FinLlama：面向算法交易应用的金融情感分类
计算与语言
2024-03-20 v1 机器学习
统计金融
交易与市场微观结构
摘要
在线金融新闻来源众多，影响着市场走势和交易者决策。这凸显了除了拥有适当的算法交易技术外，还需要准确的情感分析，以做出更明智的交易决策。标准的基于词典的情感方法已显示出其在辅助金融决策方面的能力。然而，众所周知，它们存在与上下文敏感性和词序相关的问题。大语言模型（LLM）也可用于此情境，但它们并非金融专用，且往往需要大量计算资源。为构建一个金融专用的LLM框架，我们引入了一种基于Llama 2 7B基础模型的新方法，以利用其生成特性和全面的语言处理能力。这是通过在少量有监督的金融情感分析数据上微调Llama2 7B模型来实现的，从而联合处理金融词汇和上下文的复杂性，并进一步为其配备基于神经网络的决策机制。这种称为FinLlama的生成器-分类器方案，不仅被训练用于分类情感效价，还能量化其强度，从而为交易者提供对金融新闻文章的细致洞察。作为补充，通过LoRA实现参数高效微调，优化了可训练参数，从而在不牺牲准确性的情况下最小化计算和内存需求。模拟结果证明了所提出的FinLlama能够为增强的投资组合管理决策和提高市场回报提供一个框架。这些结果支撑了FinLlama构建高回报投资组合的能力，这些投资组合即使在波动时期和不可预测的市场事件中也表现出增强的韧性。
引用
@article{arxiv.2403.12285,
title = {FinLlama: Financial Sentiment Classification for Algorithmic Trading Applications},
author = {Thanos Konstantinidis and Giorgos Iacovides and Mingxue Xu and Tony G. Constantinides and Danilo Mandic},
journal= {arXiv preprint arXiv:2403.12285},
year = {2024}
}