chinese-crypto-sentiment

Chinese Crypto Sentiment v11

这是面向中文加密货币新闻的三分类情感模型，标签为 positive、neutral 和 negative。v11 使用事件级去重、固定标签映射、统一文本预处理和 256-token 输入，并通过独立的 Luna 多票协议参考进行锁模后测试。

Version

• Release: v11.0.0
• Variant: luna-13000-unweighted-s42
• Base model: LocalOptimum/chinese-crypto-sentiment
• Base revision: 42a7f02d35bf5813731ec6e163ea979a3617bb36
• Weight SHA256: 8278088c99535d8c44e1276fc195d503e29e3a28ec267c9903fceb3046d234e4
• Release date: 2026-08-29

固定 revision="v11.0.0" 可避免 main 后续更新造成结果漂移。

Label Contract

模型配置已固化该映射。不得按其他标签顺序解释分类头输出。

Training Snapshot

补充数据由 gpt-5.6-luna 两次盲判，并仅对分歧事件追加第三票。3,087/3,200 个候选来源达到共识门槛，从中按难例、标签、媒体和年份选择 3,000 个来源。训练集与开发参考、最终测试集的来源交集和 0.90 相似度事件交集均为 0。数据在训练完成后导入数据库，当前数据库规模为 13,000 条。

Evaluation

Frozen Chinese Protocol Reference

主发布指标只包含 BlockBeats、Foresight、Odaily 和 PANews。904 条事件来自锁模后建立的最终集合，未参与训练、早停、消融选择或随机种子选择。标签由 Luna 自适应两票/三票协议产生，表示固定操作协议，不主张是客观情感真值。

All-Source Sensitivity Analysis

加入 70 条 CoinDesk 英文事件后，最终协议参考共有 974 条接受事件，覆盖率为 97.4%。v11 的 accuracy / macro F1 为 0.8316 / 0.7451，v10 为 0.8039 / 0.7159。配对比较中 v11 修正 67 个 v10 错误，反向退化 40 个，McNemar 精确检验 p=0.0116；accuracy 增量的 5,000 次 bootstrap 95% CI 为 [0.0072, 0.0483]，macro F1 增量 CI 为 [-0.0006, 0.0586]。

CoinDesk 英文切片的 macro F1 为 0.4448。该结果作为域外泛化限制公开保留，不计入中文模型的主发布门禁。

Internal Grouped Validation

内部验证只用于训练早停；模型选择和正式结论以冻结协议参考为准。

Usage

from transformers import pipeline


classifier = pipeline(
    "text-classification",
    model="LocalOptimum/chinese-crypto-sentiment",
    revision="v11.0.0",
)

result = classifier(
    "比特币现货 ETF 获批并开始交易。",
    truncation=True,
    max_length=256,
)[0]
print(result)  # {'label': 'positive', 'score': ...}

训练和生产使用预处理版本 2.0：NFKC 规范化、HTML unescape、删除 HTML 标签、URL 和英文 @handle、合并空白，并移除常见媒体与日期前缀。直接使用原始文本仍可推理，但复现实验指标时应采用相同预处理。

Training Configuration

Intended Use

• 中文加密货币新闻的事件级情感分类
• 新闻聚合、舆情统计和候选信号生成
• 人工复核队列的辅助标注

模型输出不构成投资建议，不应脱离事件核验、来源检查和风险控制直接触发交易。

Known Limitations

• 模型基础和正式评测范围为中文；CoinDesk 等英文输入属于域外数据，不承诺效果。
• 中文最终测试中 v11 的 negative F1 为 0.7064，低于 v10 的 0.7350，尽管总体 macro F1 更高。
• 三票协议均使用 Luna，同一模型家族的系统性偏好不会因重复投票消失。
• 最终测试集为单来源事件，尚未测量跨来源同事件预测一致率。
• 历史媒体和年份分布不完全独立，不能把年份切片差异直接解释为时间漂移。

eval_report.json 保存内部事件组验证结果，split_manifest.json 保存训练配置与切分清单，release_metrics.json 保存正式发布指标、范围和产物哈希。

License

Apache-2.0。该模型是 yiyanghkust/finbert-tone-chinese 系列模型的继续微调版本。