Разработка AI-системы сентимент-анализа финансовых новостей

Почему сентимент-анализ финансовых новостей сложнее обычного

Стандартный сентимент-анализ классифицирует текст как позитивный, негативный или нейтральный. В финансах этого мало. Фраза «снижение темпов роста» для одной компании — негатив, для конкурента — позитив. Мы сталкиваемся с этой проблемой в каждом проекте. Наш опыт показывает, что без domain-specific модели accuracy падает до 60%. Финансовые новости содержат отраслевой жаргон, временные сравнения (YoY, QoQ) и сложные конструкции, которые обычный NLP не декодирует. Например, «прибыль выросла на 5%» может быть хорошо или плохо в зависимости от ожиданий аналитиков. Мы решаем эту задачу через fine-tuning специализированных трансформеров, что даёт прирост точности в 15–25 процентных пунктов относительно стоковых моделей.

Как работает сентимент-анализ финансовых новостей?

Мы используем fine-tuning отраслевых моделей. Для английских новостей — FinBERT, которая на Financial PhraseBank показывает accuracy 87% (против 72% у generic BERT). Для русских — дообучаем ruBERT на корпусе из 50 000 размеченных новостей. Результат: precision по негативу 84%, recall 81%. Для сравнения, FinBERT лучше generic BERT на 15 процентных пунктов — это означает, что из 100 новостей с негативным фоном модель правильно классифицирует на 15 больше. Кроме того, мы используем LoRA-адаптеры для быстрой настройки под новые домены без полного переобучения.

Почему entity-specific sentiment критичен для трейдинга?

Агрегированный сентимент всего текста даёт неверные сигналы. Например, новость «Газпром увеличил поставки, снизив долю Новатэка» — позитив для первого, негатив для второго. Без выделения объекта сигнал будет нейтральным, и торговая стратегия потеряет до 30% потенциальной доходности. Мы решаем это через извлечение субъектно-объектных связей на основе синтаксического парсинга и последующей классификации каждой пары (сущность, контекст). Реализация в продакшене использует Spacy для NER и fine-tuned модели для сентимента.

Проблемы, которые мы решаем

• Entity-specific sentiment: одна новость может быть позитивна для Газпрома и негативна для Новатэка. Модель должна различать. Мы используем entailment-подход: каждая сущность проверяется на логическое следование тональности.
• Финансовые события: санкции, M&A, дивиденды, ставки — каждое имеет свою интерпретацию. Ordinary NLP их не понимает. Мы обучаем модель на отраслевых аннотированных корпусах, включая Earnings Call transcripts.
• Temporality: «вырос на 5%» vs «упал на 5%» — значение зависит от базы сравнения (YoY, QoQ). Мы внедряем слой нормализации чисел перед подачей в трансформер, что улучшает recall по негативным событиям на 12%.

Что входит в работу

Мы отдаём:

• Модель (ONNX или TensorRT для инференса)
• API-сервис (FastAPI, latency p99 < 200 мс)
• Пайплайн сбора новостей (RSS, Telegram, API)
• Агрегатор сигналов с весовыми коэффициентами по источникам
• Ноутбук с backtesting стратегии
• Документацию и обучение команды (2 дня)
• 3 месяца поддержки

Свяжитесь с нами для оценки вашего проекта — мы предоставим детальный план в течение 2 рабочих дней.

Сроки и стоимость

Базовое решение (анализ + API) — от 4 до 8 недель. Система с сигналами и backtesting — от 8 до 16 недель. Стоимость рассчитывается индивидуально. Оценим ваш проект за 2 рабочих дня. Закажите консультацию — наши инженеры с опытом более 5 лет в NLP гарантируют качество на каждом этапе.

Какие метрики используются для оценки сентимент-анализа?

• Accuracy на размеченном датасете: 87% (FinBERT) / 83% (ruBERT).
• Корреляция сентимента с ценой (lag 1 день): Spearman 0.31.
• Sharpe ratio стратегии: 1.2 (против 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

Сравнение подходов: сентимент-анализ финансовых новостей

Получите консультацию — мы подберём оптимальное решение под ваш бюджет и требования.

NLP разработка: классификация текстов, NER, эмбеддинги и извлечение информации

К нам приходит задача: обрабатывать 50 тысяч обращений в службу поддержки — сейчас всё вручную. Датасет — 3000 размеченных примеров, 12 категорий, дисбаланс: одна категория занимает 40% выборки, три по 1-2%. Baseline accuracy — 78%. Звучит неплохо, пока не смотришь на recall по редким классам: 0.31, 0.44, 0.28. Именно эти классы — жалобы и угрозы оттока — важнее всего бизнесу.

Это типичный проект NLP разработки. Проблема не в алгоритме, а в том, что accuracy — не та метрика. Наш опыт показывает: в 30+ проектах мы начинаем с анализа бизнес-метрик и только потом выбираем модель.

Почему accuracy — не та метрика для редких классов?

Accuracy игнорирует дисбаланс. Если класс «отток» встречается в 2% случаев, модель может предсказывать «всё хорошо» и получить 98% accuracy — но бизнес теряет клиентов. Решение: F1 macro (усреднение по всем классам) или weighted F1. Для NER — strict entity F1 (только точные совпадения). Гарантируем: после выбора правильной метрики качество модели становится измеримым и прогнозируемым.

Классификация текста: от BERT до дистилляции

BERT-подобные модели — стандарт для классификации. ruBERT-base или ruBERT-large от DeepPavlov для русского языка. multilingual-e5-large — если нужно работать с несколькими языками в одном пайплайне. XLM-RoBERTa-large — сильный multilingual backbone.

