Are Large Language Models Good In-context Learners for Financial Sentiment Analysis?
Created by
- Haebom
Category
Empty
저자
Xinyu Wei, Luojia Liu
개요
본 논문은 수천억 개의 파라미터를 가진 대규모 언어 모델(LLM)이 도메인 특정 데이터에 대한 미세 조정 없이도 다양한 분야에서 기존 방법을 능가하는 능력을 보여주는 현상에 대해 다룹니다. 하지만 금융 감정 분석(FSA)과 같은 금융 AI의 기본적인 과제에서는 복잡한 금융 용어, 주관적인 인간 감정, 모호한 성향 표현 등의 여러 가지 어려움에 직면합니다. 따라서 본 논문에서는 LLM이 FSA에 대한 맥락 내 학습을 잘 수행하는지 여부라는 근본적인 질문에 답하고자 합니다. 이는 금융 특정 데이터에 대한 미세 조정이 어렵거나 불가능한 경우에도 LLM이 금융 문서-감정 쌍의 맥락 내 데모를 일반화하여 새로운 문서의 감정 분석에 적용할 수 있는지 여부에 대한 통찰력을 제공합니다. 본 논문은 최신 LLM(최근 출시된 DeepSeek V3 포함)과 여러 맥락 내 샘플 선택 방법을 다루는 FSA에 대한 맥락 내 학습을 탐구하는 최초의 논문입니다. 포괄적인 실험을 통해 FSA에 대한 LLM의 맥락 내 학습 능력을 검증합니다.
시사점, 한계점
•
시사점: LLM의 맥락 내 학습 능력을 FSA에 적용 가능성을 최초로 탐구하고 검증함으로써, 금융 특정 데이터 미세 조정의 어려움을 극복할 수 있는 새로운 가능성을 제시합니다. 다양한 LLM과 샘플 선택 방법을 비교 분석하여 실질적인 적용 가능성을 높였습니다.
•
한계점: 본 연구는 특정 LLM과 샘플 선택 방법에 국한된 실험 결과를 제시하며, 더욱 다양한 LLM과 데이터셋에 대한 추가적인 연구가 필요합니다. 또한, 실제 금융 시장 환경에서의 적용 가능성과 한계에 대한 추가적인 분석이 필요합니다.
