Spremljanje novic in določanje tržnega sentimenta sta ključni za sprejemanje investicijskih odločitev in obvladovanje tveganj. Finančne novice so pogosto kompleksne, saj v istem besedilu ali celo stavku omenjajo več podjetij v različnih kontekstih, česar tradicionalni modeli ne zmorejo natančno zaznati.

O tej temi sta v članku Benchmarking large language models for target-based financial sentiment and stock return, pisala asist. Timotej Knez in izr. prof. dr. Slavko Žitnik s sodelavci. Članek je bil objavljen v ugledni reviji International Journal of Data Science and Analytics.

Za natančno analizo trga je bistveno, da algoritem ne oceni le celotnega tona novice, temveč ločeno prepozna sentiment za vsako posamezno podjetje. Takšen pristop se imenuje analiza finančnega sentimenta z ozirom na cilj.

Dosedanji modeli so zahtevali dolgotrajno učenje na obsežnih naborih označenih podatkov. Raziskava je pokazala, da najsodobnejši generativni veliki jezikovni modeli (kot sta DeepSeek-R1 in ChatGPT-o1) te omejitve odpravljajo, saj brez predhodnega prilagajanja dosežejo do 87-odstotno natančnost.

Slika 1: primerjava F1 vrednosti različnih modelov pri prepoznavi ciljnega sentimenta v finančnih novicah.

Slika 2: koeficient ujemanja med napovedjo sentimenta glede na dano podjetje iz finančnih novic in kratkoročnim premikom vrednosti tega podjetja na borzi.

Več si lahko preberete tukaj:

• Muhammad, I., Rospocher, M., Knez, T. et al. Benchmarking large language models for target-based financial sentiment and stock return. Int J Data Sci Anal 22, 217 (2026). https://doi.org/10.1007/s41060-026-01201-x