FinDPO: Financial Sentiment Analysis for Algorithmic Trading through Preference Optimization of LLMs
创建于 更新于
摘要
本论文提出了FinDPO框架，基于Direct Preference Optimization对金融领域大语言模型进行人类偏好对齐，实现了金融情绪分析的性能提升。FinDPO在三个公开金融情绪分类基准上的加权F1得分超越了现有SFT模型11%，并通过将离散情绪标签转化为可排序分数，首次实现了因果LLM在真实组合构建中的应用。策略回测显示，FinDPO在考虑5个基点交易成本情况下仍维持年化67%的正收益和2.0的Sharpe比率，表现稳健，具实用价值[page::0][page::1][page::4][page::5][page::6][page::7]。