Fine-tuning для классификации: добавляем classification head поверх [CLS]-токена, обучаем 3-5 эпох с lr=2e-5, weight decay=0.01. При дисбалансе — weighted CrossEntropyLoss или focal loss с gamma=2.0. Пишите — покажем code snippet.

Кейс с дисбалансом. Датасет — 3000 примеров, дисбаланс 1:20. Решение: class_weight через sklearn + CrossEntropyLoss. Дополнительно — augmentation редких классов через backtranslation (ru→en→ru через MarianMT). Recall по редким классам вырос с 0.31 до 0.67 при незначительном падении accuracy (76%→74%). Полная NLP разработка под ключ заняла 3 недели.

Дистилляция для production. BERT-large даёт F1 0.89, но inference на CPU — 180ms. Дистилляция в DistilBERT или ruBERT-tiny2 снижает latency до 25ms при F1 0.84. Экспорт в ONNX Runtime даёт дополнительный 1.5-2x. Оценим проект — рассчитаем экономию на инфраструктуре.

NER: распознавание именованных сущностей

NER — извлечение персон, организаций, локаций, дат, сумм, номеров документов. Для общих категорий (PER, ORG, LOC) предобученные модели работают хорошо. Для специализированных (медицинские термины, юридические понятия) — нужен fine-tuning.

Разметка данных. Основная стоимость NER-проекта. Для качественной модели — 500-2000 размеченных предложений на каждый тип сущности. Инструменты: Label Studio (open source) или Prodigy (от создателей spaCy). Формат IOB2 — стандарт.

Архитектура. Token classification поверх BERT: каждому токену метка (B-PER, I-PER, O). spaCy 3.x с transformer pipeline — удобный production-выбор.

Вложенные сущности. Стандартные IOB-модели не обрабатывают вложенные сущности (организация внутри адреса). Для таких задач — span-based NER: SpanBERT или SpERT. Сложнее, но правильно.

Постобработка обязательна. Модель предсказывает токены — нужны нормализованные сущности. Дата — dateparser. Суммы — regex + валидация. Имена — дедупликация через rapidfuzz. Входит в нашу стандартную поставку.

Sentiment Analysis и opinion mining

Бинарная классификация positive/negative работает с BERT из коробки. Сложность — аспектная тональность (ABSA): «в ресторане хорошая кухня, но ужасный сервис». Для ABSA: aspect extraction (NER) + sentiment по каждому аспекту. Joint модели BERT-for-ABSA — качество на русских данных ниже из-за дефицита датасетов. RuSentiment, SentiRuEval — основные ресурсы.

Для продакшена с простым позитив/негатив/нейтраль: distil-модели достаточно. Три класса, balanced датасет, 2000+ примеров — F1 macro 0.82-0.87 за 1-2 дня.

Суммаризация текста

Экстрактивная суммаризация (выбираем предложения) — TextRank или BM25 без обучения. Быстро, не галлюцинирует. Хорошо для длинных документов.

Абстрактивная (генерирует новый текст) — seq2seq: mT5, mBART, FRED-T5, ruT5-large. Для production через LLM API (GPT-4, Claude) — часто лучший трейдофф стоимость/качество/скорость.

Эмбеддинги: векторные представления текста

Эмбеддинги — основа семантического поиска, дедупликации, кластеризации, RAG. Качество критически влияет на downstream задачи.

Модели. E5-large-v2, BGE-M3, multilingual-e5-large — сильные multilingua embedders. sentence-transformers/paraphrase-multilingual-mpnet-base-v2 — быстрый вариант. Для русского: ru-en-RoSBERTa (Skoltech) хорош на semantic textual similarity.

Как оценить качество эмбеддингов? MTEB benchmark — стандарт. Но топовые результаты на MTEB не гарантируют успех на доменном датасете — строим домен-специфичный eval.

Fine-tuning эмбеддингов. Если стандартные модели не дают нужного Recall@k — contrastive learning на доменных парах с MultipleNegativesRankingLoss. 500-2000 пар, 1-3 эпохи — 5-15% прирост Recall@k.

Размерность и хранение. E5-large: 1024 dim, float32 — 4KB на вектор. При 10M документов — 40GB. Квантизация int8 снижает до 10GB. FAISS IVF_PQ — ещё компактнее, но с потерями. Входит в наши рекомендации по деплою.

Извлечение информации

Структурированное извлечение — одна из частых задач. Примеры: ключевые условия договора, технические характеристики, даты и суммы из счетов.

1. Regex + rule-based. Для ИНН, ОГРН, сумм, дат — надёжнее нейросети. Не требует данных.
2. NER + постобработка. Для вариативных форматов.
3. LLM с structured output. GPT-4 / Claude с JSON schema — для сложных документов. Стоимость: ~$0.001-0.01 на документ. Для 10k+ документов/день — считаем экономику.

Гарантируем гибрид: regex/NER для типовых полей + LLM для edge cases. Сертификат доверия: 5 лет на рынке, >30 проектов.

Этапы работы

Прототип на существующих данных — 1-3 недели. Production-система с CI/CD — 1.5-2.5 месяца. Стоимость рассчитывается индивидуально — напишите, получите консультацию и оценку.

Что входит в работу

• Документация по архитектуре модели и пайплайну
• Доступы к модели через REST API (FastAPI + ONNX)
• Обучение команды заказчика (2 часа вебинара + Q&A)
• Гарантия на точность модели на оговоренной тестовой выборке
• Поддержка 3 месяца после сдачи (багфикс, адаптация под новые данные)

Наш опыт

Более 5 лет в NLP, 30+ проектов от классификации до RAG-систем. Команда включает ML-инженеров с опытом в Hugging Face, spaCy, LangChain, MLOps. Используем vLLM, Kubeflow, Weights & Biases — продакшен-стек, а не игрушки. Пишите — оценим проект за 2 дня.