FinDPO：基于直接偏好优化的金融情感分析框架用于算法交易
计算与语言
2025-07-25 v1 机器学习
统计金融
交易与市场微观结构
摘要
在线金融相关文本数据中表达的意见对交易决策和市场走势的影响日益显著。这一趋势凸显了情感分析作为量化此类意见性质与强度的工具的关键作用。随着生成式人工智能（GenAI）的快速发展，监督微调（SFT）大型语言模型（LLM）已成为金融情感分析的事实标准。然而，SFT 方法可能导致训练数据记忆化，常无法对未见样本进行泛化。在金融领域，这一限制尤为关键，因为模型必须适应先前未观察到的事件以及金融领域细腻的专业语言。为此，我们引入 FinDPO，即首个基于后训练人类偏好对齐通过直接偏好优化（DPO）实现的金融领域专用大型语言模型框架。 proposed FinDPO 在标准情感分类基准测试上实现了领先性能，平均优于现有监督微调模型的 11%。独特的是，FinDPO 框架能够通过一种新颖的“logit-to-score”转换，将微调因子 LLM 集成到现实投资组合策略中，将离散情感预测转化为连续、可排序的情感分数（概率）。如此一来，仿真结果表明，FinDPO 是首个基于情感的方法，能够在年化收益达 67% 且在 5 个基点（bps）的真实交易成本下，实现 2.0 的夏普比率，展现出强劲的风险调整后表现。
引用
@article{arxiv.2507.18417,
title = {FinDPO: Financial Sentiment Analysis for Algorithmic Trading through Preference Optimization of LLMs},
author = {Giorgos Iacovides and Wuyang Zhou and Danilo Mandic},
journal= {arXiv preprint arXiv:2507.18417},
year = {2025}
}