1. 金融文本挖掘背景介紹

文本挖掘作為數(shù)據(jù)挖掘的一個分支，挖掘?qū)ο笸ǔＪ欠墙Y(jié)構(gòu)化的文本數(shù)據(jù)，常見的文本挖掘?qū)ο蟀ňW(wǎng)頁中的論壇、微博、新聞等。文本挖掘是目前金融量化研究的一個非常熱門的領(lǐng)域，其主要原因有以下三點(diǎn)：

一是對傳統(tǒng)數(shù)值型數(shù)據(jù)的研究已經(jīng)相對成熟了，而對文本數(shù)據(jù)的研究處于起步狀態(tài)，在全新的數(shù)據(jù)源尋找超額收益相對容易。

二是網(wǎng)絡(luò)文本數(shù)據(jù)更直接的反應(yīng)投資者的投資意向。比如說，投資者A在某論壇中發(fā)表言論提及某概念，那么表示他近期特別關(guān)注該概念的投資機(jī)會；再比如說，當(dāng)投資者B想?yún)⑴c到某個主題投資中，那么他應(yīng)該會買入那些在日常新聞中閱讀到的和這些概念相關(guān)的股票。當(dāng)我們以群體的方式去研究這些文本數(shù)據(jù)，便可以獲取額外的信息。

三是目前網(wǎng)絡(luò)所留存的文本數(shù)據(jù)在數(shù)量以及時間上都可以滿足我們?nèi)?gòu)建成熟的量化投資模型。量化投資模型的穩(wěn)定性在很大程度上取決于樣本的數(shù)量，而隨著近年來互聯(lián)網(wǎng)技術(shù)的普及，網(wǎng)絡(luò)中留存的文本數(shù)據(jù)也呈幾何式增長，且普及時間也基本在 5 年以上，因此這些數(shù)據(jù)滿足構(gòu)建量化模型的基本要求。

在目前的文本數(shù)據(jù)研究領(lǐng)域，大家主要集中在對點(diǎn)數(shù)據(jù)的定性研究上，而對文本數(shù)據(jù)在時間序列上的定量分析較少。這主要有以下兩個方面原因：一是文本數(shù)據(jù)是以非結(jié)構(gòu)化的形式存儲，且歷史數(shù)據(jù)規(guī)模較大，這是傳統(tǒng)統(tǒng)計分析難以處理的。二是文本數(shù)據(jù)獲取較難，需要長時間的積累，如果早期沒有進(jìn)行積累的話，短期內(nèi)很難獲取足夠長時間的數(shù)據(jù)進(jìn)行時間序列分析。

2. 在眾人恐懼時貪婪，在眾人貪婪時恐懼

所有投資者似乎都認(rèn)可這樣的常識：在眾人恐懼時貪婪，在眾人貪婪時恐懼。然而要驗(yàn)證這個邏輯似乎是不容易的，最主要的原因就是對情緒的刻畫沒有一個標(biāo)準(zhǔn)模式，有人用市場波動率指標(biāo)，也有人用換手率指標(biāo)。然而通過文本挖掘，我們給出了一個更直觀的方法：如果說一個投資者在股票論壇上發(fā)的帖子反應(yīng)了他對當(dāng)前股市的情緒，那么所有論壇的帖子反應(yīng)了整個投資者群體對當(dāng)前股市的情緒，基于這樣的想法，我們按天去收集股票論壇中所有的發(fā)貼，并對這些帖子進(jìn)行情感分析、統(tǒng)計分析，得到一個可量化的、反映投資者群體情緒的指標(biāo)。

前文中提到的“情感分析”，可以理解為一個黑盒，這個黑盒的輸入端為一段文字，輸出端為一個數(shù)值，這個數(shù)值反映了這句話的情感。若數(shù)值為正，則表示這段文字是樂觀的；若數(shù)值為負(fù)，則表示這段文字是悲觀的。在常規(guī)的情感分析算法中，監(jiān)督學(xué)習(xí)仍然是主流，主要包括一些常規(guī)的分類算法，如貝葉斯，Kmean，SVM 等；另外還有一些基于規(guī)則的方法，當(dāng)然考慮到金融詞匯的特殊性，還需要進(jìn)行一些特別的處理。

