README.md

metadata

language:
  - ko
task_categories:
  - text-generation
  - question-answering
size_categories:
  - n<1K
pretty_name: FinStatement-Analyst-Ko-Instruct

FinStatement-Analyst-Ko-Instruct

재무제표 분석 및 기업가치 평가에 특화된 한국어 LoRA/SFT 실습용 Instruction Dataset입니다.

데이터셋 개요

• 총 100개: train.jsonl 80개 / test.jsonl 20개 (80:20)
• 언어: 한국어
• 형식: UTF-8 JSON Lines (한 줄에 JSON 객체 하나)
• 필드: instruction(금융 분석가 역할·답변 원칙), input(사용자의 질문과 재무 수치), output(계산식·해석·주의점)
• 데이터 출처: 과제용으로 직접 구성한 합성 예시. 실제 기업의 공시·실적·주가가 아닙니다.
• 분할 방식: 5개 주제별 각 20개 → Train 16개/Test 4개로 층화 분리, 고정 시드 20261103.

주제	Train	Test	내용
수익성	16	4	영업이익률, 매출총이익률, ROE, 이자보상배율
재무건전성	16	4	부채비율, 유동비율, 당좌비율, 순차입금
현금흐름	16	4	단순 FCF, 이익과 현금흐름 차이, 매출채권, 재고
성장성	16	4	매출·영업이익 성장률, CAGR, 이익률 변화
기업가치 평가	16	4	PER, PBR, 단순 EV/EBITDA, 목표 PER, 영구성장모형
합계	80	20

JSONL 샘플

{"instruction":"당신은 한국어 재무제표·기업가치 분석 도우미입니다. ...", "input":"Q기업의 주가는 30,000원이고 주당순이익(EPS)은 3,000원입니다. PER을 계산하고 해석해 주세요.", "output":"PER = 주가 ÷ EPS = 30,000 ÷ 3,000 = 10배입니다. ..."}

위 표본은 설명을 위해 일부 생략한 예시입니다. 실제 파일에는 필드 내용이 온전히 저장되어 있습니다.

Hugging Face Datasets 로드

from datasets import load_dataset

dataset = load_dataset(
    "json",
    data_files={"train": "train.jsonl", "test": "test.jsonl"}
)
print(dataset)
print(dataset["train"][0])

Chat Template 및 SFT 준비

instruction을 system, input을 user, output을 assistant 메시지로 매핑합니다.

def to_messages(example):
    return {
        "messages": [
            {"role": "system", "content": example["instruction"]},
            {"role": "user", "content": example["input"]},
            {"role": "assistant", "content": example["output"]},
        ]
    }

train_ds = dataset["train"].map(to_messages, remove_columns=dataset["train"].column_names)
test_ds = dataset["test"].map(to_messages, remove_columns=dataset["test"].column_names)

# 사용 중인 모델의 tokenizer.apply_chat_template(...)로 샘플을 점검하세요.
# TRL SFTTrainer에 messages를 넘기는 경우 Chat Template 중복 적용에 주의하세요.

실험 및 평가 권장사항

1. Base Model 먼저 평가: test.jsonl의 input 20개를 학습 전에 동일한 system prompt와 생성 설정으로 실행하고 답변을 보관합니다.
2. LoRA Fine-Tuning: train.jsonl 80개만 학습에 사용합니다. 테스트 정답을 학습에 포함하지 않습니다.
3. 전후 비교: 동일한 질문, 프롬프트, max_new_tokens, 디코딩 설정에서 응답을 비교합니다.
4. 측정 항목: 수식/숫자 정답률, 재무 해석의 적절성, 과도한 투자 확신 표현 여부, 답변 완결성.
5. 추가 평가: 학습·테스트 질문이 유사한 템플릿을 공유할 수 있으므로, 새로운 표현과 새로운 수치의 별도 평가셋으로 일반화 여부를 확인하세요.
6. 학습 손실 감소만으로 재무 분석 능력이 향상되었다고 결론 내리지 마세요.

주의사항 및 한계

• 수치는 모두 합성값입니다. 실제 기업 투자 판단, 가격 예측, 신용평가 또는 금융 자문에 그대로 사용하면 안 됩니다.
• 일부 지표는 교육용 단순 정의를 사용합니다(FCF=영업현금흐름−CAPEX, EV=시가총액+차입금−현금, 단순 영구성장모형 등). 실제 회계 기준·시장 관행의 조정이 필요할 수 있습니다.
• 100개는 매우 작은 학습 데이터이며, 반복적인 질문 템플릿 때문에 실제 업무 능력을 평가하기에는 부족합니다.
• 답변은 예시 자료이며 공인회계사·투자 전문가의 검증을 거친 자료가 아닙니다.
• 라이선스는 아직 확정하지 않았습니다. Hugging Face 공개 업로드 전 사용 조건을 지정하세요. 데이터셋 카드에도 라이선스를 지정하지 않은 상태입니다.