把一条新闻压缩成「利好/利空」，到底浪费了多少信息

做量化的朋友应该都有过这种直觉：一条新闻丢进 sentiment 模型，出来一个 0.7 或者 -0.3，然后就没了。这个分数拿去跟股价回归一下，效果时好时坏，但总感觉浪费了很多东西——消息里明明说了是谁被调查、影响多大、多久落地、有多确定，结果一个情绪分全给揉碎了。

最近 arXiv 上有一篇来自国内团队的论文，标题很直白：Beyond Sentiment: Structured Information Extraction from Financial News。作者用 LLaMA-3.1-70B 从金融新闻里抽了六个语义维度，然后跟传统 sentiment 特征做了一遍严格的对比实验。结论不算意外，但数字很实在：光用 FinBERT 做情感分析，非线性模型下 F1 能到 0.576，但换成线性模型直接掉到 0.230——说明 sentiment 和收益之间的关系高度非线性，拿线性回归去拟合它，基本是白给。而 LLM 抽出来的结构化特征，虽然单独看每个维度都不如 FinBERT 强，但它们和 sentiment 之间有一条关键的性质：正交。

论文给了一个很直观的数字：两种信号来源的系统性分歧率高达 53.5%——一半还多的情况里，sentiment 说好的时候结构化特征其实在说「不确定」或「负面影响」，反过来也一样。这个分歧率不是噪声，是真信息。

两者合并，F1 提到了 0.600，而且这个提升在全部七类事件类型上一致显著（p < 0.0001）。消融实验进一步证实，非情感的结构化维度——事件类型、影响主体、时间范围、置信度——单独贡献了 ΔF1 = +0.019。单看这个增量不大，但问题在于它来自 sentiment 模型本身完全没覆盖的方向。

特征重要性分析显示，六个维度（包括事件类型、影响范围、时间跨度、置信度，加上情感相关的维度）的重要性分布在 14% 到 21% 之间，非常均匀。换句话说，每条新闻里的信息是六等份的，传统 sentiment 模型只拿到了其中一份左右的信号，剩下的全扔了。

把新闻压成一个利空/利好再去做预测，本质上是信息的有损压缩，而且损失率比想象的高得多。这篇论文没讲多复杂的故事，它只是用 LLaMA 把本来就在新闻里的结构化信息显式地拆了出来，然后用数据告诉你这些维度不可替代。

对做金融 NLP 或量化信息流的团队，实操含义很清楚：别只盯着 sentiment 模型刷 F1 了，花点功夫建一条结构化信息抽取的管线，哪怕只用它做特征拼接，收益也很扎实。而且 LLaMA-3.1-70B 跑 inference 的性价比现在也在快速下降，这条路已经不是什么大厂才能走的事了。

论文用的数据集是 FNSPID，41,618 条新闻-股票配对，实验设计很干净。如果非要说一个保留意见，那就是这个工作依赖 LLM 做 extraction，LLM 本身在金融实体和事件抽取上还有幻觉问题，论文没有详细讨论错误传播。但从信号发现的角度看，这个方向值得跟一跟。

最后说句实话：每次看到这类工作我都会想，那些靠「AI 分析市场情绪」收钱的 SaaS 产品，到底有多少其实只是把一个六维信号压缩成了一维，然后卖给了客户。