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.