UTD24顶刊：基于BERT大模型的情感分析典范！

Manish Jha , Hongyi Liu , Asaf Manela几位学者合作在金融领域顶刊“The Review of Financial Studies”上发表了一篇题为“Does Finance Benefit Society? A Language Embedding Approach”的文章。

在探讨金融业社会价值的百年争论中，传统调查方法受限于时间跨度与地理范围。Manish Jha、Hongyi Liu与Asaf Manela的创新研究另辟蹊径，通过部署先进的大语言模型（LLM），对跨越数百年、来自八个国家的海量书籍文本进行了深度语义解析，开创性地构建了衡量公众金融情感的长时序动态指标。这项发表于《金融研究评论》的研究，核心在于利用LLM强大的文本理解与上下文嵌入能力，从数百万册书籍中精准量化了“金融”概念所承载的公众情感色彩——是积极推崇还是消极批判。

该研究最显著的技术贡献在于对LLM的深度应用与严谨验证。研究者不仅利用模型处理了前所未有的历史文本规模，更通过细致的内部一致性检验与外部关联性验证，确认了这一基于语言嵌入的情感指标具有高度的可靠性和有效性。这种基于自然语言处理技术的测量方法，克服了传统数据的匮乏，首次实现了对跨世纪、跨国金融情绪的连续追踪与系统比较。分析揭示了一个关键现象：尽管各国金融情绪随时间波动显著，但不同国家间存在稳定差异。尤为突出的是，市场经济发展程度较高国家的书籍语言中，金融更频繁地呈现于积极语境之中。

基于大语言模型构建的金融情绪指数，展现出强大的经济解释力与现实关联性。研究发现，该指数与基于传统调查得出的居民金融市场参与度紧密关联，同时也与反映社会结构的收入不平等程度存在显著相关性。更具突破性的是，模型捕捉到的情感变化具有前瞻性价值——金融情绪在金融危机爆发前一年即已呈现显著下滑，而非危机后的结果反应，这为预警系统性风险提供了新的语言数据视角。进一步观察证实，正向的金融情绪冲击往往预示着后续更强劲的宏观经济产出增长与信贷规模扩张。

这项研究的核心价值在于其方法论上的革新。通过大语言模型对历史长河中海量文本的深度挖掘与语义解构，研究者成功提取了传统手段难以捕捉的“社会集体潜意识”，为理解金融与社会之间复杂、动态且具文化特异性的关系开辟了全新路径。这不仅实证了语言作为社会情感载体的强大信息价值，更凸显了LLM在社会科学领域，特别是在分析历史趋势、文化差异与经济预测方面的巨大潜力与独特作用。