FinBERT 金融情绪分析

项目概述

本项目基于 Google 的 BERT 架构，利用在大量金融语料库上预训练的 FinBERT 模型，专门用于识别和分析金融文本中的情感倾向。与传统通用情感分析模型不同，FinBERT 能够准确理解金融领域的专业术语（如“做空”、“加息”、“财报指引”等）及其在特定语境下的情感色彩。

核心功能

• 三分类情感识别：将文本自动分类为 positive（正面）、negative（负面）或 neutral（中性）。
• 置信度评分：不仅输出分类结果，还提供每个类别的概率分布，帮助用户判断模型的确定程度。
• 实时分析：支持对单条新闻、社交媒体评论或财报摘要进行快速推理。

技术栈

• 深度学习框架: PyTorch
• 模型架构: BERT (Base/Uncased) 微调版
• 依赖库: transformers, torch, numpy

应用场景

• 量化交易策略中的舆情因子构建
• 金融机构的风险监控与预警
• 自动化财经新闻摘要与评级

结果展示

本模块展示了模型在不同输入情况下的文字输出逻辑。

场景一：正面财经新闻

• 输入内容：*

"Tesla's Q4 delivery numbers smashed analyst estimates, driving the stock price up by 8% in pre-market trading."

• 输出结果：*
• 预测情感标签: positive
• 置信度分布:
  • positive: 0.92
  • neutral: 0.05
  • negative: 0.03
• 解读: 模型以极高的置信度识别出“smashed estimates”（远超预期）和“driving...up”（推动上涨）为强烈的正面信号。

场景二：负面风险提示

• 输入内容：*

"The Federal Reserve hinted at more aggressive rate hikes to combat persistent inflation, causing bond yields to spike."

• 输出结果：*
• 预测情感标签: negative
• 置信度分布:
  • negative: 0.88
  • neutral: 0.10
  • positive: 0.02
• 解读: 模型捕捉到“aggressive rate hikes”（激进加息）和“bond yields to spike”（债券收益率飙升）通常被视为对市场流动性收紧的负面信号。

场景三：中性事实陈述

• 输入内容：*

"Apple Inc. announced that its annual shareholder meeting will be held on March 15th at the Cupertino headquarters."

• 输出结果：*
• 预测情感标签: neutral
• 置信度分布:
  • neutral: 0.95
  • positive: 0.03
  • negative: 0.02
• 解读: 文本仅包含时间、地点和事件的事实性描述，未包含明显的情感倾向词汇，因此被判定为中性。