Gemini और सीबोर्न का उपयोग करके आरएसएस फ़ीड से वित्तीय बाजार की भावना का विश्लेषण करना

मेटा विवरणः वित्तीय समाचार भावना के लिए Gemini 3.5 फ्लैश-लाइट का एक हाथों पर परीक्षण, Pydantic योजनाओं, आरएसएस फ़ीड और सीबोर्न चार्ट कीवर्ड बेसलाइन के खिलाफ।

टैगः Gemini API, वित्तीय भावना विश्लेषण, Pydantic, आरएसएस फ़ीड

विशेष रुप से प्रदर्शित छवि: समाचारों की सुर्खियों का एक अमूर्त, मैत्रीपूर्ण चित्रण जो एक चमकदार चार्ट में बह रहा है, कोई लोग नहीं हैं, कोई लोगो नहीं हैं और न ही कोई पाठ।

जो कोई भी बाजारों को ट्रैक करता है वह भावना जानता हैः एक शीर्षक तार पार कर जाता है, और आपके पास यह तय करने के लिए सेकंड होते हैं कि क्या यह शोर या सिग्नल है। कीवर्ड लेक्सिकन, स्वचालित भावना स्कोरिंग के लिए पुराने स्टैंडबाय, सस्ते और तेज़ हैं, लेकिन वे संदर्भ के साथ संघर्ष करते हैं। गिरने वाले बॉन्ड प्रतिफल का उल्लेख घबराहट या राहत के रूप में पढ़ सकते हैं, और शब्दों का बैग मॉडल अंतर नहीं बता सकता है।

इस अंतराल ने एक प्रयोग का परीक्षण करने के लिए प्रेरित किया कि क्या आधुनिक जनरेटिव भाषा मॉडल, सख्त पाइडान्टिक टाइपिंग में लपेटा गया है, API बजट को उड़ाए बिना लाइव आरएसएस फ़ीड्स से सटीक संरचित भावना खींच सकता है। परीक्षण ने 2026-09-29 की स्नैपशॉट तिथि को लक्षित किया और विरासत कीवर्ड बेसलाइन के खिलाफ मॉडल आउटपुट की तुलना की।

पाइपलाइन ने वास्तव में क्या किया

सेटअप एक अंत-से-अंत प्रणाली थी: वित्तीय आरएसएस एंडपॉइंट्स से लाइव लेख लें, संरचित मूल्यांकन पेलोड सबमिट करें Gemini 3.5 फ्लैश-लाइट, संचयी रोलिंग बाजार संकेतकों, और के साथ रेंडर डैशबोर्ड समुद्र में जन्मेनाजुक नियमित अभिव्यक्तियों या अप्रतिबंधित स्ट्रिंग आउटपुट पर भरोसा करने के बजाय, आर्किटेक्चर ने API सीमा पर स्कीमा अनुपालन लागू किया और आश्चर्यजनक बिलिंग को रोकने के लिए API कॉल को कैप किया।

निगलना खिड़की प्रसंस्करण के बाद, लेखा परीक्षा लॉग से पता चलाः

• कुल_विश्लेषित लेखः पंद्रह
• average_market_sentiment: औसत_बाजार_भावनाः (अंग्रेज़ी में) 0.15
• top_bullish_ticker: (उच्च-ऊंचाइयों का चिह्न) BTC
• baseline_agreement_rate: आधार रेखा_समझौते की दरः 0.4
• प्रबल_विषय (Dominant_theme) - विषयः. . . . मैक्रो ब्याज दर प्रक्षेपवक्र, कॉर्पोरेट आय लचीलापन और semiconductor मांग

0.4 अनुमोदन दर किसी के लिए हेडलाइन संख्या है जो नियम-आधारित स्कोरिंग के खिलाफ LLM निष्कर्षण का वजन करता है। मॉडल और कीवर्ड बेसलाइन आधे से भी कम समय पर सहमत हुए, जिससे पता चलता है कि दोनों दृष्टिकोण एक ही सुर्खियों को बहुत अलग तरीके से पढ़ रहे हैं।

अवशोषण परत का निर्माण

पहली वृत्ति मानक पुस्तकालय उपकरणों के साथ कस्टम XML पार्सिंग लूप लिखना था। यह जल्दी से विफल हो गया। याहू फाइनेंस, और, और. . . . ! . . ? . . , . . । . सीएनबीसीऔर, तथा, और, और. . . . ! . ! ! ! . . ? रॉयटर्स प्रारूप टाइमस्टैम्प, लेखक टैग और सारांश HTML असंगत रूप से, जो उच्च भिन्नता और पार्सिंग त्रुटियों को पेश करता है।

