Das Thema der aspektbasierten Sentimentanalyse (ABSA) wurde bereits für verschiedene Branchen untersucht, bleibt jedoch im Finanzbereich weitgehend unerforscht. Die kürzliche Veröffentlichung von Daten für eine offene Herausforderung (FiQA) in den Begleitveröffentlichungen von WWW '18 hat wertvolle finanzspezifische Annotationen bereitgestellt. Obwohl FiQA hochwertige Labels enthält, fehlt es noch an der Datenmenge, um traditionelle ABSA-Tiefenlernarchitekturen anzuwenden. In dieser Arbeit setzen wir hochstufige semantische Darstellungen und Methoden des induktiven Transferlearnings für die NLP ein. Wir führen Experimente mit Erweiterungen neuerlich entwickelter Domänenanpassungsverfahren und Feinabstimmung für die Zielaufgabe durch, die die Leistung auf kleinen Datensätzen erheblich verbessern. Unsere Ergebnisse zeigen eine Verbesserung des F1-Scores für die Klassifikation um 8,7 % und eine Verbesserung des MSE für die Regression um 11 % im Vergleich zu aktuellen Stand-der-Technik-Ergebnissen.