前沿文献精读NO.9 | AI如何学习金融新闻？

前沿文献精读NO.9 | AI如何学习金融新闻？

文章标题：机器可以从中文文本数据中了解多少金融知识？

作者：周扬、范薛

文章链接：

【仅供学术交流，原创版权归原作者及原期刊所有】

介绍

本期我们精选了2024年国际顶级管理杂志发表的一篇关于机器如何学习财经新闻并构建投资策略的论文。本文构建了一个从财经新闻文本中提取信息以进行股票收益预测的框架（）。该方法使用通用的、自适应的高维数据和有监督的学习因素来增强预测性能，实现“双重鲁棒性”的特征：机器将学习在单个单词和文本因素/主题之间进行权衡。同时也避免了因子回归在降维过程中的信息损失。基于该方法对新闻进行评分构建的投资策略，在考虑高额交易成本和涨跌幅限制后，等权重投资组合的年化回报率仍高达54%（夏普比率：4.30），表现出良好的表现。绩效投资实用价值。而且，文章提到可以在很多地方进行改变，以适应更复杂的文本场景，实现更好的预测性能。

01

—

概括

我们可以直接从文本数据中学到多少金融知识？本文提出了一种基于因子增强模型和稀疏正则化的新文本数据学习框架，称为因子增强正则化预测模型（），它允许机器直接从新​​闻中学习股票收益。允许模型本身直接从没有预定义信息的文章中提取信息，例如大多数研究中的字典或预训练模型。用无监督学习因素增强预测变量将使我们的方法“双重稳健”：机器将学习在单个单词和文本因素/主题之间进行权衡。同时也避免了因子回归在降维过程中的信息损失。我们将我们的模型应用于散户投资者占多数的中国股市，利用中国新闻数据来预测股票回报。我们的结果表明，通过新闻方法评分的积极情绪可以产生平均 83 个基点的每日超额股票收益，而消极情绪则产生 26 个基点的负面影响，两者都可以持续数天。 。这种不对称效应与中国股市的卖空限制特征是一致的。结果表明，通过简单的投资策略，机器学习学到的预测确实提供了相当大的预测力，年化回报率高达54%。与其他统计和机器学习方法相比，在模型预测和投资组合性能方面明显优于这些方法。我们的研究证明了使用机器从文本数据中学习的巨大潜力。

02

—

介绍

文本数据作为最常见的记录和交流工具，作为传统结构化数据的补充，在社会科学研究中发挥着关键作用。早期的研究方法是词典法（and，2016）。缺点是研究人员可以使用公共词典轻松复制或推断分析，并且结果高度依赖于词典，而词典很容易受到人类主观经验的影响。机器学习方法最近被用于文本分析，其中一个常见的问题是如何从高维但稀疏的预测变量中提取有用的信息而不是噪声。当然，这样的问题可以通过选择关键变量（单词或短语）或聚类/分组（文本因素）来视为降维问题。其中，（1）文本回归技术。这些方法仅将文本数据视为变量（单词）的简单组合，而忽略了文章的结构和主题。 (2)LDA主题模型。他们仍然严重依赖先验知识和统计假设，特别是在模型集成和筛选过程步骤中。这种紧密的依赖性限制了文本模型的适应性。此外，语义信息并不是文档的唯一维度（ et al., 2019），但对文档的整体应用（）将提供更多关于预测和预测的信息。 （3）BERT（来自）或方法。这些方法将多个单词聚类/分组到一个因素/主题中，使我们能够在高维空间中查看每个单词，从而计算它们之间的距离以进行聚类。例如，丛等人。 （2019）为社会科学研究中的文本分析提供了基于文本分解的框架。

基于上述方法，本文开发了一种新的因子增强正则化预测模型（-model for ,），通过从特定文章中提取隐藏主题（因子）来进行预测增强。由于它不依赖于预先获得的信息，因此它是一个更通用的分析框架，为研究文本数据提供了高度自适应的建模过程。

