用于金融年报特征提取的多任务学习
计算与语言
2024-04-09 v1
摘要
为了评估公司的各项绩效指标，研究重点正从严格量化的公开披露财务信息转向定性（文本）信息。这些文本数据可以提供有价值的弱信号，例如通过文体特征，从而补充有关财务绩效或环境、社会与治理（ESG）标准的量化数据。在本工作中，我们使用多种多任务学习方法进行金融文本分类，重点关注金融情感、客观性、前瞻性句子预测和 ESG 内容检测。我们提出了不同的方法来组合在不同任务上联合训练所提取的信息；我们表现最佳的方法凸显了在多任务训练期间显式添加辅助任务预测作为最终目标任务特征所带来的积极影响。接下来，我们使用这些分类器从 FTSE350 公司的年报中提取文本特征，并研究 ESG 量化得分与这些特征之间的联系。
引用
@article{arxiv.2404.05281,
title = {Multi-Task Learning for Features Extraction in Financial Annual Reports},
author = {Syrielle Montariol and Matej Martinc and Andraž Pelicon and Senja Pollak and Boshko Koloski and Igor Lončarski and Aljoša Valentinčič},
journal= {arXiv preprint arXiv:2404.05281},
year = {2024}
}
备注
Accepted at MIDAS Workshop at ECML-PKDD 2022