前瞻性陈述（FLS）向投资者传达管理者对公司未来事件或结果的信念和看法。从公司报告中识别前瞻性陈述有助于投资者进行财务分析。FinBERT-FLS 是一个基于 FinBERT 模型微调得到的模型，其微调数据来自罗素 3000 指数成分股公司年报中“管理层讨论与分析”部分的 3500 个人工标注句子。

输入：一段金融文本。

输出：特定前瞻性陈述（Specific-FLS）、非特定前瞻性陈述（Non-specific FLS）或非前瞻性陈述（Not-FLS）。

如何使用

您可以使用 Transformers pipeline 来调用此模型进行前瞻性陈述分类。

# tested in transformers==4.18.0 
from transformers import BertTokenizer, BertForSequenceClassification, pipeline

finbert = BertForSequenceClassification.from_pretrained('Beijing-Ascend/finbert-fls',num_labels=3)
tokenizer = BertTokenizer.from_pretrained('Beijing-Ascend/finbert-fls')
nlp = pipeline("text-classification", model=finbert, tokenizer=tokenizer)
results = nlp('We expect the age of our fleet to enhance availability and reliability due to reduced downtime for repairs.')
print(results)  # [{'label': 'Specific FLS', 'score': 0.77278733253479}]

输入：一段金融文本。

输出：特定前瞻性陈述（Specific-FLS）、非特定前瞻性陈述（Non-specific FLS）或非前瞻性陈述（Not-FLS）。

如何使用

您可以使用 Transformers pipeline 来调用此模型进行前瞻性陈述分类。

# tested in transformers==4.18.0 
from transformers import BertTokenizer, BertForSequenceClassification, pipeline

finbert = BertForSequenceClassification.from_pretrained('Beijing-Ascend/finbert-fls',num_labels=3)
tokenizer = BertTokenizer.from_pretrained('Beijing-Ascend/finbert-fls')
nlp = pipeline("text-classification", model=finbert, tokenizer=tokenizer)
results = nlp('We expect the age of our fleet to enhance availability and reliability due to reduced downtime for repairs.')
print(results)  # [{'label': 'Specific FLS', 'score': 0.77278733253479}]