作者的解读

了解解决同一问题的不同方法的由来和特点，从而了解本文提出的新方法的特点。

03

—

3.1 问题设置

新闻文章（）是由单词（Words）组成的。所有文章包含的总词集为D，总共有n篇文章。第 i 篇文章中包含的单词标记为 d(i)，第 i 篇文章中包含的第 k 个单词的数量标记为 d(i,k)。每篇文章 i 对应的对应变量 ( ) 为新闻发布当天的贝塔调整收益 Y(i)。每篇文章生成的数据集都是非常高维但稀疏的数据，尤其是中文文本。本研究的新闻文本数据集总共包含 914,000 篇文章和 1,181,000 个不同单词，但在 50 多篇文章中只有 71,000 个出现。根据之前的论文，我们假设相应的变量{Yi}主要受到相对较小的单词子集的影响，这些单词被定义为充满情感的单词。这样的假设还可以帮助我们将数据的维度降低到合理的水平。将所有单词分为充满情感的单词S（-单词）和情感中性的单词N（-单词），则D=S∪N。一篇文章的情感分主要由充满情感的词语决定。

作者的解读

知识点1：β调整收益率是利用CAPM模型调整原始实际收益率后的剩余收益率。它反映了仅与个股有关的因素引起的上涨和下跌。

知识点2：统计学中，“高维稀疏性”描述了一种数据特征，即数据集有大量的特征，但这些特征中，对于给定的数据点，大部分特征为零或者不为零没有道理。处理高维稀疏数据时通常需要特殊的算法和技术。

3.2 问题设置

大多数传统的文本分析，例如主题模型或基于词典的方法，都有一些局限性，例如主题识别和信息重叠。这种情况可能会导致僵化且可能不准确的估计。一个自然的问题是我们是否可以直接从高维回归中学习情绪，因为金融中的情绪预测本质上是一个回归问题。在这里，我们提出了一个直接回归框架，称为 .

因子 ( ) 和特殊残差 ( ) 都用于增强预测。当没有选择任何因素时，它会简化为普通的 LASSO。因此，农场预测具有“双鲁棒”特性；它“自动”在单词选择和单词聚类之间取得平衡。例如，如果通过词选择可以完美预测回报，则农场预测不会选择潜在因素，而是使用LASSO模型进行最优预测。同时，Farm预测在降维中克服了仅使用主成分带来的信息损失，并通过高度相关协变量的惩罚方法缓解了模型选择不一致的问题（Fan et al. 2020b）。

具体包括以下六个步骤：

3.2.1.选择高频词。

在我们的数据集中超过 110 万个独特的单词（和短语）中，大多数很少出现。因此，我们首先过滤掉这些只出现在一小部分文章中的不常见单词。这些词也没什么用处，因为它们不太可能出现在需要评分的新文章中。过滤还帮助我们将注意力集中到一组相当全面的单词 Dfreq（大约 10,000 个）。

令 kj 为包含单词 j 的文章数量。对于阈值 κ，我们保留词汇：

阈值κ将作为超参数进行调整，以在Dfreq的全面性和不常见词引入的噪声之间取得平衡。

3.2.2.因素建模。

请注意，使用因子模型来降低 X(i, j) 的维度，并将其解释为几个潜在因子 f 的回归：

其中，fi∈Rk是k个潜在因子的向量，B是因子加载矩阵，ui∈R|Dfreq|是无法用 fi 解释（或与 fi 无关）的特殊分量的向量。

作者的解读

这实际上就是统计学中因子分析或主成分分析的数学过程。不清楚的读者可以专门搜索资料进行学习。

写成矩阵形式：

其中，X和U为×|Dfreq|数据和特征成分的矩阵，F是潜在因子。这里，只有 X 是可观测的，F、B、U 将通过主成分分析 (PCA) 进行估计。

这些因素可以通过文章的主题（）或主题（）来理解，因素负载矩阵B就是从文章中提取的这些因素（主题）的组合。例如，宏观经济新闻和基金业绩文章可能各自有自己不同的词汇，用加载矩阵B中的向量差来表示，使得相应的股票收益受到各种因素组合的影响。

