小问题在这里提出；在训练数据中，我看到作者已经确定这是中性的——
示例4:
新闻：“Estee Lauder Q2 adj. EPS $2.11; FactSet共识$1.90。”
关于Estee Lauder和FactSet共识的陈述是中性的，因为它只是陈述事实，没有表明积极或消极的态度。在这里，FinGPT准确地识别了陈述的中性。
从数量上看，这是EPS增长了0.21美元，这可能足以让股票对这个消息做出积极的React。我建议我们将其视为“积极情绪”，而不是“中性情绪”。我知道LLM在数值分析方面会有所困难，但这就是我们需要真正推动AI达到承诺之地的地方。
一旦报告的EPS在一定范围内接近共识，我们就进入了非常灰暗的领域。了解共识估计中的标准差将真正有助于确定某事是否在“中性”、“积极”或“消极”的边界内，但目前这可能是过于细致的问题。
2条答案
按热度按时间13z8s7eq1#
感谢您的建议。
我们会再次检查。
wtlkbnrh2#
感谢您的建议。我们将再次检查。
作为经常和成熟能够稳定盈利交易者打交道的从业人员，程序是能够从市场成交数据上看出市场的情绪。因为市场的消息是滞后，且大多数是不真实的，所以直接用成交数据来训练模型才是出路。就像是扑克游戏一样，只根据对手每个回合下注比例和行为，就足够判断对方情绪和牌力了。
As a practitioner who regularly deals with mature, stable and profitable traders, the program is able to read market sentiment from market turnover data. Because market information is lagging and mostly untrue, training models directly on trading data is the way to go. Just like a poker game, it is enough to judge the opponent's mood and card power based on the proportion of bets and behavior of the opponent each turn.
我对国内交易市场的渠道是熟悉的，或许我们能够沟通出好的思路。
I am familiar with the channels of the domestic trading market, maybe we can communicate a good idea.