Roberta Base Stocktwits Finetuned

🚀 股票相关评论情感推理模型

本项目由新加坡国立大学信息系统学院的学生 Frank Cao、Gerong Zhang、Jiaqi Yao、Sikai Ni、Yunduo Zhang 共同完成，旨在构建一个用于分析股票相关评论情感的模型。该模型基于 RoBERTa-base 进行微调，能够有效判断评论中的情感倾向，为投资者提供有价值的参考。

🚀 快速开始

此模型是基于 RoBERTa-base 模型，在来自 Stocktwits 的 3200000 条评论上进行微调得到的。这些评论带有用户标注的 “Bullish”（看涨）或 “Bearish”（看跌）标签。你可以在推理 API 上尝试输入个人投资者在投资论坛上可能会说的内容，例如 “red”（跌）和 “green”（涨）。

查看 GitHub 代码

✨ 主要特性

• 精准情感分析：通过大量股票评论数据训练，能准确判断评论的看涨或看跌情感。
• 易于使用：提供简单的代码示例，方便开发者集成到自己的项目中。

📦 安装指南

文档未提及安装步骤，暂不提供。

💻 使用示例

基础用法

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

🔧 技术细节

训练信息

• 批量大小：32
• 学习率：2e-5

📄 许可证

本项目采用 Apache-2.0 许可证。

📚 详细文档