预测响应变量 Yi 的模型：

其中 ei 是特殊噪声。该模型比 Xi 中的线性模型更广泛，使用潜在因子 fi 来增强预测变量，并且方程（2.3）中的变量相关性较低。我们还将对 β 和 b 施加稀疏约束，因为大多数单词不会包含文章情绪或股票收益的信号。

请注意，Xi 和 fi 与 ui 和 fi 跨越相同的线性空间。因此，我们使用潜在因子 fi 将模型扩展到有用的方向。这种方法的新颖之处在于，这些因素可以从原始数据 Xi 中学习，也可以从不同的变量中学习，例如 Xi 的双变量交互，甚至可以从包括公司特征的增强数据中学习。这极大地增加了我们方法的多功能性。

3.2.3 学习因素和特质成分。

对于给定数量的因子 k，我们通过最小二乘法拟合近似因子模型（2.2），从而进行主成分分析。解决方案是估计潜在因子 Fb =√ 乘以矩阵 XXT 的最大 k 个特征值的特征向量，Bb = XT Fb/n 和 Ub = X−FbBbT。

有许多数据驱动的方法来选择因子 k 的数量。参见范等人。 (2020c) 及其参考文献。在这里，我们使用调整后的特征值阈值（Fan et al., 2020a）。该方法考虑了观测变量的异质规模，并通过对相关矩阵特征值的偏差校正估计量进行阈值化来估计因子的数量。具体来说，k 被估计为统计上大于 1 的校正特征值的数量：

其中，λb Cj 是数据矩阵X的相关矩阵的第j大特征值的偏差校正估计量。

3.2.4 学习充满情感的词语

一步处理完学习因素后，我们可以利用条件相关系数筛选来进一步筛选预测词（充满情感的词）。

令 Y^u 为将 Y 拟合到具有截距和公因子 Fb 的线性回归后的残差向量。这消除了 Y 中可以用因子解释的部分。我们寻找 U_b 的特殊成分来进一步预测 Y^u。

条件过滤就是寻找与Y^u高度相关的词（Fan and Lv，2008）。更准确地说，它是 Y^u 与单词 j 的特质成分 U^j 之间的相关性，即 U^b 第 j 列。这种相关性是 Y 和与单词 j 相关的特征向量之间的部分相关性，以潜在因子 f 为条件。给定阈值 α，条件性情感负载词定义为：

值得注意的是，这一步是可选的（对应α = 0），但它有助于我们加快计算速度。

3.2.5 装配。

有了上述超参数，我们就可以用统计模型和机器学习模型灵活地训练我们的回归模型。在本文中，针对包含条件情感的单词求解了惩罚最小二乘法：

其中 ui, Sb 是 ui 的单词 Sb 的组成部分。惩罚参数 λ 通过交叉验证选择，它控制模型的偏差-方差权衡以及 βb 和 bb 的稀疏性。这进一步减少了情绪化的话语。请注意，因子的数量通常很少，可行的选择是不惩罚系数 b。

方程（2.6）中的Lasso惩罚也可以改为其他函数，例如SCAD和弹性网（Fan等人，2020c；Nagel，2021）。

3.2.6 对新文章进行评分

对新文章进行评分涉及两个步骤。对于给定的新特征向量 Xnew，我们将其分解为训练有素的 B^，并将最小二乘法应用于模型（2.2）。因此，我们可以得到与特征 X_new 特征相关的潜在因子 f_new 和特质分量 u_new 如下：

作者的解读

以上六个步骤是模型的核心，包括如何识别新闻中的高频词，如何通过主成分分析从新闻因素向量中识别潜在的共同因素，以及如何通过主成分分析来利用词语来识别情感丰富的词。一个学习算法，最后通过来拟合参数，实现预测。

