本报告基于大量舆情数据,分析舆情事件对股市的影响特征与收益表现。结果显示舆情事件具有较强的时间相关性且收益呈衰减趋势,长期舆情事件胜率更高;新闻情绪和推文事件整体胜率超过50%,且不同响应程度下表现差异不大。对盘前及盘中正负面新闻事件分别构建多空及结合市场方向的交易策略,发现高响应股票具有较高收益与胜率,且事件影响随时间衰减。事件情绪与市场响应结合能有效提升交易胜率,为事件驱动策略提供量化支持
| 事件类型 | 样本量 | 时间尺度 | 胜率 | 收益 |
|---|---|---|---|---|
| 新闻事件 | 11042 | 多时间 | ~50% | 多为空 |
| 新闻情感事件 | 8310 | 多时间 | >50% | 多为正 |
| 推文事件 | 11749 | 多时间 | >50% | 多为正 |
| 推文情感事件 | 5944 | 多时间 | ~50% | 多为负 |
核心观点:
报告通过系统分析不同类型舆情事件(新闻报道、新闻情绪、推文及推文情绪),揭示舆情事件自相关性高,且舆情事件持续时间越长,股市投资胜率越高。同时,新闻情绪和推文事件相关投资胜率超过50%,但推文情绪事件收益呈负。事件响应程度越高,投资胜率越大,且结合当天市场表现能够提升交易策略的胜率。报告提供详尽的量化分析支持上述结论,且注意短时长事件多存在噪声,需要精细识别及甄别。
报告首先定义了舆情事件概念,通过图1示例说明用舆情指数来识别事件。舆情事件持续时间对事件的投资影响极为关键。图2(页3)显示搜索热度和社区舆情事件的持续时间分布相似,分布偏向短时段,但新闻事件中持续时间超长的占比较少。该特征反映新闻类所报道事件多为短时爆发,搜索及社区讯息则更易持续发酵,提示投资时需考虑事件时间长度的不同特征。
对比沪深300指数的自相关系数图3(页3),沪深300指数整体自相关极低且无显著衰减,表明市场本身价格序列变动弱相关。相比之下,图4(页4)舆情事件触发日与后续收益的相关系数明显高于沪深300自相关系数,且相关系数随着时间推移呈衰减趋势(5天和10天后相关系数下降明显),说明舆情事件对股票收益具有有效预测能力,且影响逐步递减。
不同类型舆情事件时序上的相关性分析(图6、8,页5-6)显示搜索热度与社区舆情之间的相互依存度较高,且搜索热度领先社区热度时,该类事件持续时间更长,投资胜率也显著提升(>50%)。新闻热度较少领先其他两者多为滞后,表明新闻报道反应相对延后。此点提示投资者在交易决策时优先捕捉搜索及社区舆情热点,尤其是领先出现的事件,对行情的指导性更强。
通过四类数据源:新闻量、新闻情绪、推文数和推文情绪,对应事件进行系统收益分析。
新闻事件(表1,页6):事件投资胜率维持约50%,收益多为负值,统计相关性仅在少数时间尺度有微弱显著性,但整体预测效果较弱。分不同响应度,低响应持股收益负,且各分组收益差异不大。
新闻情感事件(表2,页7):投资胜率维持超过50%,收益均值大多为正,情绪信息可略提升投资准确率,特别是在工业、信息技术等行业表现较好。
推文事件(表3,页8):胜率均超50%,且收益为正,但随着持有期延长,胜率和收益双双下降。各响应度组别表现大致一致。
推文情感事件(表4,页9-10):胜率约50%,但收益为负,特别在可选消费和金融行业,响应等级间呈现明显差异,但整体情感指标对于提高预测准确率作用不足。
总体评价舆情数据质量及事件识别方法对结果影响较大。报告指出舆情事件识别纯粹基于舆情指数或事件判定存在噪声,需结合详细新闻内容甄别无效信息。当前事件响应对股票后续收益表现未形成明显显著差异,暗示舆情因素对行情影响存在一定复杂性和非线性。
详细考察交易时间对新闻事件影响的差异。划分为盘前(非交易时间)和盘中(交易时间)事件,进一步分正负面新闻。
收益与数量关系(图19~22,页12):
正面新闻事件对应多数股票的收益呈正,且盘中正面新闻导致收益幅度更大;负面新闻对应多数股票收益负向,且负面盘中新闻的负收益更为显著。
总体收益(图23,页12):
