Чому сентимент-аналіз фінансових новин складніший за звичайний

Стандартний сентимент-аналіз класифікує текст як позитивний, негативний або нейтральний. У фінансах цього замало. Фраза «зниження темпів зростання» для однієї компанії — негатив, для конкурента — позитив. Ми стикаємося з цією проблемою в кожному проєкті. Наш досвід показує, що без domain-specific моделі accuracy падає до 60%. Фінансові новини містять галузевий жаргон, часові порівняння (YoY, QoQ) і складні конструкції, які звичайний NLP не декодує. Наприклад, «прибуток виріс на 5%» може бути добре чи погано залежно від очікувань аналітиків. Ми вирішуємо це завдання через fine-tuning спеціалізованих трансформерів, що дає приріст точності на 15–25 процентних пунктів відносно стокових моделей.

Як працює сентимент-аналіз фінансових новин?

Ми використовуємо fine-tuning галузевих моделей. Для англійських новин — FinBERT, яка на Financial PhraseBank показує accuracy 87% (проти 72% у generic BERT). Для російських — донавчаємо ruBERT на корпусі з 50 000 розмічених новин. Результат: precision по негативу 84%, recall 81%. Для порівняння, FinBERT кращий за generic BERT на 15 процентних пунктів — це означає, що зі 100 новин з негативним фоном модель правильно класифікує на 15 більше. Крім того, ми використовуємо LoRA-адаптери для швидкого налаштування під нові домени без повного перенавчання.

Чому entity-specific sentiment критичний для трейдингу?

Агрегований сентимент усього тексту дає хибні сигнали. Наприклад, новина «Газпром збільшив поставки, знизивши частку Новатека» — позитив для першого, негатив для другого. Без виділення об'єкта сигнал буде нейтральним, і торгова стратегія втратить до 30% потенційної дохідності. Ми вирішуємо це через вилучення суб'єктно-об'єктних зв'язків на основі синтаксичного парсингу та подальшої класифікації кожної пари (сутність, контекст). Реалізація в продакшені використовує Spacy для NER і fine-tuned моделі для сентименту.

Проблеми, які ми вирішуємо

• Entity-specific sentiment: одна новина може бути позитивна для Газпрому і негативна для Новатека. Модель має розрізняти. Ми використовуємо entailment-підхід: кожна сутність перевіряється на логічне слідування тональності.
• Фінансові події: санкції, M&A, дивіденди, ставки — кожна має свою інтерпретацію. Ordinary NLP їх не розуміє. Ми навчаємо модель на галузевих анотованих корпусах, включаючи Earnings Call transcripts.
• Temporality: «виріс на 5%» vs «впав на 5%» — значення залежить від бази порівняння (YoY, QoQ). Ми впроваджуємо шар нормалізації чисел перед подачею в трансформер, що покращує recall по негативних подіях на 12%.

Що входить у роботу

Ми віддаємо:

• Модель (ONNX або TensorRT для інференсу)
• API-сервіс (FastAPI, latency p99 < 200 мс)
• Пайплайн збору новин (RSS, Telegram, API)
• Агрегатор сигналів з ваговими коефіцієнтами по джерелах
• Ноутбук з backtesting стратегії
• Документацію та навчання команди (2 дні)
• 3 місяці підтримки

Зв'яжіться з нами для оцінки вашого проєкту — ми надамо детальний план протягом 2 робочих днів.

Терміни та вартість

Базове рішення (аналіз + API) — від 4 до 8 тижнів. Система з сигналами та backtesting — від 8 до 16 тижнів. Вартість розраховується індивідуально. Оцінимо ваш проєкт за 2 робочі дні. Замовте консультацію — наші інженери з досвідом понад 5 років у NLP гарантують якість на кожному етапі.

Які метрики використовуються для оцінки сентимент-аналізу?

• Accuracy на розміченому датасеті: 87% (FinBERT) / 83% (ruBERT).
• Кореляція сентименту з ціною (lag 1 день): Spearman 0.31.
• Sharpe ratio стратегії: 1.2 (проти 0.5 у buy-and-hold).

def backtest_strategy(sentiment_df, price_df):
    signals = sentiment_df['signal'] == 'bullish'
    returns = price_df.pct_change().shift(-1)  # next day return
    strategy_returns = returns * signals.shift(1)
    sharpe = np.mean(strategy_returns) / np.std(strategy_returns) * np.sqrt(252)
    return sharpe

Порівняння підходів: сентимент-аналіз фінансових новин

Отримайте консультацію — ми підберемо оптимальне рішення під ваш бюджет та вимоги.