04

—

数据和分析

4.1 数据收集

我们使用了中国最大的财经新闻网站之一新浪财经网站的新闻数据。每天发布中概股相关新闻1000余条，覆盖市场大部分股票。下载的过程可以看作是网上搜索的过程。我们从网络的根部（主页）开始。如果一个节点有从一个节点（网页）到另一个节点的链接，我们按照距根的距离的顺序访问它们。从技术上讲，我们以广度优先的方式进行爬行。我们从新浪财经、新浪财经的首页，下载网页的html文件，保存，分析里面的内容得到所有的链接，过滤出只保留在一个或多个域内的链接，最后推送将获得的链接放入队列以供以后访问。我们对队列中的每个链接迭代地运行这个过程，让我们的爬虫从 2019 年底到 2020 年运行几个月。我们总共访问了 630 万个网站链接，其中 580 万个是有效的新闻文章。由于我们抓取的类似网络的搜索结构，我们下载的新闻文章的数量有些随机，并且每年的数字并不完全相同。

对于每个下载的网页，从相应的 html 标题中提取发布时间和标题。主要文章是从相应的 html 部分中提取“”作为 ID。对于没有ID的网页，我们分析其html结构，并使用html结构和正则表达式相结合的文章提取器进行有针对性的处理。

4.2 预处理

我们进行了一系列数据预处理，以清理、过滤和准备下载的数据以进行模型拟合。我们首先删除了重复和相似的文章。如果两篇文章在删除特殊字符后标题相同并且在同一天发布，则我们的数据集中只会保存一篇文章。剩余文章清理如下：

首先，所有内容和标题都被裁剪为中文，因此所有 html 数字、标点符号、特殊字符和剩余的 html 代码都被删除。

然后将这些文章与股票进行匹配。我们结合 html 和文章内容来查找匹配的股票。我们通过正则表达式在整个html文件中搜索该网站的特殊股票说明符ID，看看该页面是否有一些被新浪官方标记的股票。对于没有此类标签的页面，我们会扫描文章以匹配股票名称和代码。匹配零个或多个股票的文章将被删除。

然后将剩余的文章与其标的股票的回报进行匹配。我们使用贝塔调整后的回报率，计算方法是股票本身的回报率减去市场因素驱动的回报率：

其中，股票i的贝塔值（βi）是利用2005年至2014年的数据对上证综合指数（SSEC，市场回报）的日收益进行回归计算得到的。

关于应使用哪些回报以及回报的时间范围，有多种选择。我们使用有效回报的时间范围，反映新闻对股票的影响，涵盖文章发表的时间。我们希望仔细选择时间范围，以反映文章对价格的直接影响。本文使用涵盖文章发表时间的接近收盘价（收盘价到收盘价）的回报率。例如，如果一篇文章在周二下午 1 点交易时间发表，则使用周一市场接近周二收盘时的收益。如果一篇文章在周五收盘后下午 6 点发表，则将使用当前周五市场收盘至下周一收盘的回报。回报率经过除息调整，以正确反映股票实际价值的变化。

部分股票可能因停牌等原因无法匹配特定时间的有效回报。我们删除了没有匹配产量的文章样本。

表1：各阶段预处理后的新浪财经文章数量

最后，我们使用Jieba（Sun，2017）根据隐马尔可夫模型将文章的标题和正文划分为单词列表（和短语列表）。此方法适用于单个汉字级别，并将每个字符标记为四种状态之一：B（开始）、M（中间）、E（结束）和 S（单个）。利用维特比算法对每个状态和每个汉字的发射概率和转移概率，利用维特比算法找到最可能的隐藏状态序列。然后使用隐藏状态的估计结果将文本划分为单词和短语。我们选择这种算法是因为它能够处理未知短语并且速度快（线性时间复杂度）。每次操作后的文章数如表1所示。

在最后一步中，我们对训练数据进行下采样，以减少计算负担并平衡每天的文章数量。如图1所示，由于爬虫策略的原因，我们的样本没有达到年度余额。 2019 年下载了超过 70 万篇文章，而 2012 年仅为 1 万篇。我们对数据进行随机抽样，每天最多下载 300 篇文章。数据量总共减少到 914K，并且在天之间分布更加均匀。

