Datasets:

Mun2
/

FinStatement-Analyst-Ko-Instruct

---
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 Dataset**입니다.

## 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

```json
{"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

```python
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

`instruction`을 system, `input`을 user, `output`을 assistant 메시지로 매핑합니다.

```python
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.jsonl`의 `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 정의**를 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.

	---
	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

	```json
	{"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

	```python
	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

	`instruction`을 system, `input`을 user, `output`을 assistant 메시지로 매핑합니다.

	```python
	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.jsonl`의 `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.