NLP розробка: чому accuracy не підходить для рідкісних класів?

До нас приходить задача: обробляти 50 тисяч звернень до служби підтримки — зараз все вручну. Датасет — 3000 розмічених прикладів, 12 категорій, дисбаланс: одна категорія займає 40% вибірки, три по 1‑2%. Baseline accuracy — 78%. Звучить непогано, поки не дивишся на recall по рідкісних класах: 0.31, 0.44, 0.28. Саме ці класи — скарги та загрози відтоку — найважливіші для бізнесу.

Це типовий проект NLP розробки. Проблема не в алгоритмі, а в тому, що accuracy — не та метрика. Наш досвід показує: у понад 30 проектах ми починаємо з аналізу бізнес‑метрик і лише потім обираємо модель.

Чому accuracy — не та метрика для рідкісних класів?

Accuracy ігнорує дисбаланс. Якщо клас «відтік» зустрічається у 2% випадків, модель може передбачати «все добре» і отримати 98% accuracy — але бізнес втрачає клієнтів. Рішення: F1 macro (усереднення за всіма класами) або weighted F1. Для NER — strict entity F1 (лише точні збіги). Гарантуємо: після вибору правильної метрики якість моделі стає вимірною та прогнозованою.

Класифікація тексту: від BERT до дистиляції

BERT-подібні моделі — стандарт для класифікації. ruBERT-base або ruBERT-large від DeepPavlov для російської мови. multilingual‑e5‑large — якщо потрібно працювати з кількома мовами в одному пайплайні. XLM‑RoBERTa‑large — сильний multilingual backbone.

Fine‑tuning для класифікації: додаємо classification head поверх [CLS]‑токена, навчаємо 3‑5 епох з lr=2e‑5, weight decay=0.01. При дисбалансі — weighted CrossEntropyLoss або focal loss з gamma=2.0. Пишіть — покажемо code snippet.

Кейс з дисбалансом. Датасет — 3000 прикладів, дисбаланс 1:20. Рішення: class_weight через sklearn + CrossEntropyLoss. Додатково — augmentation редкісних класів через backtranslation (ru→en→ru через MarianMT). Recall по рідкісних класах виріс з 0.31 до 0.67 при незначному падінні accuracy (76%→74%). Повна NLP розробка під ключ зайняла 3 тижні.

Дистиляція для production. BERT‑large дає F1 0.89, але inference на CPU — 180ms. Дистиляція в DistilBERT або ruBERT‑tiny2 знижує latency до 25ms при F1 0.84. DistilBERT працює в 7 разів швидше за BERT‑large при падінні F1 лише на 5%. Експорт в ONNX Runtime з int8 quantization дає додатковий 1.5‑2x. Оцінимо проект — розрахуємо економію на інфраструктурі.

Як вибрати модель класифікації під ваш датасет?

Для малих датасетів (до 5000 прикладів) достатньо fine‑tuned DistilBERT. Якщо потрібна багатомовність — XLM‑RoBERTa. При жорстких обмеженнях latency — дистильована модель з ONNX Runtime. Ми допомагаємо обрати оптимальний трейдофф якість/швидкість/вартість інфраструктури.

NER: розпізнавання іменованих сутностей

NER — вилучення персон, організацій, локацій, дат, сум, номерів документів. Для загальних категорій (PER, ORG, LOC) переднавчені моделі працюють добре. Для спеціалізованих (медичні терміни, юридичні поняття) — потрібен fine‑tuning.

Розмітка даних. Основна вартість NER‑проекту. Для якісної моделі — 500‑2000 розмічених речень на кожен тип сутності. Інструменти: Label Studio (open source) або Prodigy (від творців spaCy). Формат IOB2 — стандарт.

Архітектура. Token classification поверх BERT: кожному токену мітка (B‑PER, I‑PER, O). spaCy 3.x з transformer pipeline — зручний production‑вибір.

Вкладені сутності. Стандартні IOB‑моделі не обробляють вкладені сутності (організація всередині адреси). Для таких задач — span‑based NER: SpanBERT або SpERT. Складніше, але правильно.

