А.В. Саяпин1

1 Национальный исследовательский Мордовский государственный университет им. Н.П. Огарева (г. Саранск, Россия)
1 mrzxfy@gmail.com

Постановка проблемы. Участники рынка ценных бумаг должны постоянно анализировать большие объемы информации о компаниях, представленных на рынке, для оценки актуального состояния компании, отрасли, а также для принятия решений. «Ручной» анализ занимает много времени и требует постоянного мониторинга новостного потока. Следовательно, требуется создание инструмента на основе моделей машинного обучения для моментальной оценки информации в новостных публикациях.

Цель. Оценить возможность применения специализированных больших языковых моделей для финансовой области и провести анализ эффективности данных моделей в предсказании сентимента, основанного на изменении цены акций компании в период после публикации новости.

Результаты. Изучены основные работы и модели в области анализа финансового сентимента, собран набор данных для российского рынка ценных бумаг, выполнены обучение и сравнение существующих моделей для англоязычных текстов финансовой направленности, приведена интерпретация прогнозов модели. Получены результаты, свидетельствующие о том, что модели, обученные на ручной разметке, не способны с такой же точностью предсказывать динамику цены акции после публикации новости. Намечены дальнейшие шаги для возможного улучшения качества предсказаний и проведения исследований в данной области.

Практическая значимость. Создание автоматического классификатора финансовых новостей позволит облегчить работу участников рынка ценных бумаг, предоставит инструмент для аналитики и принятия решений. Использование полученных оценок сентимента в качестве признаков в моделях оценки цены, волатильности активов может привести к более точным прогнозам и добавить дополнительную модальность в модели предиктивной аналитики для рынка ценных бумаг.

Саяпин А.В. Использование больших языковых моделей для анализа сентимента финансовых новостей // Нелинейный мир. 2026. Т. 24. № 3. С. 14–20. DOI: https://doi.org/10.18127/j20700970-202603-02

1. Vaswani A. et al. Attention is all you need // Advances in neural information processing systems. 2017. Т. 30.
2. Araci D. Finbert: Financial sentiment analysis with pre-trained language models // arXiv preprint arXiv:1908.10063. 2019.
3. Malo P. et al. Good debt or bad debt: Detecting semantic orientations in economic texts // Journal of the Association for Information Science and Technology. 2014. V. 65. № 4. P. 782–796.
4. Kang J. W., Choi S. Y. Comparative investigation of GPT and FinBERT’s sentiment analysis performance in news across different sectors // Electronics. 2025. V. 14. № 6. P. 1090.
5. Muhammad I., Rospocher M. On assessing the performance of Llms for target-level sentiment analysis in financial news headlines // Algorithms. 2025. V. 18. № 1. P. 46.
6. Wu S. et al. Bloomberggpt: A large language model for finance // arXiv preprint arXiv:2303.17564. 2023.
7. URL: https://huggingface.co/DragonLLM/Llama-Open-Finance-8B (дата обращения: 16.02.2026)
8. Correia F., Madureira A. M., Bernardino J. Deep Neural Networks applied to stock market sentiment analysis // Sensors. 2022. V. 22. № 12. P. 4409.
9. Теплова Т.В. и др. Сентимент частных инвесторов в объяснении различий в биржевых характеристиках акций российского рынка // Журнал Новой экономической ассоциации. 2022. Т. 1. № 53. С. 53–84.
10. Хватков В.И. Современные технологии анализа тональности текста как инструментарий поведенческих финансов // Российский экономический интернет-журнал. 2024. № 2. С. 1.
11. Гаврилов В.С. Разработка программного комплекса и модели машинного обучения для автоматического анализа новостных потоков в финансовой отрасли // Нелинейный мир. 2025. Т. 23. № 3. С. 6–14. DOI: https://doi.org/ 10.18127/j20700970-202503-02.
12. Tiedemann J., Thottingal S. OPUS-MT–Building open translation services for the World // Annual Conference of the European Association for Machine Translation. European Association for Machine Translation. 2020. P. 479–480.