Roberta Base Stocktwits Finetuned

🚀 股票相關評論情感推理模型

本項目由新加坡國立大學信息系統學院的學生 Frank Cao、Gerong Zhang、Jiaqi Yao、Sikai Ni、Yunduo Zhang 共同完成，旨在構建一個用於分析股票相關評論情感的模型。該模型基於 RoBERTa-base 進行微調，能夠有效判斷評論中的情感傾向，為投資者提供有價值的參考。

🚀 快速開始

此模型是基於 RoBERTa-base 模型，在來自 Stocktwits 的 3200000 條評論上進行微調得到的。這些評論帶有用戶標註的 “Bullish”（看漲）或 “Bearish”（看跌）標籤。你可以在推理 API 上嘗試輸入個人投資者在投資論壇上可能會說的內容，例如 “red”（跌）和 “green”（漲）。

查看 GitHub 代碼

✨ 主要特性

• 精準情感分析：通過大量股票評論數據訓練，能準確判斷評論的看漲或看跌情感。
• 易於使用：提供簡單的代碼示例，方便開發者集成到自己的項目中。

📦 安裝指南

文檔未提及安裝步驟，暫不提供。

💻 使用示例

基礎用法

from transformers import RobertaForSequenceClassification, RobertaTokenizer
from transformers import pipeline
import pandas as pd
import emoji

# the model was trained upon below preprocessing
def process_text(texts):

  # remove URLs
  texts = re.sub(r'https?://\S+', "", texts)
  texts = re.sub(r'www.\S+', "", texts)
  # remove '
  texts = texts.replace(''', "'")
  # remove symbol names
  texts = re.sub(r'(\#)(\S+)', r'hashtag_\2', texts)
  texts = re.sub(r'(\$)([A-Za-z]+)', r'cashtag_\2', texts)
  # remove usernames
  texts = re.sub(r'(\@)(\S+)', r'mention_\2', texts)
  # demojize
  texts = emoji.demojize(texts, delimiters=("", " "))

  return texts.strip()
  
tokenizer_loaded = RobertaTokenizer.from_pretrained('zhayunduo/roberta-base-stocktwits-finetuned')
model_loaded = RobertaForSequenceClassification.from_pretrained('zhayunduo/roberta-base-stocktwits-finetuned')

nlp = pipeline("text-classification", model=model_loaded, tokenizer=tokenizer_loaded)

sentences = pd.Series(['just buy','just sell it',
                      'entity rocket to the sky!',
                      'go down','even though it is going up, I still think it will not keep this trend in the near future'])
# sentences = list(sentences.apply(process_text))  # if input text contains https, @ or # or $ symbols, better apply preprocess to get a more accurate result
sentences = list(sentences)
results = nlp(sentences)
print(results) # 2 labels, label 0 is bearish, label 1 is bullish

🔧 技術細節

訓練信息

• 批量大小：32
• 學習率：2e-5

📄 許可證

本項目採用 Apache-2.0 許可證。

📚 詳細文檔