Jul 30, 2026 · LLaMA-3.1-70B
Beyond Sentiment: Structured Information Extraction from Financial News
arXiv 论文 2607.28496v1 提出用 LLaMA-3.1-70B 从金融新闻中提取六个语义维度，在 FNSPID 数据集的 41,618 个新闻-股票对上实验。FinBERT 情感特征在非线性模型下 F1=0.576，线性模型下 F1=0.230；LLM 提取的结构化特征与情感特征有 53.5% 的系统性分歧；两者结合 F1=0.600。
EVENT STORY
Development
- First ReportBeyond Sentiment: Structured Information Extraction from Financial NewsarXiv cs.CL
- Current Assessment金融 NLP 领域正从简单情感分析转向更精细的结构化提取，LLM 在此过程中扮演关键角色。该研究可能推动金融新闻分析工具升级，但需更多验证。Agent Pulse · analysis
该论文挑战了金融新闻分析中仅使用情感分数的做法，提出结构化信息提取框架，利用 LLaMA-3.1-70B 提取事件类型、影响范围、时间跨度、语义置信度等六个维度。在 FNSPID 数据集上的实验显示，FinBERT 情感特征在非线性模型下表现良好（F1=0.576），但在线性模型下显著下降（F1=0.230），表明情感与收益关系高度非线性。LLM 提取的结构化特征虽单独较弱，但与情感特征存在 53.5% 的系统性分歧，说明其捕捉了正交信息。结合两种信号源达到 F1=0.600，优于单独使用。
该研究验证了 LLM 用于结构化信息提取的可行性，并揭示了情感特征的非线性特性。53.5% 的分歧率表明 LLM 提取的维度可能提供互补信号，但需注意 LLM 提取的可靠性。未来可探索更高效的提取方法或结合其他模型。
金融 NLP 领域正从简单情感分析转向更精细的结构化提取，LLM 在此过程中扮演关键角色。该研究可能推动金融新闻分析工具升级，但需更多验证。
对金融数据服务商和量化交易公司，该框架可能提升预测准确性，但需评估成本与收益。
后续可关注该框架在更大规模数据上的表现，以及是否被金融科技公司采用。