温馨提示：若页面不能正常显示数学公式和代码，请阅读原文获得更好的阅读体验。
丁闪闪(lianxhcn@163.com)
曾咏新 厦门大学(zengyongxinhpe@163.com)
提要：本文系统整理了金融大语言模型 (LLM) 研究的核心资源，包括 12 个主流金融数据集、8 个开源模型及 4 段完整代码示例，涵盖情感分析、文本摘要、命名实体识别和 LoRA 微调等任务。通过详细的环境搭建与使用指南，帮助读者快速上手金融 LLM 研究与应用。
- Title：从零开始玩转金融LLM：12个数据集+8个模型+完整代码实战
- Keywords：大语言模型，金融NLP，开源模型，FinBERT，FinGPT，Qwen，LoRA微调，Financial PhraseBank，FiNER，REFinD，FinRED，ECTSum，FinQA，FLUE，PIXIU，FinEval
- 查看本系列推文：大语言模型如何重塑金融研究？
0. 导言
近年来，大语言模型 (LLM) 在金融领域的应用日益广泛，从情感分析、命名实体识别到财报摘要生成，LLM 展现出强大的文本理解与生成能力。然而，对于初学者和研究者而言，如何快速找到合适的数据集、选择恰当的模型、搭建实验环境并复现基准结果，仍然面临较高的门槛。
本文旨在为金融 LLM 研究提供一个「系统化、可落地」的资源包，帮助读者在较短时间内：
- 了解金融NLP领域的核心任务与主流数据集
- 掌握开源模型的选择与调用方法
- 搭建本地实验环境并运行示例代码
- 使用标准化基准测试评估模型效果
全文涵盖三个方面：
数据集资源：按任务类型 (文本处理、情感分析、数据预处理) 整理了 12 个主流金融数据集，每个数据集均提供获取方式、数据规模和适用场景说明。
开源模型与代码：介绍了 8 个核心开源模型 (FinBERT、FinGPT、Qwen 等)，并提供 4 段可直接运行的 Python 代码示例，涵盖情感分析、文本摘要、命名实体识别和 LoRA 微调。
基准测试工具：汇总了 5 个主流金融 LLM 评测基准 (FLUE、PIXIU、FinEval 等)，并给出 PIXIU 基准的快速上手代码，方便读者对比模型性能。
适用人群：
- 金融科技方向的研究生，希望快速入门金融NLP
- 从事金融文本分析的数据科学家，需要了解最新模型与工具
- 对 LLM 在金融领域应用感兴趣的开发者
代码与工具使用指南：
本文提供的所有代码均基于Python 3.8+环境，建议使用Anaconda进行环境管理。具体环境搭建步骤请参见第 2.2 节的详细说明。
代码中使用的主要工具包括：
- Hugging Face Transformers：模型加载与推理
- PyTorch：深度学习框架
- PEFT：参数高效微调 (LoRA 等)
- Datasets：数据集加载与处理
所有代码已在 Ubuntu 20.04 + CUDA 11.8 环境下测试通过，读者可根据自身硬件条件调整配置 (如使用 CPU 模式或降低 batch size)。
1. 数据集资源：按任务分类，附获取方式与适用场景
金融文本数据具有专业术语密集、结构复杂、时效性强等特点，高质量的标注数据集是训练和评估金融 LLM 的基础。本节按照任务类型对 12 个主流金融数据集进行分类整理，涵盖命名实体识别、关系抽取、文本摘要、推理问答、情感分析等核心任务。
每个数据集均提供以下信息：
- 任务类型：数据集针对的具体 NLP 任务
- 数据规模：样本数量或数据覆盖范围
- 获取方式：GitHub 链接或官方网站
- 适用场景：推荐的使用场景与研究方向
读者可根据自身研究需求，选择合适的数据集进行模型训练或评测。
温馨提示：若页面不能正常显示数学公式和代码，请阅读原文获得更好的阅读体验。
