知识卡片：超越情绪：金融新闻的结构化信息抽取

一句话结论

仅用单一情绪分数无法充分刻画金融新闻的预测信息；通过大语言模型抽取多维结构化语义特征，可在股票预测中显著超越单纯的情绪分析，表明金融文本中的“情绪—语义解耦”是系统性的且可利用的。

事件概述或研究问题

传统金融情绪分析在新闻驱动的股票预测中已成为标准组件，但将内容丰富的新闻压缩为单一极性分数会造成信息损失。作者假设金融新闻编码了多个与情绪正交的信息维度——如事件类型、影响范围、时间跨度、语义置信度——这些维度具有独立的预测价值。研究通过大规模实验检验这一假设，并评估结构化信息提取框架相对于传统情绪分析是否带来增量收益。

方法/产品要点

• 提出一种结构化信息提取框架，使用 LLaMA-3.1-70B 从金融新闻中抽取六个语义维度（具体维度完整列表待核实）。
• 使用 FNSPID 数据集，包含 41,618 条新闻—股票配对（news–stock pairs） 进行大规模实验。
• 对比基准特征：使用 FinBERT 生成的金融情绪特征。
• 评估方式：在线性模型与非线性模型下比较各特征组合的预测性能（以 F1 衡量）。
• 通过消融实验和特征重要性分析，量化非情绪类结构维度的独立贡献。

主要结果或产业意义

• FinBERT 情绪特征的表现高度依赖模型复杂度：在非线性模型下 F1=0.576，在线性模型下 F1=0.230，说明情绪与收益之间的关系是高度非线性的。
• LLM 提取的结构化特征与情绪特征存在系统性分歧：两者在预测信号上的系统性不一致率达 53.5%，表明结构化特征捕捉了情绪之外的正交信息。
• 组合特征显著优于单一来源：情绪特征 + 结构化特征得到 F1=0.600，显著优于任何单一阵（p < 0.0001），并在全部七种事件类型上保持一致提升。
• 非情绪结构维度具有独立贡献：消融实验显示，事件类型、影响主体、时间跨度、置信度等结构维度在 FinBERT 之外额外带来 ΔF1 = +0.019。
• 六个抽取维度的特征重要性较均衡（14%–21%），说明将新闻压缩为单一情绪分数的确会造成显著的信息损失。

为什么重要

这是“已有相关卡片”脉络中的一个新方向：既有工作关注区块链情绪分类、开源大模型生成漏洞威胁信息、智能体轨迹优化，而本卡片聚焦金融新闻的多维结构化信息抽取，并首次系统性量化了“情绪—语义解耦”的预测价值。其增量信息在于：不仅说明大语言模型可以抽取金融结构化信息，还用大规模实验证明这些结构信息与情绪信号正交、可叠加，并且贡献均衡，为多维度金融 NLP 提供了新思路。

局限与不确定性

• 六个语义维度的具体定义与抽取方法在材料中未完全列出，待核实。
• 材料未说明 LLaMA-3.1-70B 抽取结构化特征的准确率、运行成本或人工评估结果，待核实。
• F1 的具体预测目标（如上涨/下跌方向分类）未在材料中明确说明，待核实。
• 仅基于 FNSPID 单一数据集，结论的泛化性尚需在更多金融新闻数据集上验证。
• 未提供与更复杂深度学习模型（如直接使用新闻文本端到端预测）的对比，待核实。

可用于图书/PPT/简报的角度

• “从涨跌情绪到事件语义：金融新闻分析的下一个前沿”
• “大模型如何把财经新闻变成结构化数据？”
• “为什么单一情绪分数不够用：来自 4 万条新闻—股票配对的证据”
• “FinBERT vs. LLaMA-3.1：情绪与结构化信息在股票预测中的互补性”

原始材料

• 英文标题：Beyond Sentiment: Structured Information Extraction from Financial News
• 英文关键词：Financial NLP; Structured Information Extraction; Sentiment Analysis; Large Language Models; Stock Prediction; FinBERT; LLaMA-3.1
• 来源：arXiv:2607.28496v1, cs.CL，发布于 2026-07-30
• URL：https://arxiv.org/abs/2607.28496v1