FinSMART: Financial Sentiment Analysis for Algorithmic Trading through Market-Aligned Reinforcement Learning

📄 arXiv: 2607.28127v1 📥 PDF

作者: Giorgos Iacovides, Wuyang Zhou, Danilo Mandic

分类: cs.CL, cs.LG, q-fin.ST, q-fin.TR

发布日期: 2026-07-30

💡 一句话要点

提出FinSMART以解决金融情感分析适应市场变化的问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 金融情感分析 强化学习 市场对齐 算法交易 生成式人工智能 动态适应 信号提取 风险调整

📋 核心要点

  1. 现有金融情感分析方法依赖静态数据，无法适应市场动态变化，导致效果受限。
  2. FinSMART框架通过市场对齐的强化学习，直接优化情感信号与市场结果的关系，提升模型适应性。
  3. 实验结果显示，FinSMART在盈利能力和风险调整表现上显著优于基线方法，交易收益提升220%。

📝 摘要（中文）

近年来，生成式人工智能的进步显著提升了金融情感分析的效果，但现有方法仍局限于市场无关的监督学习，依赖于有限的静态人类标注数据，无法适应不断变化的市场环境。为了解决这一问题，本文提出了FinSMART，这是首个市场对齐的强化学习框架，直接优化情感信号与实际市场结果的关系。FinSMART通过结合市场感知的数据过滤和离散的非对称交易奖励，处理金融市场的噪声、非平稳性和多因素特性，从而实现经济意义上的稳定强化学习。实验结果表明，FinSMART在盈利能力、风险调整表现和情感信号质量上显著优于现有最先进的方法，累计交易收益提高了220%。

🔬 方法详解

问题定义：本文旨在解决现有金融情感分析方法无法适应市场动态变化的问题。现有方法依赖于静态人类标注数据，缺乏对市场反馈的实时适应能力。

核心思路：FinSMART框架通过市场对齐的强化学习，直接利用市场结果优化情感信号，设计了一个信号提取管道，以应对金融市场的噪声和非平稳性。

技术框架：FinSMART的整体架构包括数据过滤模块、信号提取模块和强化学习模块。数据过滤模块负责筛选市场相关数据，信号提取模块结合市场反馈进行情感信号的优化，强化学习模块则根据优化后的信号进行交易决策。

关键创新：FinSMART的主要创新在于其市场对齐的强化学习策略，能够实时适应市场变化，替代传统的静态标注方法。与现有方法相比，FinSMART能够更有效地利用市场反馈进行模型更新。

关键设计：在模型设计中，FinSMART采用了离散的非对称交易奖励机制，以增强模型对经济意义反馈的学习能力。同时，模型支持随时进行市场感知的再训练，利用新观察到的金融文章和市场结果替代人工标注。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

FinSMART在实验中表现出色，累计交易收益提高了220%，显著优于最强基线方法。这一结果表明，市场对齐的强化学习策略在金融情感分析中的有效性，能够实现更高的盈利能力和风险调整表现。

🎯 应用场景

FinSMART框架具有广泛的应用潜力，尤其在算法交易和金融市场分析领域。通过实时适应市场动态，该模型能够为投资者提供更精准的情感分析和交易决策支持，提升投资回报率。未来，该方法可能推动金融领域的智能化进程，促进更高效的市场运作。

📄 摘要（原文）

Recent advances in Generative AI have substantially improved financial sentiment analysis through post-trained financial large language models (LLMs). However, existing approaches remain confined to a market-agnostic, supervised learning paradigm that relies on limited, static and human-annotated datasets, and thus are incapable of adapting to evolving market conditions. To address this limitation, we introduce FinSMART, the first market-aligned reinforcement learning framework for financial sentiment analysis, which directly optimizes sentiment signals using realized market outcomes. To deal with the noisy, non-stationary, and multifactorial nature of financial markets, FinSMART incorporates a signal extraction pipeline that combines market-aware data filtering with a discrete asymmetric trading reward, enabling stable reinforcement learning from economically meaningful market feedback. Experimental results demonstrate that FinSMART significantly outperforms existing state-of-the-art methods in profitability, risk-adjusted performance, and sentiment signal quality, improving cumulative trading returns by 220% over the strongest baseline. Uniquely, the FinSMART framework naturally supports market-aware retraining, at any point in time, by replacing costly manual annotation with newly observed financial articles and their realized market outcomes. Such a retraining strategy enables the model to continuously adapt to changing market dynamics, resulting in consistent performance gains over its static counterpart. These findings demonstrate the practical applicability of market-aligned reinforcement learning and highlight its potential as a next-generation paradigm for developing adaptive financial LLMs.