全部版块 我的主页
› 论坛 › 计量经济学与统计论坛 五区 › 数据交流中心
111 1
2026-11-19

4,846 句英文财经新闻,标注只有三个标签,但六成是中性:中性 2,879 句(59.41%)、正面 1,363 句(28.13%)、负面 604 句(12.46%)。这是 Financial PhraseBank v1.0 的完整版分布。做金融文本情绪分类,第一件要接受的事就写在这组数字里——大多数新闻句子对股价没有方向,模型能拿高准确率,很大一部分是中性撑起来的。

 

这份语料是什么

 

芬兰阿尔托大学(Aalto University)的 Pekka Malo 与 Ankur Sinha 整理,取材自芬兰上市公司在欧洲交易所披露的新闻稿,语境约在 2009—2012 年。每句由 16 名有金融市场背景的人标注:其中 3 名是研究人员,13 名是商学院硕士生;每句实际由 5—8 人看过,按一致比例分成四个文件发布。

 

标注口径不是「这句话情绪好不好」,而是「从投资者视角看,它对股价是正面、负面还是中性」。所以财报里的程序性表述——更换审计师、召开年度股东大会、董事会例行决议——都被归为中性。这一点决定了语料的性质:它测的是股价方向判断,不是泛情绪。

 

四个一致度文件,句数差一半

 

文件句数中性正面负面平均词数
Sentences_AllAgree2,2641,39157030322.4
Sentences_75Agree3,4532,14688742022.8
Sentences_66Agree4,2172,5351,16851423.0
Sentences_50Agree4,8462,8791,36360423.1

 

四个文件是包含关系,不是四份独立样本:AllAgree 的 2,264 句全部落在 50Agree 里,且标签一致——这一点逐句比对确认过,没有冲突。

 

从 50Agree 收到 AllAgree,句子少了 53.3%,但三类删得不一样:正面句只剩 41.8%(1,363→570),负面句剩 50.2%(604→303),中性句剩 48.3%(2,879→1,391)。正面标注是分歧最大的一类。经验上说得通:一句「季度营收同比增长 12%」,有人读作利好,有人读作低于预期,也有人认为已在此前指引内。负面句反而更容易达成一致——亏损、裁员、下调指引的表述通常更硬。

 

一行一句,sentence@sentiment

 

文件是纯文本,一行一句,句子与标签之间用 @ 分隔,标签为 positive、neutral、negative 三个英文词:

 

The operating margin came down to 2.4 % from 5.7 % .@negative

 

句子本身已经过分词处理,标点与百分号前后带空格,直接喂给基于词袋的模型不用再切。句子长度均值 23.1 词、中位 21 词、最长 81 词,短句居多,适合做句级分类而不是篇章级。

 

三个用之前必须知道的问题

 

一、不能拿 50Agree 训练、AllAgree 测试。 AllAgree 是 50Agree 的子集,这么划分等于把测试集样本放进训练集,准确率能报到 95% 以上,但这个数字没有意义。正确做法是先按句去重、再按句子整体划分,或者直接用 75Agree 训练、AllAgree 测试——两者也是包含关系,需要先做差集。

 

二、基线不是 33%。 三类看似均衡,实际中性占 59.41%,全猜中性就有 59.41% 的准确率;在 AllAgree 上是 61.44%。报告的准确率必须同时给宏平均 F1 与负面类的召回,否则一个只输出中性的模型也能「赢」大部分论文的基线。

 

三、50Agree 里有 8 句文本重复。 4,846 行、去重后 4,838 句唯一文本。做随机划分时这 8 句会同时落进训练与测试,量小但足以让严格评审追问。README 里记的句数是 4,840,与文件行数差 2 句,引用时按自己读到的行数为准。

 

许可:可研究、可再分发,不可商用

 

语料以 CC 署名—非商业性使用—相同方式共享 3.0 发布,允许在署名、非商业、相同协议条件下复制与改编;商业使用须联系作者另行取得授权。做课程作业、论文实验、内部技术验证都没问题,接进对外收费的产品前要先解决授权。

 

────────────────

四个一致度文件的句数、标签分布与三类保留率,以及那个「50Agree 训练、AllAgree 测试」的泄漏坑,都写在上面了。原始压缩包的文件名、仓库路径、许可条款原文与去重后的统计口径放在下面的币区,回复可见。


游客,如果您要查看本帖隐藏内容请回复

把经管之家装进你常用的 AI 智能体中

一键快捷安装经管之家 MCP/技能,让 AI 帮你查教程、找数据、读论坛帖子。

检索、阅读公开帖子不收费,安装可申请领取:3 通用积分+100 论坛币+3 元论坛资金

请点击查看安装教程与福利 →

说明: AI 算力按所用平台规则计算;附件按原帖条件获取;福利领取条件以活动页面为准。

二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
昨天 19:10
四档一致度差别真不小
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群