近日，一篇发表于 arXiv 的论文提出 FinLLM-KG，一种将因果大语言模型与金融知识图谱相结合的模型无关框架，旨在提升算法交易中的金融情感分析能力。该研究由 Giorgos Iacovides 等四位作者完成，论文编号 arXiv:2610.36083，属于计算与语言（cs.CL）领域，同时涉及机器学习、统计金融和交易市场微观结构等方向。
现有金融情感分析方法虽然借助后训练的大语言模型取得了显著进展，但大多局限于孤立地预测每篇文章的情感，且模型作为黑箱运行，缺乏上下文理解，难以满足高风险金融决策对可靠性和透明度的要求。FinLLM-KG 针对这一痛点，在推理阶段将来自 SEC 10-K 文件的公司级知识注入模型，而无需更新任何模型权重。这些知识具有时间基础，能够反映公司在特定时期的状况。
具体而言，FinLLM-KG 通过两种方式提供上下文：一是自然语言形式的公司简介，二是经过相关性排序的少量事实三元组。这使得情感预测不再仅依赖单篇文章，而是能够综合考虑更广泛的公司层面信息。由于知识注入发生在推理时，且不涉及权重更新，该方法几乎不增加计算成本，并且适用于任何因果大语言模型，具有高度的通用性。
除了提升预测性能，FinLLM-KG 还注重可解释性。它能够将文章级别的情感分数归因到具体句子以及检索到的知识图谱事实，从而使预测背后的证据可被检查。这种设计增强了模型透明度，支持人机回环审查，有助于在金融决策中建立信任。
为了验证效果，研究团队进行了模拟实验。结果表明，与当前最先进的基线相比，FinLLM-KG 在投资组合表现上实现了持续改进。这暗示了将结构化知识与大语言模型结合在金融交易场景中的潜力。
论文的提交时间为 2026 年 10 月 26 日，全文可通过 arXiv 获取，包括 PDF、HTML 实验版本和 TeX 源码。该工作为金融情感分析提供了一种轻量级、可解释且模型无关的增强方案，未来或可进一步探索知识图谱的构建与更新机制，以及在更复杂交易策略中的应用。