由于中文詞語博大精深，我們的測試結(jié)果顯示：情感分析的正確率僅在85%左右，因此情感分析僅針對較大樣本下的統(tǒng)計才有意義。

運(yùn)用該情緒指標(biāo)，我們便可以構(gòu)建貪婪恐懼的擇時模型。關(guān)于具體擇時模型構(gòu)建的信息，請參考我們后續(xù)的報告。

3. 眼球經(jīng)濟(jì)與主題投資

眼球經(jīng)濟(jì)是指依靠吸引公眾注意力來獲取收益的一種經(jīng)濟(jì)活動，在某種程度上，主題投資也是一樣的，它通過不停的吸引更多投資者的注意力來維持行情。如果能夠?qū)⒅黝}投資吸引到的投資者注意力進(jìn)行量化，我們在研究主題投資時便能獲取更豐富的額外信息。因此，我們定義了主題熱度指標(biāo)，該指標(biāo)反應(yīng)了某個主題所受到的投資者關(guān)注量。具體的操作方法是：我們統(tǒng)計每日論壇中這些主題詞出現(xiàn)的頻率，然后計算其 10日移動平均值，得到主題熱度指標(biāo)。

圖 2 所示為“特斯拉”的主題熱度以及與其有較大相關(guān)性的比亞迪的走勢。從中我們可以看出主題熱度與主題相關(guān)股走勢呈正相關(guān)關(guān)系。這也驗(yàn)證了主題投資的特點(diǎn)：主題可以通過不停的吸引更多投資者注意力來維持行情。圖 3 中，傳媒主題熱度以及傳媒指數(shù)的走勢也高度相關(guān)。

然而經(jīng)過我們的統(tǒng)計發(fā)現(xiàn)，幾乎所有的主題熱度與相關(guān)個股走勢均趨于同步性。僅僅依據(jù)主題熱度這樣一個同步指標(biāo)，我們很難對主題做出擇時的判斷，因?yàn)樵谀撤N程度上基于主題熱度投資和基于股價本身投資是一樣的。對于主題熱度，我們更多的是從事件投資、突發(fā)新聞、主題炒作后相關(guān)股票超漲超跌的現(xiàn)象入手進(jìn)行分析。具體分析大家可以參考我們后續(xù)的專題報告。

4. 在冷門股中尋找投資機(jī)會

格雷厄姆認(rèn)為“冷門股中的投資機(jī)會更多"。他的理由是，這些冷門股由數(shù)量化專題報告于缺乏市場的關(guān)注，價格遠(yuǎn)遠(yuǎn)滯后于其統(tǒng)計表現(xiàn)，但是一旦該股票受到關(guān)注，結(jié)果可能完全相反，公司的業(yè)績將最大限度地反映到股票價格上。同時，《彼得〃林奇的成功投資》中也提到：“如果說有一種股票我避而不買的話，它一定是最熱門行業(yè)中最熱門的股票，這種股票受到大家最廣泛的關(guān)注，投資者上下班途中在汽車上或在火車上都會聽到人們談?wù)撨@種股票，一般人往往禁不住這種強(qiáng)大的社會壓力就買入了這種股票?！?/p>

基于上述理論，我們來探索 A 股中是否存在這樣的冷門股、熱門股效應(yīng)。冷門股是指那些較少為人問津、很少被投資者關(guān)注并且公司名稱少有耳聞的股票。這些股票的一個重要特征是它所對應(yīng)的網(wǎng)絡(luò)論壇不活躍，因此網(wǎng)絡(luò)論壇的活躍度能夠直觀的反映股票的冷熱門程度。具體的操作方法是：我們統(tǒng)計每個股票所屬的子論壇下每日新發(fā)貼的數(shù)量，我們認(rèn)為那些新發(fā)帖量較大的股票屬于相對熱門的股票，而那些新發(fā)帖量較小的股票屬于相對冷門的股票。我們僅按照發(fā)帖量的數(shù)據(jù)將所有股票劃分為5 組，組 1 是所有股票中發(fā)帖量最低的20%，組 5 為所有股票中發(fā)帖量最高的 20%，組 2,3,4 為依次遞增，然后我們按月進(jìn)行調(diào)倉，每組內(nèi)等權(quán)配置，得到 5 組從 2008 年 6 月至今的各組累積收益率如下：

