qwen-financial-json-extractor
JSON из финансовых постов
2 min readupdated
Модель берёт текст поста о рынке или акциях и возвращает строгий JSON: настроение (bearish, bullish или neutral) и список тикеров/кэштегов. Это дообученная Qwen2.5-0.5B-Instruct, обученная через QLoRA (4-битная квантизация NF4, LoRA rank 16, alpha 32). На выходе — merged-чекпоинт, который можно грузить через transformers и использовать без отдельного адаптера. Пригодится для парсинга соцсетей, алертов и небольших пайплайнов, где нужен компактный экстрактор.
Ключевые особенности
- JSON structural validity — 99.9% на validation-сплите.
- Sentiment macro-F1 — 0.863; ticker exact-match — 0.994.
- Обучение QLoRA: 4-bit NF4, LoRA rank
r=16,alpha=32. - Компактная база Qwen2.5-0.5B-Instruct — немного параметров для узкой задачи.
- Возвращает только JSON с ключами
sentimentиtickers, без лишнего текста.
Что можно сделать
- Собрать бота, который превращает финансовые посты в JSON и шлёт алерты по тикерам.
- Прогонять ленту соцсетей и считать долю bullish/bearish/neutral по упоминаниям акций.
- Делать JSON-фичи для дашборда или простой аналитики.
- Подключить как компактный экстрактор в пайплайн обработки текстов о рынке.
Пример
from transformers import AutoModelForCausalLM, AutoTokenizer
mid = 'Badrdeen/qwen-financial-json-extractor'
tok = AutoTokenizer.from_pretrained(mid)
model = AutoModelForCausalLM.from_pretrained(mid, torch_dtype='auto', device_map='auto')
text = 'Bullish on $TSLA after strong earnings report!'
msgs = [{'role': 'user', 'content': text}]
prompt = tok.apply_chat_template(msgs, tokenize=False, add_generation_prompt=True)
print(prompt)
Подробнее
На validation (2 388 примеров): JSON structural validity 99.9%, sentiment macro-F1 0.863, ticker exact-match 0.994.База — Qwen2.5-0.5B-Instruct; обучение QLoRA: 4-bit NF4, r=16, alpha=32.
Модель заточена под финансовые соцмедиа-тексты и отдаёт JSON с sentiment и tickers.
Отдельных требований к VRAM в карточке нет.










Comments