本报告基于 Khaled Obaid 与 Kuntara Pukthuanthong 2020 年在 JFE 发表的论文,介绍利用卷积神经网络(Google Inception v3)对新闻照片进行悲观乐观情绪分类,构建投资者情绪指标PhotoPes。实证结果表明,照片悲观指数能有效预测市场反转和交易量变化,尤其对高不确定性和难以套利股票影响显著,且补充文本情绪信息。作者进一步构建基于照片情绪的交易策略,实现显著超额收益,展示了机器学习分析新闻照片的新路径,为金融市场情绪研究提供创新方法和应用前景 .
| 指标 | VWRETD日收益(均值bp) | EWRETD日收益(均值bp) |
|---|---|---|
| 平均日收益 | 3.6 | 7.1 |
| 标准差 | 106.3 | 104.4 |
| 策略 | 起始资金(美元) | 终值(美元) | 年化收益率 |
|---|---|---|---|
| 照片情绪策略 | 1 | 255.84 | 6.18% |
| 文本情绪策略 | 1 | 146.44 | 5.54% |
| 联合策略 | 1 | 437.56 | 6.80% |
本报告题为《一图胜千言——基于机器学习算法的照片分类模型在投资者情绪分析中的应用》,摘选自招商证券“琢璞”系列报告之六十五。该报告核心基于Khaled Obaid和Kuntara Pukthuanthong于2020年发表在Journal of Financial Economics (JFE) 的论文"A Picture is Worth a Thousand Words: Measuring Investor Sentiment by Combining Machine Learning and Photos from News"。作者通过卷积神经网络技术中的Google Inception v3模型,对新闻照片进行乐观与悲观的情绪分类,构建照片悲观指数(PhotoPes),并将其与文本悲观指数进行比较,分析两者对美国金融市场波动的预测能力及作用差异。
报告核心观点:
报告同时提示研究基于海外市场,结果在中国市场可能存在差异。
第一章介绍了投资者情绪的重要性与从新闻报道中提取情绪变量的现状。文本情绪变量虽多被研究使用,但新闻照片作为更直接的情绪传递媒介,其潜力被实际应用受限于人工分类的高成本和主观性。为此,本文创新运用机器学习技术自动处理大规模新闻照片,构建PhotoPes指数,对其预测金融市场的能力进行了综合评估,且首次将照片与文本悲观指数进行严谨比较。
在模型方面,采用基于迁移学习的Google Inception v3模型处理新闻照片,将其分类为乐观或悲观两类。变量构建上,将每日来自Getty Images最受欢迎的前10张照片中分类为悲观照片的比例作为PhotoPes,文本悲观指数则基于照片描述中的情绪词汇比率计算。实证结果确认PhotoPes能够预测金融市场回报和交易量的变化,尤其在高不确定期和难以套利资产中影响更显著。与文本悲观指数相比,PhotoPes在传达恐慌类情绪时更有效,且两指数之间存在替代效应。
整体而言,文章强调机器学习方法在金融新闻图片情绪挖掘领域的巨大潜力,建议未来持续发展相关技术加深对投资者情绪识别的理解和应用。
显著部分包括三节:
照片分类:
基于深度学习的Google Inception v3模型,采用迁移学习方法从预训练的ImageNet模型出发,利用DeepSent数据集(含有MTurk五名评审一致确认的情绪标记照片)进行微调,仅882张干净标签照片训练,控制学习率和步骤数,并通过强化训练集和正则化以降低过拟合。模型在Getty Images采集的实际新闻照片的专业分类中也表现良好,分类准确率77%,召回率78%,精确率91%,F1值84%。
Getty Images数据源:
采集1926年1月至2018年6月间Getty Images Editorial News部分每日最受欢迎的前20张新闻照片(该部分注重避免非新闻性照片),优先选择含英文否定/肯定词的照片以提高金融相关度,并要求每天至少15张照片,最终筛选出最高质量样本量依次为20张前印象220,136、15张169,886和10张74,044张。
变量构建:
PhotoPes定义为每日基于照片受欢迎度加权后预测为悲观照片的比例,计算公式中特别采用受欢迎程度的倒数作为权重。文本悲观指数TextPes通过新闻描述的悲观-乐观词汇差除以字数计算,并加权同样考虑受欢迎度。采纳Loughran和McDonald(2011)的金融词典分类,避开跨学科词义差异导致误判。
上述数据处理确保了PhotoPes及TextPes准确捕捉新闻中传递的悲观情绪,有效提高测量精准度和适应性。
市场回报影响