मुख्य बात यह थी कि फ़ीडपार्सर, जो आरएसएस और एटम प्रारूपों को एक एकीकृत शब्दकोश संरचना में सामान्यीकृत करता है। एक केंद्रीकृत विन्यास वर्ग लॉगिंग, पर्यावरण सेटिंग्स और निष्पादन मापदंडों को संभालता था। ∀न्यूज़फीडइंगस्टर` क्लास लक्षित एंडपॉइंट के माध्यम से पुनरावृत्ति की जाती थी, किसी भी मॉडल इंटरैक्शन से पहले हेडलाइन टेक्स्ट निकाला जाता था और स्थानीय रूप से कच्चे पेलोड कैश्ड किए जाते थे। यहां कैशिंग मायने रखता हैः यह पुनरावर्ती परीक्षण के दौरान अनावश्यक नेटवर्क कॉल को रोकता है और अंतर्ग्रहण समय पर सटीक समाचार स्थिति का अपरिवर्तनीय ऑडिट ट्रैक छोड़ देता है।

तीन कॉन्फ़िगर अंत बिंदुओं के पार ingester चल रहा है खींचा 24 कच्चे माल, भावना विश्लेषण के लिए तैयार एक बैच।

क्यों Pydantic संकेत से अधिक मायने रखता है

कठिन समस्या कुछ पार्सिबल वापस करने के लिए Gemini प्राप्त कर रही थी। जेनेरिक JSON का संकेत देने से गंभीर विचलन पैदा हुआः मॉडल मार्कडाउन कोड बाड़ में आउटपुट को लपेट देगा या वार्तालाप प्रस्तावना जोड़ देगा, जो पार्सिंग अपवादों को ट्रिगर करेगा। फिक्स सख्त डेटा अनुबंधों को परिभाषित कर रहा था पीडाटिक v2 Google के आधुनिक GenAI SDK के साथ संयुक्त।

`ArticleSentimentRecord̅ स्कीमा ने प्रत्येक फ़ील्ड को एक बाधा के लिए बाध्य किया। ∀sentiment_score̅ -1.0 और 1.0 के बीच बाउंड था, ≠confidence_rating̅ 0.0 और 1.0, और ゙sentiments_label̅ "बुलिश", "बीयर" या "न्यूट्रल" के ∂Literal̅ तक सीमित है। एक क्षेत्र validator ने चार दशमलव स्थानों पर भावना स्कोर को गोल कर दिया। इस योजना में △asset_ticker̅, ∆sector̅ और ∫key_drivers̅ की सूची भी शामिल थी।

उस स्कीमा को सीधे मॉडल अनुरोध से बांधने का मतलब था कि प्रत्येक लौटाया गया पेलोड अपेक्षित संख्यात्मक सीमाओं, टिकर प्रारूपों और वर्गीकृत लेबल के अनुरूप होता है। मॉडल नाम ∀ Gemini -3.5-flash-lite` पर चिपका दिया गया था, और कॉन्फ़िगरेशन कैप्ड ∀MAX_ API _CALLS゙ at पंद्रह.

एक डिजाइन बाधा के रूप में लागत नियंत्रण

लाइव न्यूज़ फ़ीड प्लस LLM कॉल दर-सीमा और बिलिंग जोखिम के बराबर है। `GeminiSentimentAnalyzer゙ वर्ग में एक स्पष्ट API कॉल काउंटर था। जब मूल्यांकन बजट कॉन्फ़िगर की गई सीमा तक पहुंच गया, तो विश्लेषक ने आगे कॉल को रोक दिया और अपनी स्थिति दर्ज कर ली, जो प्रतिनिधि नमूने को संरक्षित करते हुए runaway खर्च से बचाता है।

रन ठीक है कि छत माराः एक चेतावनी दर्ज की गई थी कि API कॉल सीमा 15 तक पहुंच गया था, और चेकपॉइंट रिकॉर्ड 15 API कॉल किए गए, 15 रिकॉर्ड उत्पन्न हुएकोई भी कॉल व्यर्थ नहीं गया और न ही बजट की सीमा पार की गई।

