2. 金融文本与情绪分析基础
在把 FinBERT 用于真实业务之前，必须先回答一个更基础的问题：金融世界里到底有哪些文本？这些文本里的“情绪”如何定义、如何标注、如何被模型学习？如果跳过这一步直接微调，模型往往会在训练集上表现良好，却在实际研报、公告或社交媒体上频繁误判。本节围绕金融文本类型、情绪分类体系、情感分析任务定义以及常见应用场景与业务价值四个模块展开，为后续的 FinBERT 微调打下概念地基。
一、金融文本类型：不同来源决定不同难度
金融文本并非单一文体，它横跨正式披露、专业研究和非正式表达三大类。不同来源的文本在语言风格、噪声水平、情绪强度和标注难度上差异显著，直接决定了模型输入预处理与标签体系的设计。
- 正式披露类：年报、季报、招股说明书、重大事项公告、监管问询回复。语言规范、结构固定，但情绪表达含蓄，常用“审慎乐观”“存在不确定性”等模糊措辞。
- 专业研究类：券商研报、评级报告、行业深度、基金经理观点。包含大量专业术语与逻辑推理，情绪往往体现在评级调整、目标价变化和风险提示中。
- 新闻资讯类：财经新闻、快讯、政策解读。时效性强、覆盖面广，但同一事件在不同媒体笔下情绪倾向可能相反。
- 社交媒体类：股吧、微博、雪球、Twitter/X 财经帖。口语化、反讽、表情符号和缩写密集，是情绪最强烈也最难标注的一类。
- 交互文本类：财报电话会议记录、分析师问答、投资者调研纪要。包含问答轮次和说话人角色，情绪随对话推进而变化。
二、情绪分类体系：从三分类到多维标注
金融情绪分析最常用的分类体系是三分类：正面（Positive）、中性（Neutral）、负面（Negative）。中性类别在金融文本中占比往往很高，因为大量披露性内容只是陈述事实，并不表达明确倾向。若业务需要更细粒度，可扩展为五分类，加入“强烈正面”和“强烈负面”，或引入“不确定/混合”类别。
除了极性，专业金融情绪还常从以下维度标注：
| 维度 | 取值示例 | 典型用途 |
|---|---|---|
| 极性 | 正面 / 中性 / 负面 | 舆情监控、因子构建 |
| 强度 | 弱 / 中 / 强 | 事件冲击评估 |
| 确定性 | 确定 / 不确定 / 推测 | 风险预警 |
| 时间指向 | 历史 / 当前 / 未来 | 预期管理 |
| 主体 | 公司 / 行业 / 宏观 | 归因分析 |
标注体系一旦确定，就要在标注手册中给出明确边界案例。例如“公司预计下半年业绩承压”应标为负面还是中性？通常若“承压”明确指向业绩下滑，则标负面；若只是风险提示且无明确方向，可标中性。边界一致性直接决定 FinBERT 微调的上限。
三、情感分析任务定义：句子级、文档级与方面级
金融情感分析在任务粒度上可分为三个层次，它们对模型输入长度和输出结构的要求不同。
- 句子级：输入单句，输出一个极性标签。适合新闻标题、快讯、社交媒体短帖。FinBERT 原生预训练即面向句子级分类。
- 文档级：输入整篇公告或研报，输出整体情绪。需要处理长文本截断、段落聚合或层次化建模。
- 方面级：识别文本中针对不同方面（如营收、利润、管理层、政策）的情绪。例如“营收超预期，但利润率承压”中，营收为正面、利润率为负面。方面级更贴近投研需求，但标注成本最高。
从建模角度看，句子级和文档级通常建模为文本分类任务，方面级则可建模为序列标注或多标签分类。FinBERT 微调时，只需在 [CLS] 向量后接一个线性分类头即可完成句子级任务：
from transformers import BertForSequenceClassification
model = BertForSequenceClassification.from_pretrained(
"yiyanghkust/finbert-tone",
num_labels=3,
id2label={0: "neutral", 1: "positive", 2: "negative"}
)
# 输入: [CLS] 公司上调全年营收指引 [SEP]
# 输出: logits -> softmax -> 正面概率最高id2label 映射，否则会出现“正面判成负面”的系统性错误。四、常见应用场景与业务价值
金融情绪分析的价值不在于“判断一句话好坏”，而在于把非结构化文本转化为可量化、可回测、可监控的信号。典型场景包括：
- 舆情监控与风险预警：实时扫描新闻和社交媒体，对负面情绪突增的公司发出预警，辅助风控和合规部门快速响应。
- 量化因子构建：将每日情绪得分聚合为情绪因子，与收益率、波动率进行回归或分层回测，验证其选股或择时能力。
- 研报与公告摘要：自动提取评级调整、目标价变化和风险提示，帮助投研人员快速筛选关键信息。
- 智能投顾与客服：识别用户提问中的焦虑或投诉情绪，动态调整回复策略与人工介入优先级。
- ESG 与合规审查：检测披露文本中是否存在误导性乐观表述，辅助内部审计与监管报送。
业务价值可归纳为三个层面：效率（替代人工阅读海量文本）、覆盖（7×24 小时全市场监控）、一致性（统一标注标准减少人为偏差）。但也要清醒认识到，情绪信号本身存在噪声和滞后，必须与基本面、量价数据结合使用，不能单独作为交易依据。
五、误区与复盘：别让“情绪”变成玄学
初学者常犯的错误包括：把中性文本强行归为正面或负面；忽略否定词和反讽；用通用情感词典直接套用金融文本；以及在没有验证集的情况下盲目相信准确率。一个典型的复盘案例是：某团队用通用情感模型分析财报电话会议，发现“管理层信心十足”被标为正面，但股价随后下跌。原因在于金融语境中，过度自信可能被市场解读为风险信号。这说明金融情绪不等于日常情绪，必须用领域数据微调。