评估面向 SEC filing 报告和收益通话录音 transcript 的大型语言模型在财务目标立场检测中的表现
计算与语言
2025-10-28 v1 人工智能
摘要
来自美国证券交易委员会 (SEC) filing 报告和季度收益通话录音 (ECT) 的财务叙事对投资者、审计人员和监管机构非常重要。然而，其长度、财务术语以及含蓄的语言使细粒度分析困难。先前的财务情感分析需要大型昂贵的标注数据集，使得针对特定财务目标的句子级立场检测颇具挑战性。本文引入了一个面向三大核心财务指标：债务、每股收益 (EPS) 和销售额的句子级语料库进行立场检测。这些句子来源于 Form 10-K 年度报告和 ECTs，并使用严格的人类验证方法通过高级 ChatGPT-o3-pro 模型进行立场 (积极、消极、中性) 标注。利用该语料库，我们系统评估了现代大型语言模型 (LLMs) 使用零-shot、few-shot 和 Chain-of-Thought (CoT) 提示策略。我们的结果表明，few-shot 结合 CoT 提示在监督基线方法中表现最佳，LLMs 在 SEC 和 ECT 数据集上的表现有所不同。我们的发现突显了在不要求大量标注数据的情况下利用 LLMs 进行面向特定目标的财务立场检测的实际可行性。
关键词
引用
@article{arxiv.2510.23464,
title = {Evaluating Large Language Models for Stance Detection on Financial Targets from SEC Filing Reports and Earnings Call Transcripts},
author = {Nikesh Gyawali and Doina Caragea and Alex Vasenkov and Cornelia Caragea},
journal= {arXiv preprint arXiv:2510.23464},
year = {2025}
}