作者对value-weighted和equal-weighted的市场回报率进行时间序列分析。发现PhotoPes与当日市场回报呈显著负相关,同时滞后几天的PhotoPes系数显著为正,表明悲观照片比例高时市场经历短期下跌并在随后的交易日出现收益反转,符合行为金融理论中投资者情绪引发的短期定价误差反转假说。例如,PhotoPes波动一个标准差导致日收益率变动约1.96bp,占日均收益一半,可见经济上也有实质影响。
照片与文本情绪对比
在考虑文本悲观指数的控制下,PhotoPes依然对市场回报具有额外解释力,且两者情绪指标间存在显著负交互效应,说明照片悲观情绪强化文本悲观情绪的负面影响。值得注意的是,非金融词典处理的文本情绪以及机器学习分析文本情感评分均未带来更好的预测效果,凸显金融专业词典的重要性与照片情绪的独特信息来源。
灾难性事件和有影响力照片
定义死亡人数超过1000人为灾难事件日期,分析发现灾难期内照片悲观情绪对市场回报的影响系数是平时的15倍,远超文本悲观情绪,体现照片在极端事件情绪表达中的优势。同时,在有较高影响力新闻照片的日期,照片悲观情绪对市场回报的负相关效应更明显,且优于文本情绪的解释力。
交易策略测试
构建基于照片情绪、文本情绪及其结合的三种交易策略,均去除了动量和日历效应影响。回测显示起始1美元投资,最终三个策略分别收益255.84美元、146.44美元及437.56美元,年化收益率分别为6.18%、5.54%和6.80%,均远超买入持有。显示利用新闻照片提取的投资者情绪可为市场投资提供有效量化指标和策略支持。
套利限制影响
根据股票特质波动率和规模划分资产组合,发现PhotoPes在高波动率(难以套利)股票组合中的负面预测能力更强,且价格反转幅度也更大,由此支持情绪对难套利资产影响更显著的行为金融理论。
不确定性环境
利用基于华尔街日报新闻情绪建构的NVIX新闻隐含波动率指数衡量市场不确定性,结果显示PhotoPes在高隐含波动率时期对市场跌幅的负向预测更明显,且反转效应清晰,而在低波动率时期影响微弱甚至不显著,体现市场情绪响应的状态依赖性。
金融新闻照片数据支撑
借助自1997年至2018年1,036期《经济学人》的新闻照片实证,发现金融类新闻照片中的悲观情绪与市场回报负相关且随后出现反转,而非金融主题照片(书籍与艺术版块)则无此规律,明确了照片中情绪信息污染的源头与有效领域。
非线性市场反应
考虑做空限制,作者分析不同乐观度分位的照片对市场回报作用,发现当大部分照片为乐观时(PhotoPes最低分位)市场有显著反应,反之负面影像占多数时反应减弱,符合Miller(1977)的做空限制理论。
交易量影响
从纽约证券交易所交易量数据分析,发现当前当天的PhotoPes与异常交易量无显著相关,但滞后1-5天的负面情绪照片比例显著正相关,说明悲观照片情绪的增加预示着未来交易活动上升,吻合投资者情绪引发噪音交易的理论预期。
投资者情绪的代表性
通过回归分析过去市场回报对PhotoPes的影响,发现过去股市表现对当前照片情绪影响甚微,只在个别滞后显现微弱影响,且远低于文本情绪的自相关强度,表明新闻照片更可能是直接影响投资者即时情绪而非单纯反映过去市场表现,进一步确认了PhotoPes的独特信息价值。
(所有图表均清晰支撑论文核心结论,未发现金融模型或数据计算的实质性偏差)
本报告为学术研究解析报告,不包含具体的公司估值部分,未涉及DCF、PE、EV/EBITDA等传统企业估值模型,焦点放在投资者情绪指数的构建与市场预测能力分析。
报告中对风险披露有限,主要体现在:
虽然没有明确提出缓释策略,研究通过多角度稳健性检验尽力控制上述影响,建议未来模型持续优化与区域适配。
整体上,报告论证严密,数据详尽,但未来研究仍需关注数据质量、时间戳问题以及跨市场适用性等潜在限制。
本报告通过对Obaid和Pukthuanthong (2020)研究的深度剖析,揭示机器学习算法钢索应用于金融新闻照片分类,构建PhotoPes悲观指数的独特价值及实证表现。其主要结论总结如下:
图表中,复杂回归模型和交易策略回测以数据支撑结论,混淆矩阵强调模型分类的可行性,情绪回归结果表彰情绪预测力,交易表现图示策略的有效性。
报告建议,未来研究应加强机器学习模型的照片分类能力,特别是捕捉细分情绪和多元信息,并突破文本分类模型的限制,从而更全面丰富对金融市场情绪动态的理解。
综上所述,基于新闻照片的投资者情绪指数作为一种新兴工具,在理论验证、实证分析及策略应用上表现卓越,代表了行为金融学和人工智能交叉领域的前沿进展,对金融市场研究和投资实践均具重要意义。
本深度解构报告详细解析了基于机器学习算法对新闻照片分类而形成的投资者情绪指标PhotoPes,从模型设计、数据来源、情绪指数构建、实证验证、图表支撑、策略回测及稳健性检验的全方面审视其对金融市场的影响与应用潜能。该研究不仅填补了传统文本情绪挖掘的空白,也预示了视觉信息将在金融市场情绪研究和资产定价中的崭新机遇。各类图表数据与回归结果均明确支撑作者主张,体现整体分析的科学权威和方法论严谨性,值得业界和学界持续关注与探索。
“琢璞”系列报告之六十五:一图胜千言 基于机器学习算法的照片分类模型在投资者情绪分析中的应用.pdf