Instruct-FinGPT: Financial Sentiment Analysis by Instruction Tuning of General-Purpose Large Language Models

要約

センチメント分析は、金融記事、ニュース、ソーシャルメディアから洞察を明らかにし、市場の動きについての理解を形作るための重要なツールです。
金融自然言語処理 (NLP) における大規模言語モデル (LLM) は優れた機能を備えていますが、数値を正確に解釈して財務状況を把握することに依然として苦労しており、金融センチメントを予測する有効性は限られています。
このペーパーでは、これらの問題に対処するための、シンプルかつ効果的な命令チューニング アプローチを紹介します。
教師あり金融センチメント分析データの一部を指示データに変換し、この手法で汎用LLMを微調整することにより、金融センチメント分析は飛躍的に進歩します。
実験では、私たちのアプローチは、特に数値的な理解と文脈の理解が重要なシナリオにおいて、最先端の教師あり感情分析モデルや、ChatGPT や LLaMA などの広く使用されている LLM よりも優れたパフォーマンスを発揮しました。

要約(オリジナル)

Sentiment analysis is a vital tool for uncovering insights from financial articles, news, and social media, shaping our understanding of market movements. Despite the impressive capabilities of large language models (LLMs) in financial natural language processing (NLP), they still struggle with accurately interpreting numerical values and grasping financial context, limiting their effectiveness in predicting financial sentiment. In this paper, we introduce a simple yet effective instruction tuning approach to address these issues. By transforming a small portion of supervised financial sentiment analysis data into instruction data and fine-tuning a general-purpose LLM with this method, we achieve remarkable advancements in financial sentiment analysis. In the experiment, our approach outperforms state-of-the-art supervised sentiment analysis models, as well as widely used LLMs like ChatGPT and LLaMAs, particularly in scenarios where numerical understanding and contextual comprehension are vital.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google