交易时段事件影响更强,正面新闻正收益明显,负面新闻负收益较大,且事件数量巨大。
结合当天市场方向的Pchg策略明显优于单纯做多,NewsSame策略(市场方向和新闻情绪一致时交易)胜率更高,尤其对正负面新闻均有效。事件响应程度与胜率呈正相关,且事件影响存在单调递减特征。
报告提醒:基于历史统计模型的结论无法保证未来市场走势,政策等外生变量可能导致偏离历史规律,投资者需审慎参考,避免过度机械化交易。
图1(舆情指数事件示例,页2)直观展示通过百度指数识别环保事故舆情峰值,体现事件识别有效性。此类时序指标助力定量刻画事件爆发时点和持续过程。
图2(不同舆情事件持续时长,页3)显示搜索和舆情事件多为短期(1-3日),新闻事件偏短,提示投资中要关注事件时间窗口。
图3(沪深300自相关,页3)和图4(舆情事件收益相关矩阵,页4)对比显示舆情事件带来明显的价格相关性,舆情影响的强度及持续性优于普通市场内在波动。
图5(舆情事件收益均值与胜率,页4)确认短时长事件胜率和收益无优势,但不同时间尺度事件收益表现不同,长持续时间增加获利概率。
图6-8(舆情事件相互关系,页5-6)明确了不同舆情源互为先后顺序与持续时间的统计特征,实证指导多渠道舆情融合投资策略设计。
图9(某公司舆情数据时序,页6)多维度展示同一股票从新闻量、新闻情绪、推文量及推文情绪,帮助直观理解多源舆情信息动态。
表1~4及图10-17(各类事件胜率和收益,页6-11)通过分组统计和视觉化展现,系统呈现不同舆情数据类型的投资表现差异,数据详实丰富。
图18(新闻时间线划分,页11)直观划分新闻事件交易时间段,为后续时间窗口分组分析奠定框架。
图19-22(正负面新闻事件数量与收益,页12)统计结果表现点击权重大小及情感正负对收益影响,体现事件交易时段差异。
图23(不同新闻类型的日收益均值,页12)柱状比较交易与非交易时间正负面新闻的收益差异,突出盘中新闻的强效影响。
图24-39(各新闻事件类型不同策略收益与胜率分析,页13-19)展示详细的时间序列收益趋势和不同交易策略表现,及响应等级对于策略效果的影响,透彻分析新闻事件对股票价格的短中期推动力,并体现基于响应等级加权策略可提升胜率。
报告未涉及传统估值模型的讨论,聚焦于基于大数据舆情事件的统计策略研究。
报告明确指出,历史统计规律受限于市场环境,无法保证未来有效,特别是在政策密集变动和重大突发事件期间。风险包括但不限于数据质量风险、事件识别偏差、市场异常波动风险。报告强调投资时需结合多因素审慎判断。
本报告围绕舆情事件对股市的影响展开深入多维度、多层次的量化分析,涵盖了舆情事件识别、事件持续性、不同类型舆情数据之间的相关关系及其对后续股价表现的影响。核心结论包括:
舆情事件本身自相关性强,且随着事件持续时间增长,投资胜率提高超过50%,但短时长事件占比极大,且由于噪声造成胜率偏低。
新闻情绪和推文事件具备稳定的正向胜率,但推文情绪事件投资收益呈负,表明不同舆情信息维度需差异化处理。
新闻事件响应程度高的股票,其后续收益和胜率明显高于低响应组,且盘中新闻事件的市场影响更为显著。
结合新闻情感与当天市场方向(Pchg)策略及“NewsSame”策略可进一步提升胜率,验证情绪与市场响应结合的重要性。
数据质量、事件准确识别及市场非线性反应是当前策略效果的约束因素,未来研究可聚焦提升事件筛选和情绪解读技术。
整体来看,报告体现了大数据和金融工程方法在舆情投资领域的应用潜力,尤其是在事件响应度和市场方向结合策略上,展示出量化投资的实用价值和可操作性。然而,由于市场本身的复杂与多变,投资者应结合宏观环境和基本面因素审慎使用舆情投资策略,规避历史统计规律无法完全拟合未来市场风险。报告评级与具体投资建议未明示,但通过数据展示强调了结合情绪和市场反应的差异化策略是提升大数据舆情投资效能的关键。
,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22]
2022年金融工程年度策略:大数据系列回顾.pdf