FinSMART：通过市场一致的强化学习进行算法交易的金融情绪分析

生成式人工智能的最新进展通过经过训练的金融 大语言模型 (LLM) 显着改善了金融情绪分析。然而，现有的方法仍然局限于与市场无关的监督学习范式，该范式依赖于有限的、静态的和人工注释的数据集，因此无法适应不断变化的市场条件。为了解决这一限制，我们引入了 FinSMART，这是第一个用于金融情绪分析的与市场一致的强化学习框架，它利用已实现的市场结果直接优化情绪信号。为了应对金融市场的噪声、非平稳和多因素性质，FinSMART 采用了信号提取管道，将市场感知数据过滤与离散的不对称交易奖励相结合，从而能够从具有经济意义的市场反馈中进行稳定的强化学习。实验结果表明，FinSMART 在盈利能力、风险调整绩效和情绪信号质量方面显着优于现有最先进的方法，累计交易回报比最强基线提高了 220%。独特的是，FinSMART 框架自然地支持在任何时间点进行市场意识再培训，用新观察到的金融文章及其实现的市场结果取代昂贵的手动注释。这种再训练策略使模型能够不断适应不断变化的市场动态，从而比静态模型获得一致的性能提升。这些发现证明了与市场相关的强化学习的实际适用性，并强调了其作为开发自适应金融 LLM 的下一代范例的潜力。