arXiv cs.CL· Giorgos Iacovides, Oliver Hannibal, Wuyang Zhou, Danilo Mandic·· 11 小时前AI 评分31
FinLLM-KG：用知识图谱增强 LLM 的金融情感分析框架
FinLLM-KG: Knowledge Graph-Enhanced LLMs for Financial Sentiment Analysis in Algorithmic Trading
AI 导读
FinLLM-KG 是一个模型无关框架，将因果 LLM 与金融知识图谱结合，在推理时注入来自 SEC 10-K 文件的公司级知识，无需更新模型权重。上下文以自然语言公司简介或少量相关性排序的事实三元组形式提供，几乎零计算成本，且可将情感分数归因到具体句子和检索到的事实以支持人工复核。模拟显示其投资组合表现持续优于 SOTA 基线。
正文 · AI 翻译
摘要：生成式 AI 的最新进展通过经后训练的金融大语言模型（LLM）显著提升了金融情感分析。然而，现有方法仍局限于孤立地预测每篇文章的情感，并且作为黑箱运行，这限制了上下文理解，也阻碍了其在高风险金融决策中的部署。为此，我们提出 FinLLM-KG，这是一个与模型无关的框架，将因果 LLM 与金融知识图谱相结合，以便在推理时注入来自 SEC 10-K 文件、具有时间依据的公司层面知识，而无需更新模型权重。在 FinLLM-KG 中，上下文以自然语言公司简介或一小组按相关性排序的事实三元组的形式提供。这使得情感预测能够考虑更广泛的公司层面信息，而不仅仅是文章本身，且计算成本几乎为零，并适用于任何因果 LLM。此外，将每篇文章层面的情感得分归因到各个句子以及检索到的知识图谱事实，使预测背后的证据可供检查，从而增强可解释性并支持人在回路审查。模拟表明，FinLLM-KG 在投资组合表现上持续优于最先进的基线。
| 主题： | 计算与语言（cs.CL）；机器学习（cs.LG）；统计金融（q-fin.ST）；交易与市场微观结构（q-fin.TR） |
| 引用为： | arXiv:2610.36083 [cs.CL] |
| （或 arXiv:2610.36083v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36083 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Giorgos Iacovides [查看电子邮件]
[v1]
2026年10月26日星期一 18:08:20 UTC（851 KB）
来源：arXiv cs.CL · arxiv.org