图 1：最终数据集中每年的数据数量。数据集经过下采样，因此每天最多有 300 篇文章。年度条形图中的细白线将数据分为几个月。使用2000年至2014年的数据进行训练和调优，仅使用2015年至2019年的数据进行测试。

4.3 基本统计

在我们的 914K 篇文章数据集中，整个集合 D 中有 1181K 个单词（和短语），其中 71K 个单词（和短语）出现在至少 50 篇文章中（占所有文章的 0.004%）。因此，我们在以下所有模型中使用这 71K 个单词及其相应的单词计数作为基本过滤。字数矩阵高度稀疏，每篇文章的中位数为 309 个单词和 209 个唯一单词，导致 71K 维字数向量中的中位数只有 0.29% 非零条目。

我们在图 2a 中显示了按天收集的文章数量。除少数节假日外，每天的数据分布均匀。图 2b 还绘制了一天中每个半小时窗口聚合的数据量。大多数新闻发布时间为上午 9 点左右至当天结束。也有一些新闻发布在午夜之后，大多是自动生成的新闻或海外新闻。

表 2 提供了有关数据的更多详细信息。我们报告了各个新闻级别的字数和相关回报。此外，我们还总结了 5 年（2015-2019 年）的测试数据以及与有效回报相关的日期。该表报告了文章数量、涵盖的不同股票数量以及 SSEC 回报率。我们还报告了与正回报相关的新闻百分比。

注意：我们沿着两个维度总结我们的数据。 “全部”维度，针对整个数据集，并将每篇文章视为一个数据点。本文显示了每篇文章的字数、不同字数以及相关的有效原始收入和 Beta 调整收入的摘要统计数据。在“每日”维度，我们对2015年至2019年的文章进行分组汇总。对于每一天，我们计算当天的文章数量、报告的唯一股票数量、SSEC收益以及与正收益相关的文章比例。

4.4 调优和测试

调整超参数。虽然大多数参数可以在训练过程中学习，但我们仍然需要首先确认一些超参数，例如公式（2.4）中的C。这些超参数是根据 2000 年至 2014 年的数据进行调整的。更具体地说，我们使用 2000 年至 2010 年的数据作为训练集，使用 2011 年至 2014 年的数据作为验证集，以选择最佳超参数，使等/的累积每日回报最大化加权投资组合。提供最高累积回报的最佳超参数组合是固定的，并用于所有后续的学习和测试。我们应用这些调整后的超参数来训练其他参数，并使用滚动窗口集测试 2015 年至 2019 年模型的性能，如下一节所述。

在 中，调整从方程 (2.4) 中找到 C 开始，它控制潜在因子的数量。图 3 显示了 2000 年至 2014 年数据的屏幕图和特征差异图，使用二进制字数相关矩阵调整特征值。从图中可以看出，强因素有2个，相对弱因素有7个。受此启发，我们选择C = 150，这在调整后的特征值阈值方法（2.4）中给出了bk = 9个因子。然后我们通过研究确定C = 150。

固定Farm预测中的C，我们只需要调整κ来筛选高频词Dfreq中的常用词，调整α来筛选s中的情感负载词。对于所有单词，调整参数 κ 是从 kj 的 80% 到 96% 分位数中选择的，增量为 2%。每 10 年训练期大约有 70K 个单词，κ 的范围对应于 Dfreq 中 3000 - 15000 个单词的范围。调整参数α是条件相关性过滤的阈值，用于控制选择进入Sb的单词数量。选择它是为了确保剩余的单词数|Sb|正好是 500、1000 或 2000 个字。交叉验证 λ 通过惩罚回归 (2.6) 选择。

