近日，一篇發表於 arXiv 的論文提出 FinLLM-KG，一種將因果大語言模型與金融知識圖譜相結合的模型無關框架，旨在提升算法交易中的金融情感分析能力。該研究由 Giorgos Iacovides 等四位作者完成，論文編號 arXiv:2610.36083，屬於計算與語言（cs.CL）領域，同時涉及機器學習、統計金融和交易市場微觀結構等方向。
現有金融情感分析方法雖然藉助後訓練的大語言模型取得了顯著進展，但大多侷限於孤立地預測每篇文章的情感，且模型作為黑箱運行，缺乏上下文理解，難以滿足高風險金融決策對可靠性和透明度的要求。FinLLM-KG 針對這一痛點，在推理階段將來自 SEC 10-K 文件的公司級知識注入模型，而無需更新任何模型權重。這些知識具有時間基礎，能夠反映公司在特定時期的狀況。
具體而言，FinLLM-KG 通過兩種方式提供上下文：一是自然語言形式的公司簡介，二是經過相關性排序的少量事實三元組。這使得情感預測不再僅依賴單篇文章，而是能夠綜合考慮更廣泛的公司層面信息。由於知識注入發生在推理時，且不涉及權重更新，該方法幾乎不增加計算成本，並且適用於任何因果大語言模型，具有高度的通用性。
除了提升預測性能，FinLLM-KG 還注重可解釋性。它能夠將文章級別的情感分數歸因到具體句子以及檢索到的知識圖譜事實，從而使預測背後的證據可被檢查。這種設計增強了模型透明度，支持人機迴環審查，有助於在金融決策中建立信任。
為了驗證效果，研究團隊進行了模擬實驗。結果表明，與當前最先進的基線相比，FinLLM-KG 在投資組合表現上實現了持續改進。這暗示了將結構化知識與大語言模型結合在金融交易場景中的潛力。
論文的提交時間為 2026 年 10 月 26 日，全文可通過 arXiv 獲取，包括 PDF、HTML 實驗版本和 TeX 源碼。該工作為金融情感分析提供了一種輕量級、可解釋且模型無關的增強方案，未來或可進一步探索知識圖譜的構建與更新機制，以及在更復雜交易策略中的應用。