2. 金融文本情绪分析基础

在进入 FinBERT 的模型细节之前，我们需要先建立对“情绪分析”这件事本身的清晰认知。金融文本情绪分析并不是把通用情感分类器直接搬到财经新闻上那么简单，它涉及一套独立的概念体系、任务定义和评估逻辑。本节将围绕基本概念、金融领域特殊性、常见任务类型与应用场景展开，为后续的模型实战打下概念地基。

一、情绪分析的基本概念

情绪分析（Sentiment Analysis），又称意见挖掘，核心目标是从文本中识别、抽取并量化主观态度。在通用场景中，它通常被建模为三分类（正面、负面、中性）或回归任务（情感极性得分）。其基本流程可以概括为：文本输入 → 表示学习 → 情感判别 → 输出标签或分数。

从技术演进看，情绪分析方法经历了三个阶段：基于情感词典的规则方法、基于传统机器学习的特征工程方法，以及当前主流的基于预训练语言模型的深度学习方法。FinBERT 正属于第三阶段，它通过在大规模金融语料上继续预训练 BERT，使模型获得金融语义先验。

需要区分几个容易混淆的概念：情感极性指正负方向；情感强度指态度强弱；情绪类别则可能包含喜悦、恐惧、愤怒等更细粒度标签。金融场景中，最常用的仍是极性与强度，但“不确定性”“风险”等维度同样关键。

二、金融领域的特殊性

金融文本与通用文本存在显著差异，直接套用通用模型往往效果不佳。其特殊性主要体现在以下方面：

• 领域术语密集：如“做空”“对冲”“流动性紧缩”“鹰派加息”，通用模型难以准确理解其情感倾向。
• 情感表达隐晦：金融文本常以客观陈述传递态度，例如“公司下调全年指引”本身不含情感词，却是明确负面信号。
• 实体与情感绑定：同一句话可能对一家公司正面、对另一家公司负面，需要实体级情感分析。
• 时间敏感性：市场对信息的反应具有时效性，情绪标签需结合发布时点与市场状态。
• 标签噪声大：金融文本的情感标注常依赖市场后续表现，存在滞后与噪声。

三、常见任务类型

金融情绪分析的任务体系可以从粒度、目标和输出形式三个维度划分。下表给出常见任务类型及其典型输出：

在实际工程中，任务选择取决于业务目标。若用于构建量化因子，通常需要连续得分；若用于风险预警，则更关注负面事件的召回率。

四、应用场景与典型流程

金融情绪分析已广泛应用于投资研究、风险管理和智能投顾等场景。典型应用包括：

1. 舆情监控与预警：实时抓取新闻、公告、社交媒体，识别负面情绪并触发预警。
2. 量化交易信号：将情绪得分作为因子输入多因子模型，辅助择时或选股。
3. 研报与公告摘要：自动提取关键情感句，生成结构化摘要。
4. 智能客服与投顾：理解客户提问中的情绪，优化应答策略。

一个完整的金融情绪分析流水线通常包含：数据采集 → 文本清洗 → 分句与实体识别 → 情绪模型推理 → 后处理与聚合 → 业务应用。FinBERT 主要承担其中的情绪模型推理环节。

五、常见误区与复盘

在入门阶段，学习者容易陷入以下误区：

• 把通用情感模型直接用于金融文本：通用模型对“下调评级”“流动性收紧”等表达常判断错误，必须使用领域适配模型。
• 忽略实体与方面：一句话可能同时包含对多家公司的不同态度，句子级标签会丢失关键信息。
• 混淆情感与事实：并非所有负面事实都对应负面情绪，需结合任务定义区分。
• 只看准确率：金融场景中类别不平衡严重，应关注 F1、召回率及负面类别的表现。
• 忽视时间对齐：用未来信息标注历史文本会造成数据泄漏，导致回测虚高。

复盘来看，金融文本情绪分析的本质是在领域语义空间中完成态度判别与结构化输出。理解基本概念、领域特殊性和任务类型，才能正确选择模型、设计流程并评估结果。FinBERT 正是为这一领域语义空间量身打造的预训练模型，下一阶段我们将深入其结构与训练机制。