAML）方法，依据市场状态动态融合社会情绪与技术特征，实验表明该方法在预测中表现良好，确立状态条件自适应融合为多模态金融预测的必要原则。
2026-07-28 cs.CE cs.LG econ.EM
Using Stock Prices as Ground Truth in Sentiment Analysis to Generate Profitable Trading Signals
“大”（大量）社交媒体数据的日益可用性激发了大量应用情感分析来预测金融市场价格走势的研究。该领域以前的工作研究了如何将文本的真实情绪（即积极或消极的观点）用于金融预测，基于在线表达的情绪代表真实市场情绪的假设。在这里，我们考虑相反的想法，即在系统中使用股票价格作为基础事实可能是一个更好的情绪指标。根据所讨论的股票价格在接下来的一个小时内是上涨还是下跌，推文被标记为买入或卖出，并据此为各个公司建立特定的股票词典。贝叶斯分类器用于生成股票预测，这些预测被输入到自动交易算法。在一个月内配售468笔交易，回报率为5.18%，年化约为83%。这种方法的性能明显优于随机机会，优于两个基线情感分析方法测试。
2018-11-07 cs.CE q-fin.ST
Using Sentiment and Technical Analysis to Predict Bitcoin with Machine Learning
Federal Institute of São Paulo（圣保罗联邦学院）
本文提出结合恐惧与贪婪指数、技术分析指标和机器学习算法预测比特币价格走势，初步实验显示该方法在投资回报上优于买入并持有基线。
2024-10-18 cs.CE cs.LG
Decoding Market Emotion from Blockchain Activity: A Data-Driven Sentiment Classifier
Computing Sciences Center - C3（计算科学中心 - C3）
研究通过结合链上、金融数据与社交媒体帖子分析比特币市场情绪，用梯度提升等模型分类，SHAP量化特征贡献，此数据组合产生有意义信号与见解，支持加密货币分析及深度学习改进。
2026-07-17 cs.CE cs.LG
Bitcoin's Edge: Embedded Sentiment in Blockchain Transactional Data
King’s College London（伦敦国王学院）；University of Nottingham（诺丁汉大学）
针对加密货币区块链隐藏内容分析的局限，该研究采用自然语言处理和多种机器学习技术提取交易数据中的公众情绪，首次展示其对加密货币价格的预测能力，发现比特币较以太坊存在信息优势。
2025-04-18 cs.CE cs.CR cs.CY
Global Public Sentiment on Decentralized Finance: A Spatiotemporal Analysis of Geo-tagged Tweets from 150 Countries
本研究分析了2012至2022年来自150个国家的1.5亿条DeFi相关推文，利用BERT模型和多模态数据集揭示了全球DeFi情绪的空间差异及经济决定因素，发现人均GDP是关键预测因子且不同收入国家关注点各异，推进了计算社会科学与金融的跨学科研究。
2025-02-03 cs.CE cs.CY econ.GN
