1. 课程导入
金融公告是资本市场信息传递的核心载体。上市公司披露的定期报告、临时公告、问询函回复、权益变动书、业绩预告等文本，既包含强监管属性，又承载大量可量化的投资信号。传统人工阅读方式在面对每日数百甚至上千条公告时，效率与一致性都难以保证。本课程以“文本分类”与“多标签识别”为主线，帮助学员建立从数据获取、文本表示、模型训练到业务落地的完整能力。第1章不急于进入代码，而是先厘清学习目标、核心概念、整体框架与实战价值，为后续29章打下认知基础。
一、学习目标：从“能读公告”到“能建系统”
本课程的学习目标分为四个层次，层层递进：
- 概念层：理解金融公告的文本特征、分类体系与多标签定义，能区分单标签分类、多标签分类与多类别分类的差异。
- 方法层：掌握文本预处理、特征工程、词向量、预训练语言模型微调、多标签损失函数与阈值调优等核心方法。
- 工程层：能够独立完成数据标注规范设计、训练集/验证集/测试集划分、模型训练与评估、错误分析与迭代优化。
- 业务层：能将模型输出映射到投研、风控、合规、舆情监控等真实场景，理解精确率、召回率与F1在业务中的取舍逻辑。
二、核心概念：分类、多标签与金融文本的特殊性
文本分类是指将一段文本映射到一个或多个预定义类别。金融公告场景中，常见任务包括：公告类型分类（如业绩预告、股权激励、重大合同）、情感/倾向分类（利好、利空、中性）、风险事件识别（诉讼、违规、退市风险）以及多标签识别（一条公告同时涉及“业绩预增”和“高管变动”）。
多标签识别与单标签分类的关键区别在于：单标签假设类别互斥，多标签允许一条样本同时属于多个类别。例如，一份公告可能同时是“业绩预告”且“业绩预增”且“股价敏感”。这要求模型输出层使用Sigmoid而非Softmax，损失函数常用二元交叉熵（BCE），评估指标需采用宏平均/微平均F1、汉明损失等。
| 任务类型 | 标签关系 | 输出层 | 典型损失 | 金融公告示例 |
|---|---|---|---|---|
| 单标签多分类 | 互斥 | Softmax | 交叉熵 | 公告类型：年报/半年报/季报 |
| 多标签分类 | 可共存 | Sigmoid | BCE | 业绩预增+高管变动+股价敏感 |
| 层次分类 | 父子层级 | 多级Softmax | 层级交叉熵 | 一级：财务类；二级：业绩预告 |
金融公告文本还有三个特殊性：一是格式噪声，PDF转文本后常出现表格错位、页眉页脚混入；二是领域术语密集，如“扣非净利润”“商誉减值”“一致行动人”；三是标签长尾，少数类别样本极少，但业务价值极高。这些特性决定了后续章节必须专门处理数据清洗、类别不平衡与领域自适应。
三、整体框架：数据—模型—评估—落地四层闭环
本课程的整体框架可概括为“四层闭环”，每一层都对应后续章节的实操内容：
- 数据层：公告采集、PDF解析、文本清洗、标注规范设计、标签体系维护。重点解决“数据从哪来、标签怎么定、质量如何控”。
- 模型层：基线模型（TF-IDF+逻辑回归）、深度学习模型（TextCNN/BiLSTM+Attention）、预训练模型（BERT/FinBERT）微调、多标签损失与阈值策略。
- 评估层：精确率、召回率、F1、汉明损失、AUC；按类别分层评估；错误样本归因；业务指标与模型指标对齐。
- 落地层：批量推理、增量更新、人工复核、模型监控、与投研/风控系统对接。
# 典型训练配置示例（后续章节会逐步展开）
model_name: bert-base-chinese
max_length: 256
batch_size: 16
learning_rate: 2e-5
epochs: 5
loss: BCEWithLogitsLoss
threshold: 0.5 # 后续按类别调优
eval_metrics: [macro_f1, micro_f1, hamming_loss]四、实战价值与常见误区复盘
实战价值体现在三个维度：效率——将人工阅读公告的时间从小时级压缩到秒级；一致性——避免不同分析师对同一公告判断标准不一；可追溯——每条标签都有模型置信度与原文依据，便于复核与审计。在投研场景中，多标签识别可用于事件驱动策略的信号生成；在风控场景中，可用于诉讼、违规、退市风险的实时预警；在合规场景中，可用于信息披露质量监控。
常见误区需要提前警示：
- 误区一：把多标签当多分类做。使用Softmax会导致标签互斥，丢失共存信息。应使用Sigmoid+BCE。
- 误区二：只看整体准确率。长尾类别被多数类淹没，整体准确率虚高。应看宏平均F1与各类别召回。
- 误区三：阈值一刀切。不同类别的最优阈值不同，需按类别调优或使用动态阈值。
- 误区四：忽略文本截断。公告关键信息可能在文末，简单截断前256字会丢失信号。应结合标题、首段与关键段落。
- 误区五：标注规范缺失。标注员对“利好”理解不一致，导致标签噪声。应先制定标注手册并做一致性检验。