FinLlama: Financial Sentiment Classification for Algorithmic Trading Applications

在网上有多个金融新闻来源会影响市场走势和交易者的决策。这凸显了需要准确的情绪分析，除了需要适当的算法交易技术外，还需要更好地了解交易决策。基于标准词典的情感方法已经展示了它们在帮助金融决策方面的强大作用。然而，它们因与上下文敏感性和词序有关的问题而闻名。大型语言模型（LLMs）也可以在这种情况下使用，但它们不是金融特定的，往往需要大量的计算资源。为了实现一个金融特定的LLM框架，我们介绍了一种基于Llama 2 7B基础模型的新方法，以从其生成性质和全面的语言操作中获益。这是通过在一小部分监督金融情感分析数据上微调Llama2 7B模型来实现的，以共同处理金融词汇和上下文的复杂性，并进一步配备具有神经网络的决策机制。这种生成器-分类器方案被称为FinLlama，不仅可以对情感价值进行分类，还可以量化其强度，从而为交易者提供对金融新闻文章的细致洞察。此外，通过LoRA优化可训练参数的实现参数高效微调，从而最小化计算和内存要求，而不会牺牲准确性。仿真结果证明了所提出的FinLlama提供了增强投资组合管理决策和增加市场回报的框架的能力。这些结果支持FinLlama构建高回报组合的能力，即使在波动期和不可预测的市场事件期间也表现出增强的韧性。

论文旨在解决金融情感分析中标准词库方法存在的上下文敏感和词序问题，提出一种基于Llama2 7B模型的金融情感分析框架FinLlama。

论文通过使用Llama2 7B模型和神经网络决策机制，对少量监督金融情感分析数据进行fine-tuning，实现了金融特定的情感分析框架。FinLlama不仅可以分类情感倾向，还可以量化情感强度，提供更细致的金融新闻分析。

论文使用了LoRA优化可训练参数，最小化计算和存储需求，同时保持准确性。实验结果表明，FinLlama可以为投资组合管理和市场回报提供增强的框架，构建高回报、强韧性强的投资组合。

与该论文相关的研究包括基于标准词库的情感分析方法和大型语言模型在情感分析中的应用。