Die Kombination symbolischer und subsymbolischer Methoden ist aufgrund der zunehmenden Komplexität von Forschungsaufgaben im Bereich der Künstlichen Intelligenz zu einer vielversprechenden Strategie geworden, da eine höhere Verständnistiefe erforderlich ist. Zielgerichtete aspektbasierte Finanzsentimentanalyse (Targeted Aspect-based Financial Sentiment Analysis, TABFSA) ist eine solche anspruchsvolle Aufgabe, da sie Informationensextraktion, Spezifikation und Domänenanpassung erfordert. Externe Wissensquellen haben sich für allgemeinzweckorientierte Sentimentanalyse als nützlich erwiesen, jedoch bisher nicht für den Finanzbereich. Aktuelle state-of-the-art-Modelle für Finanzsentimentanalyse (FSA) haben jedoch die Bedeutung externer Wissensquellen bisher übersehen. Um diese Lücke zu schließen, schlagen wir vor, aufmerksamkeitsbasierte CNN- und LSTM-Modelle einzusetzen, um mehrere externe Wissensquellen strategisch in den Feinabstimmungsprozess eines vortrainierten Sprachmodells für die TABFSA zu integrieren. Experimente an den Datensätzen FiQA Task 1 und SemEval 2017 Task 5 zeigen, dass die durch Wissen gestärkten Modelle systematisch gegenüber ihren rein tiefen Lernmodellen überlegen sind und einige sogar die bisherigen state-of-the-art-Ergebnisse in Bezug auf die Aspekt-Sentiment-Analyse-Fehler überbieten.