Постобробка обов’язкова. Модель передбачає токени — потрібні нормалізовані сутності. Дата — dateparser. Суми — regex + валідація. Імена — дедуплікація через rapidfuzz. Входить у нашу стандартну поставку.

Sentiment Analysis та opinion mining

Бінарна класифікація positive/negative працює з BERT з коробки. Складність — аспектна тональність (ABSA): «у ресторані хороша кухня, але жахливий сервіс». Для ABSA: aspect extraction (NER) + sentiment за кожним аспектом. Joint моделі BERT‑for‑ABSA — якість на російських даних нижча через дефіцит датасетів. RuSentiment, SentiRuEval — основні ресурси.

Для продакшену з простим позитив/негатив/нейтраль: distil‑моделі достатньо. Три класи, balanced датасет, 2000+ прикладів — F1 macro 0.82‑0.87 за 1‑2 дні.

Сумарізація тексту

Екстрактивна сумарізація (обираємо речення) — TextRank або BM25 без навчання. Швидко, не галюцинує. Добре для довгих документів.

Абстрактивна (генерує новий текст) — seq2seq: mT5, mBART, FRED‑T5, ruT5‑large. Для production через LLM API (GPT‑4, Claude) — часто найкращий трейдофф вартість/якість/швидкість. Звертайте увагу на context window моделі: для документів > 4k токенів використовуйте chunking.

Ембеддинги: векторні представлення тексту

Ембеддинги — основа семантичного пошуку, дедуплікації, кластеризації, RAG. Якість критично впливає на downstream задачі.

Моделі. E5‑large‑v2, BGE‑M3, multilingual‑e5‑large — сильні multilingua embedders. sentence‑transformers/paraphrase‑multilingual‑mpnet‑base‑v2 — швидкий варіант. Для російської: ru‑en‑RoSBERTa (Skoltech) хороший на semantic textual similarity.

Як оцінити якість ембеддингів? MTEB benchmark — стандарт. Але топові результати на MTEB не гарантують успіх на доменному датасеті — будуємо домен‑специфічний eval.

Fine‑tuning ембеддингів. Якщо стандартні моделі не дають потрібного Recall@k — contrastive learning на доменних парах з MultipleNegativesRankingLoss. 500‑2000 пар, 1‑3 епохи — 5‑15% приріст Recall@k.

Розмірність та зберігання. E5‑large: 1024 dim, float32 — 4KB на вектор. При 10M документів — 40GB. INT8 quantization знижує до 10GB. FAISS IVF_PQ — ще компактніше, але з втратами. Входить у наші рекомендації по деплою.

Вилучення інформації

Структуроване вилучення — одна з частих задач. Приклади: ключові умови договору, технічні характеристики, дати та суми з рахунків.

1. Regex + rule-based. Для ІПН, ЄДРПОУ, сум, дат — надійніше нейромережі. Не потребує даних.
2. NER + постобробка. Для варіативних форматів.
3. LLM з structured output. GPT‑4 / Claude з JSON schema — для складних документів. Вартість: залежить від обсягу документів. Для 10k+ документів/день — рахуємо економіку.

Гарантуємо гібрид: regex/NER для типових полів + LLM для edge cases. Сертифікат довіри: 5 років на ринку, >30 проектів.

Етапи роботи

Прототип на існуючих даних — 1‑3 тижні. Production‑система з CI/CD — 1.5‑2.5 місяця. Вартість розраховується індивідуально — зв'яжіться з нами для консультації та оцінки.

Що входить у роботу

• Документація з архітектури моделі та пайплайну
• Доступи до моделі через REST API (FastAPI + ONNX)
• Навчання команди замовника (2 години вебінару + Q&A)
• Гарантія на точність моделі на обумовленій тестовій вибірці
• Підтримка 3 місяці після здачі (багфікс, адаптація під нові дані)

Наш досвід

Понад 5 років у NLP, 30+ проектів від класифікації до RAG‑систем. Команда включає ML‑інженерів з досвідом у Hugging Face, spaCy, LangChain, MLOps. Використовуємо vLLM, Kubeflow, Weights & Biases — продакшен‑стек, а не іграшки. Замовте консультацію — оцінимо проект за 2 дні.