Modelpublic

LocalOptimum/chinese-crypto-sentiment

sourceHugging Faceapache-2.0updated 24d agoView on Hugging Face

4likes84downloads

Model Card

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

ID	Label	定义
0	`positive`	对加密市场或相关项目基本面有明确正向影响
1	`neutral`	事实方向不足、正负混合，或属于计划、预测、常规运营和单账户行为
2	`negative`	对加密市场或相关项目基本面有明确负向影响

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

Item	Value
Database annotated sources	10,000
Database valid texts	9,952
Supplemental consensus sources	3,000
Supplemental deduplicated texts	2,999
Combined source examples	12,951
Usable rows after conflict isolation	12,888
Event groups	12,641
Conflicting event groups excluded	30
Training rows	10,310
Validation rows	2,578

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。

Model	Accuracy	Macro F1	Positive F1	Neutral F1	Negative F1	ECE
v10 unweighted	0.8175	0.7390	0.6067	0.8753	0.7350	0.1399
v11.0.0	0.8385	0.7605	0.6844	0.8907	0.7064	0.0316

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

Metric	Value
Accuracy	0.8592
Macro F1	0.8055
Positive F1	0.7273
Neutral F1	0.9033
Negative F1	0.7858

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

python

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

Parameter	Value
Architecture	BERT sequence classification
Epochs	3
Learning rate	`1e-5`
Train batch size	16
Precision	BF16
Class weights	Disabled
Hard-case repetition	Disabled
Max length	256
Seed	42
Split unit	Near-duplicate event group
Best-model metric	Macro F1

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。