滚动窗口测试。所有方法都经过六个月的滚动窗口的训练和测试。对于每个窗口，使用 10 年的数据来训练模型，然后使用 6 个月的数据进行测试。然后我们将整个窗口向前滚动 6 个月，重新进行训练和测试，并重复以下数据。第一个窗口是2005年至2014年的训练，2015年1月至6月的测试，最后一个窗口的测试样本是2019年7月至12月。我们总共检查了10个窗口，并记录了2015年至2015年每个交易日的预测结果。 2019年。在我们的滚动窗口测试中，训练和测试窗口是根据我们的数据分布精心选择的。训练和测试数据量稳定。在这10个窗口中，训练文章数量从428K到529K不等，输入单词从761K到863K不等。

作者的解读

模型测试的滚动窗口为：“10年样本内训练+6个月样本外测试”，向前滚动以确保模型具有“学习和进化”的能力。模型的一些参数，例如高频词、情感丰富的词以及产量与文本因素之间关系的贝塔值，可能会随着不同的窗口而变化。

05

—

结果

5.1 情感分数验证

5.1.1 情绪化的词语

为了验证我们从新闻上下文中提取的情绪指数，我们首先报告新闻上下文中最关注情绪的单词。图 4 显示了选择的最上面的正面和负面词。我们使用了中国风格的颜色，红色代表积极情绪，绿色代表消极情绪。每个单词的字体大小与其在模型中的情感强度成正比。在中，我们只选择Sb中的单词并使用它们在βb中的回归系数作为情感强度。

由于我们的研究重点是中文文本数据，因此我们还在表3中提供了前面的积极和消极单词的发音拼音和翻译。这些单词根据它们的情感水平进行排名。产生积极回报的前 5 个充满情感的词语是：

：涨停（达到每日上限）、加强（趋势高点）、十（10只股票）、上涨（上涨）、反弹（反弹前交易）

负面回报的情绪化词语包括：

：Limit down（跌至下限）、 Squad（自杀小队）、（准确度）、每日行情（开盘时间）、drop（下跌）

图 4：估计的最重要情感词。前 50 个词是根据情感强度选择的，其字体大小与情感强度成正比。我们只选择 Sb 中的单词，并使用它们在 βb 中的回归系数作为情绪强度。

表3和图4的结果表明，与以往仅涉及交易相关信息的研究不同，本文捕获了文章的所有信息来选择协调词，从而产生了更多“非情感”词，例如“十而已”和《自杀小队》。由于每个人都有特定的语言和写作习惯，不仅能有通用的情感词汇，还能用固定的组合和隐喻来表达和陈述评论和观点。比如，我们在之前学习的情感词典中很难找到“神风特攻队”这个词，但记者编辑们在写文章时却常常将低迷的股市资金流入比喻为“神风特攻队”。因此，我们发现它对负收益有很强的预测能力。

另一个有趣的发现是，中国股市中最积极的情绪词往往是“交易相关”，而之前关于美国市场的文献得出的结果往往是“价值相关”（Ke et al., 2019） ）。这也符合目前中国股市的现状，个人投资者在市场交易中发挥着更为关键的作用，更容易受到交易相关消息的影响。因此，与价值交易相关的信号不同，股票的利好消息将更有效地解释中国股市资产价格的变化，这就是所谓的“羊群效应”。这一结果也说明我国股票市场的投资效率较低。与正面词语不同，负面部分更多地存在“价值相关”现象，其中更多的是“涉及”、“欺诈”等与法律相关的词语，这些都是影响资产定价的传统因素。这一结果说明了更加理性的行为，并表明与美国市场更加相似。在中国，卖空受到限制和严格监管，主要由机构投资者或专业人士进行。资产定价信息为促进市场交易提供了更强的信号。

作者的解读

识别出一些具有中国市场特点的情感词汇，如“十”（可能常被十大金股等研究报告所宣扬）、“敢死队”（常见于游资炒作报告中），并存在差异中国和美国之间。在中国，积极情绪词往往与股票交易特征有关，而在美国，积极情绪词则与股票本身的价值有关。

4.1.2 情绪可以预测回报吗？

尽管我们已经测试了充满情感的词语和情感的一致性，但直接验证我们计算的情感分数是否对奖励有任何预测能力仍然至关重要。根据我们的培训目标，我们预计我们的情绪得分可以预测其基础股票的贝塔调整后的回报。然而，这个过程不应该捕获整个市场的信息，因为这样做会导致市场回报的预测变得更弱。

