Fine-Tuning Gemma-7B for Enhanced Sentiment Analysis of Financial News Headlines

在这项研究中，我们探讨了情感分析在金融新闻头条中的应用，以了解投资者情绪。通过利用自然语言处理（NLP）和大型语言模型（LLM），我们从零售投资者的角度分析情感。金融短语库数据集是我们分析的基础，其中包含了金融新闻标题的分类情感。我们微调了几个模型，包括distilbert-base-uncased、Llama和gemma-7b，以评估它们在情感分类方面的有效性。我们的实验表明，经过微调的gemma-7b模型表现最佳，具有最高的精确度、召回率和F1得分。特别是，经过微调的gemma-7b模型在准确性方面显示出显著的改进，表明其在捕捉金融情感的细微差别方面具有鲁棒性。该模型可以成为提供市场洞察、风险管理和帮助投资决策的重要工具，通过准确预测金融新闻的情感。研究结果突显了先进的LLMs在转变我们分析和解释金融信息方面的潜力，为金融行业的利益相关者提供了强大的工具。

本论文旨在探讨将情感分析应用于金融新闻标题以了解投资者情绪。通过使用自然语言处理（NLP）和大型语言模型（LLM），从零售投资者的角度分析情感。使用FinancialPhraseBank数据集作为分析基础，该数据集包含金融新闻标题的情感分类。本文使用多个模型进行微调，包括distilbert-base-uncased、Llama和gemma-7b，以评估它们在情感分类方面的有效性。

本文的关键思路是使用大型语言模型（LLM）进行情感分析，其中经过微调的gemma-7b模型表现最佳。该模型的精度、召回率和F1分数均最高，经过微调后准确性有显著提高，能够准确预测金融新闻的情感，为市场洞察、风险管理和投资决策提供有力支持。

本文的亮点包括使用大型语言模型进行情感分析，实验结果表明gemma-7b模型的性能优越；作者使用FinancialPhraseBank数据集进行实验，并在文章中公开了实验代码；本文的研究成果可为金融业相关人士提供有力支持。

最近的相关研究包括使用情感分析进行股票预测的研究，如《基于情感分析的股票预测模型研究》等。还有一些使用大型语言模型进行情感分析的研究，如《基于BERT的中文情感分析方法研究》等。