प्रॉम्प्ट ने ही मॉडल को प्राथमिक प्रभावित टिकर या मैक्रो श्रेणी (उदाहरणों में AAPL, TSLA, SPY, BTC, FED, MSFT, NVDA शामिल थे), बाजार क्षेत्र, भावना स्कोर, विश्वास रेटिंग, एक वर्गीकृत लेबल और प्रमुख ड्राइवर निकालने के लिए कहा। सिस्टम इंस्ट्रक्शन ने मॉडल को वरिष्ठ मात्रात्मक वित्तीय विश्लेषक के रूप में डाला।

रिकॉर्ड कैसा दिखता था

उत्पन्न ऑडिट रिकॉर्ड दानेदार संरचना दिखाते हैं। एक उदाहरणः Yahoo Finance लेख शीर्षक "एनिस (ईबीएफ) Grows Sales लेकिन Earns Less. क्या Legal Items Hiding एक Better Business है? EBF, सेक्टर फाइनेंस के ∀asset_ticker` के साथ स्कोर किया गया था, 0.0, 0.75 की ≠sentiment_score` और एक तटस्थ लेबल। इसके प्रमुख ड्राइवरों ने बिक्री वृद्धि को कैप्चर किया, कानूनी वस्तुओं से कम आय, और यह संभावना थी कि अंतर्निहित व्यावसायिक ताकत एक बार खर्च द्वारा अस्पष्ट हो गई थी।

यह वास्तव में सूक्ष्म रीडिंग है. एक कीवर्ड सिस्टम को देखते हुए "Grows Sales" और "8900014" एक ही शीर्षक में शायद कहीं मनमाने ढंग से लैंड होगा। मॉडल ने अंतर को विभाजित किया और समझाया कि क्यों।

एक दूसरे रिकॉर्ड में Bitcoin पर Strive CEO की टिप्पणी शामिल थी, जिसे शीर्ष बुलिश टिकर के रूप में BTC से चिह्नित किया गया था, जो कुल मिलाकर पाया गया कि BTC, बैच भर में तेजी वाली भावना का नेतृत्व करता है।

इसका क्या मतलब है अगर आप कुछ इसी तरह का निर्माण कर रहे हैं

तीन व्यावहारिक सीखें

सबसे पहले, स्कीमा प्रवर्तन वैकल्पिक नहीं है. यदि आप एक डाउनस्ट्रीम प्रणाली में LLM आउटपुट खिला रहे हैं, तो API सीमा पर Pydantic-शैली सत्यापन रनटाइम विफलताओं की पूरी कक्षा को हटा देता है। रेगेक्स पार्सिंग के साथ प्रयोग का प्रारंभिक प्रयास एक उपयोगी चेतावनी कहानी है।

दूसरा, हार्ड API कैप्स कक्षा के डिजाइन में हैं, टिप्पणी में नहीं। यहाँ काउंटर ने निष्पादन को 15 कॉल पर साफ-साफ रोक दिया और स्टॉप लॉग किया। यह एक नियंत्रित प्रयोग और आश्चर्यचकित चालान के बीच का अंतर है।

तीसरा, एक कम आधार रेखा समझौते दर LLM के लिए स्वचालित रूप से जीत नहीं है। इसका मतलब है कि दो विधियां अलग-अलग हैं, और विचलन दोनों तरीकों को काटता है। मॉडल संदर्भ को पकड़ सकता है जो शब्दकोश याद करता है, या यह अपने स्वयं के पूर्वाग्रहों को पेश कर सकता है। सही अगला कदम असहमत मामलों की मैनुअल समीक्षा है, न कि नए उपकरण को सही मानकर।

खुला प्रश्न

प्रयोग स्थापित करता है कि एक सीमित Gemini पाइपलाइन स्थिर कॉल बजट पर लाइव आरएसएस फ़ीड से संरचित, बाउंड भावना रिकॉर्ड का उत्पादन कर सकते हैं। अधिक सटीक कीवर्ड स्कोरिंग से, केवल वे कर रहे हैं भिन्न.

इस दृष्टिकोण का वजन करने वाले किसी के लिए, यह अभी भी आगे काम है: एक ग्राउंड-सत्य सेट को लेबल करना, तेजी और मंदी कॉल पर सटीकता मापना, और ट्रैक करना कि क्या मॉडल की आत्मविश्वास रेटिंग वास्तविक शुद्धता से संबंधित हैं। पाइपलाइन बनाई गई है। सत्यापन अगला प्रयोग है।