从金融新闻中提取结构化洞察：一种增强型大语言模型驱动的方法

金融新闻在整个金融行业的决策过程中起着至关重要的作用，然而，将这些信息高效地处理成结构化格式仍然具有挑战性。本文提出了一种新颖的金融新闻处理方法，该方法利用大语言模型（LLMs）来克服先前阻碍从非结构化金融新闻中提取结构化数据的限制。我们引入了一个系统，该系统从原始新闻文章内容中提取相关的公司股票代码，在公司层面执行情感分析，并生成摘要，所有这些都不依赖于预先结构化的数据源。我们的方法结合了LLMs的生成能力和最新的提示技术，以及一个使用定制字符串相似度方法的稳健验证框架。对包含5530篇金融新闻文章的数据集进行的评估证明了我们方法的有效性，与当前数据提供商相比，90%的文章没有遗漏任何股票代码，22%的文章包含额外的相关股票代码。除了本文之外，该方法论已大规模实施，处理后的数据通过一个实时更新的API端点提供。据我们所知，我们是第一家提供来自新闻文章的细粒度、按公司划分的情感分析的数据提供商，从而增强了市场参与者可获取信息的深度。我们还发布了包含5530篇已处理文章的评估数据集作为静态文件，希望能促进利用金融新闻的进一步研究。