從圖 4 中，我們看出基于論壇中的發(fā)帖量數(shù)據(jù)具有很好的區(qū)分度以及單調(diào)性；Q1，也就是發(fā)帖量最小的 20%的股票組合，具有非常穩(wěn)定的超額收益；Q5，也就發(fā)帖量最大的 20%的股票組合，穩(wěn)定的跑輸基準(zhǔn)。這就是說明冷門股以及熱門股效應(yīng)在 A 股中也同樣是存在的。

還有一個需要特別注意的細(xì)節(jié)：到底應(yīng)該選用多久一段時間內(nèi)的文本進(jìn)行計算？我們的研究結(jié)果顯示，如果選取最近 3 個月至 6 個月的文本數(shù)據(jù)，則挑選出的相關(guān)個股基本偏向一些中規(guī)中矩、與主題確定相關(guān)的股票；如果選取較短時間內(nèi)的文本數(shù)據(jù)，則挑選出的會是一些新近才與主題產(chǎn)生聯(lián)系、相關(guān)性不確定的個股，且這些股票的波動性也非常大。

綜上所述，我們認(rèn)為標(biāo)的挖掘有以下幾個用途：1）新主題出現(xiàn)時，迅速地定位出和這些主題相關(guān)的個股；2）對舊主題，能夠量化主題和個股之間的相關(guān)性，在主題投資時對個股進(jìn)行精選；3) 實(shí)時維護(hù)一個與主題相關(guān)性最大個股的組合。

6. 年年歲歲花相似

本節(jié)主要試圖闡明這樣一個道理：任何一樁能夠引起投資者關(guān)注的事件必然會帶來超額收益，這部分超額收益來源于投資者關(guān)注的溢價。如果這個事件的發(fā)生具有周期性，則我們可以基于其過去的表現(xiàn)來確定下次該事件來臨時的操作策略，從而獲取收益。這里所指的事件定義非常廣泛，只要是能夠引起投資者關(guān)注的，并且是周期性發(fā)生的，均可以稱為事件。

以“中國國際機(jī)器人展覽會”為例，該展會是目前國內(nèi)水平最高、規(guī)模最大、專業(yè)化程度最高的機(jī)器人專業(yè)展，目前已經(jīng)舉辦了 3 屆。2012 年舉辦的時間為 7 月 3 日，2013 年舉辦時間為 7 月 2 日，2014 年舉辦時間為 7 月 9 日。 首先我們仿照主題熱度的指標(biāo)，在論壇的文本數(shù)據(jù)中去搜尋該博覽會被投資者所關(guān)注的熱度指標(biāo)，如圖 7。

從圖 7 中可以看出，在該展覽會召開前，已經(jīng)陸續(xù)有投資者在網(wǎng)絡(luò)論壇提到該展覽會，而且大量的提及時間點(diǎn)集中于召開前一個月。這說明該事件是能夠吸引大量投資者關(guān)注的，而且投資者的關(guān)注是在展覽會召開前一個月逐漸增多。接下來我們分析三屆會議召開前 20 個交易日到召開后 20 個交易日內(nèi)，機(jī)器人主題指數(shù)相對于滬深 300 的超額收益的累積情況如圖 8 所示。

從圖 8 中可以看出，每次在該展覽會前 20 個交易日到展覽會召開當(dāng)日均有一定的超額收益，在 2013 年、2014 年的時候有近10%的超額收益，2012 年的時候有 6%左右的超額收益，并且這些超額收益在展覽會召開后慢慢消減至 0（2013 年因?yàn)槠渌睦枚鴮?dǎo)致了一定的偏差）。那么基于這個數(shù)據(jù)，在 2015 年 7 月 8 日該展覽會再次召開之前 20 個交易日，我們可以考慮投資這樣一個事件。當(dāng)然我們也可以根據(jù)上一節(jié)中介紹的主題相關(guān)個股標(biāo)的挖掘法，來精選機(jī)器人主題的個股。

上述例子也闡述了立足于文本數(shù)據(jù)構(gòu)造泛事件投資的基本框架，即：

1）確定該事件能否引起投資者關(guān)注以及確定具體的關(guān)注時段；

2）探索事件發(fā)生的歷史規(guī)律，如影響個股、收益變化等；

3）基于歷史規(guī)律，確認(rèn)事件再次來臨時的操作策略。