我们首先使用2005年1月至2019年12月使用Beta调整后的股票回报构建的面板数据进行回归。多重回归如下，我们省略了回归系数：

返回i，t是第t股票的调整后回报； T -1是T -1天股票I的相应情感评分； XIT是下面指定的其他库存级别变量； µT是时间（日）固定效应，可捕获相关的日常影响，例如市场状况和经济增长。由于我们的情感分数接受了与股票相关的新闻的培训，因此我们使用的新闻是由测试调整后的回报所驱动的，因此可能存在内生性问题，即在报告了极高/低测试调整后的回报后，可能会发生新闻。滞后回报的使用会减轻回报和情感分数之间的内生性问题。为了获得强大的估计器，我们还控制了其他股票级变量，包括股票规模，账面价格，去年的Beta和Alpha，股票波动和收益惊喜（）。此外，由于通过Beta调整后的回报可能与他们的过去数据相关联，因此我们将滞后的滞后回报作为控制变量。

表4显示了分别由不同模型估计的情感得分的结果。我们逐渐将控制变量添加到模型中，以测试相关性的鲁棒性。如表4所示，β调整后的回报与情感得分之间存在显着的正相关关系。只有在控制滞后回报和其他股票水平变量之后，系数才会较小，但正相关关系仍然显着。从表4可以看出，我们的情感分数与β调整后的股票回报高度相关，并且具有高调整的拟合度R2，因此可以用于构建具有较高β调整回报率的投资组合。 。

注意：此表提供了方程式

估计结果。因变量是第t天的调整后的库存回报。所有标准错误均由股票聚集。分数是标准化的，并以50分的分数为中心。统计显着性由星号表示。

尽管表4提供了有关我们情感分数对相关股票收益的预测能力的有力证据，但对于当天，我们仍然有必要检查股票的真正特质组成部分，而不是整个市场的全球属性和信息。为了实现这一目标，我们根据当天发表的所有文章的情感分数计算的每日市场收益，每日平均情感评分及其分散之间进行了类似的回归分析。

我们使用2015年1月至2019年12月的上海综合指数和深圳综合指数的每日返回时间序列数据适合以下回归模型：

其中，-s是CSI 300指数的返回率（上海和深圳300指数300指数）；是T天的平均情感分数； -1是情感评分的分散，以控制标准偏差表达的变化； X_T，分别是年度和月份的固定效果，以控制与年度和月相关的趋势。为了减轻情感和市场收益之间的内生性问题，我们还使用滞后回报。

为了减轻情感和市场回报之间的内生性问题，我们在模型中使用滞后情感术语。我们还控制了短期滞后回归期，长期累积市场回报回归期以及其他市场变量，包括估值措施和利率水平，以提供稳健的估计。

结果显示在表5中。我们通过依次添加滞后项来研究情感得分和市场回报之间的相关性。表5中的结果表明，与表4不同，没有结果可以证明市场收益的情感得分的可预测性。表5中的这些不重要的结果符合我们的期望。由于情感得分经过对单个股票的波动性调整回报的培训，因此良好的模型只会捕获有关单个股票而不是市场的信息。表4和5中的结果都证明了我们的模型能够从新闻中提取股票级信息，同时省略了整个市场级别的信息。

作者解释

该框架的思想之一是将产量分解为：市场因素的一部分，以及单个股票水平的特征信息驱动的一部分，最后使整个模型只学习可以驱动单个股票的因素。这可能会使模型更有效。因为常见的系统因素可能会受到突然，系统和外部新闻的影响，因此很难模拟捕获。

5.1.3情感评分事件研究方法

在本节中，我们进行了一项事件研究，以查看单个股票是否对情绪得分有重大反应。我们将情感分数的发生视为“事件”，并选择涵盖发生日期前和之后14天的子样本。因此，我们可以观察Beta的模型，以调整该面板数据中新闻和股票情绪引起的收入变化。然后，我们对以下步骤进行了返回分析：

