FinLLM-KG：知识图谱增强LLM的金融情绪分析框架

01 摘要

现有金融情绪分析LLM多孤立预测单篇文章且为黑箱，限制上下文理解与高风险决策部署。作者提出FinLLM-KG，在推理时以自然语言公司简介或少量排序事实三元组注入公司级知识，无需更新模型权重。模拟显示其投资组合表现持续优于最先进基线，并支持句子级与知识事实级归因。

02 关键点

1. FinLLM-KG在推理时从SEC 10-K构建的金融知识图谱中检索公司级事实，以自然语言简介或排序三元组形式注入因果LLM，无需微调。
2. 框架将文章级情绪得分归因到具体句子和检索到的知识图谱事实，增强可解释性并支持人工复核。
3. 模拟实验中，FinLLM-KG在投资组合表现上持续优于最先进基线。