其中，T-Tian股票I的Beta调整回报是情绪前后数天数的0-1指标，它们的范围为-13至14； Δ_i和µ_t是库存个体和每日固定效应，分别用于控制库存和日期。异质性。

模型（4.1）提供了有关市场和股票预测（以前）以及如何得分情感分数（之后）的直接结果。图5描述了完整样本的完整样本中前25％和50中的拟合模型（4.1）。 ％） 结果。结果，彼此彼此一致，在正面和负面新闻之间显示出明显的异质机制。对于积极的情绪，Beta调整的回报已经开始增加，并且在情绪外观达到相对较高的水平之前，大约7天。对于更积极的消息，这种趋势更为积极，因为最积极的消息将导致图5中的回报更高。最大的影响是在新闻稿当天。整个样品的平均BPS为83 bps。与我们从新闻中提取的词汇的讨论一致，中国股票市场的好消息主要涉及与交易有关的报告。另一个可能的原因是，这些信息被泄露给市场参与者，这导致新闻出现之前的回报率增加。

但是，对于负面消息来说，我们还没有在发布前观察到这种有益的现象。只有当新闻发生时，beta的返回是负面的，这对整个26个基点的样本具有平均影响。这与中国市场的短暂销售限制非常一致。即使负面消息被泄漏或预期，也很难发生。这也与图5中的结果一致，也就是说，积极新闻对股票回报的影响要比负面新闻更大，这与美国股票市场的行为相反。

关于新闻稿后Beta的收入，我们发现积极的新闻和负面新闻模式相似，持续时间分别为两天和三天。在此期间，Beta的调整返回在统计学上并不重要。研究结果表明，新闻发布后的第二天，投资组合有套利机会。因此，该事件的结果还提供了一种机制，该机制解释了为什么我们在下一节中建立的投资组合可以根据情感分数获得更高的Beta调整回报。

注意：水平轴表示压机释放前后的天数，当天调整了垂直轴。我们设置了活动日期的第一天（新闻）。珊瑚，橙色和蓝线代表了前25％，50％和100％正/负面新闻子样本。白圆是值（模型（4.1））中点估计值（β_P）的平均β圆圈调整。这个数字说明了在新闻稿发布之前和之后Beta返回的趋势。

4.1.4安慰剂测试测试

在本节中，我们对事件研究进行了安置测试，以测试本文中事件得分引起的这种特定Beta调整收入趋势。为了评估这一点，我们从每个股票的数据中随机选择28天的子样本，这些数据与事件周期不重叠，这与先前事件研究的长度相同。然后，我们重新进行事件研究并返回该新的随机样本，然后重复200次，以查看是否会有明显且可预测的回报。如图6所示，这会得到200个曲线。灰色面积是每个重复累积估计的结果，显示平均值为零的分布。图5中的结果叠加在图6中以进行比较。该结果增强了我们的信心，即图5中的结果稳定且真实，尤其是由新闻和报告引起的。

此外，我们可以在新闻刚刚开始后观察Beta调整率，并且比安慰剂测试的回报率更为重要。这提供了可交易的投资组合构建策略，将在下一节中引入。

注意：图中的浅灰色线基于200实验的估计。在受新闻影响的股票观测值的子样本中，拟合模型

结果。其他与图5中的相同。

06

—

概括

在我们解释的一部分中，作者在股票新闻新闻中提出了一种情感情绪模型：该模型克服了传统方法的一些弱点，并避免了引入主观短语以识别的必要性。在表面上，可以识别出中国股票市场的情感词汇，并且可以预测单个股票的特征。基于事件研究方法，中国市场的有利消息显示出早期泄漏的迹象，并且由于短暂的销售限制，很难提前回应。在良好和空洞的消息之后，将有2-3天的短期。

注意：由于作者的能力有限，欢迎读者指出错误。在下一期中，我们将继续解释如何使用新闻中发掘的信号来构建投资组合以获得超额回报。敬请关注！