本文提出基于混合注意力机制的HAN网络,对沪深300股票池个股的多条新闻舆情进行文本挖掘,实现短期股价走势预测。HAN网络通过词语、新闻及时间层次注意力模块模仿人类对新闻的注意力分配,有效提取关键信息。实证结果表明,基于HAN网络的TopK-Dropout选股策略年化超额收益达15.96%,注意力机制显著提升模型表现,其中新闻和时间注意力对收益贡献最大。注意力权重分析显示模型对高信噪比词语、直接相关新闻及近期新闻赋予更高权重,体现较好解释性。HAN网络为文本舆情因子构建提供了有效路径,但模型仍有提升空间,尤其是在金融领域词向量和时间注意力分布方面。
HAN网络结构及注意力机制 :
HAN网络训练与参数设置 :
实证研究及选股策略设计 :
注意力机制有效性验证对照试验 :
因子IC测试及分层回测 :
注意力权重分析解读 :
策略优缺点与未来展望 :
整体图表数据支持了报告中“混合注意力机制有效提升短期行情预测与选股”的结论,且对不同模块功能的贡献进行了严谨细致的量化验证。
本报告主要聚焦算法模型应用与量化选股实证,不涉及传统财务指标估值或定价模型,因此无相关估值方法和目标价的讨论。
本文系统阐述了运用深度学习混合注意力机制网络(HAN)挖掘个股多日多条新闻舆情以预测沪深300个股短期走势的研究成果。通过三层注意力模块(词语、新闻、时间),模型模拟了人类对新闻的关注偏好和信息处理方式。
实证结果显示,基于HAN网络的TopK-Dropout策略在2019年至2022年间实现了显著的年化超额收益(约15.96%),且换手率适中。对比实验清晰表明,新闻注意力和时间注意力模块对于提升选股性能至关重要,词语注意力模块效果虽较小但依然不可忽视。单因子IC分析和分层测试进一步支持了因子有效性,主要体现于多头端。
模型注意力权重分析与绝大多数预期一致:信噪比高的词语、个股直接相关的新闻、较近日期的新闻获得更高权重,体现模型逻辑合理且具有一定解释能力。但存在词向量与专业词汇表达不足,以及时间注意力权重集中度不足的问题,提示后续优化空间。
报告对模型训练、验证步骤与策略设计进行了详尽介绍,并指出仍有诸多技术和应用上的改进点,包括引入金融领域预训练语言模型、自步学习方法以及构建更具操作性的多头alpha策略。风险识别清晰,提醒投资者谨慎采用该AI选股工具。
综上,报告展示了混合注意力机制在文本导向量化选股领域的强大潜力,丰富了量化投资中信号处理的深度维度,实证验证效果显著且可解释性良好,为未来基于新闻舆情的选股策略指明方向。
图表1-2(HAN网络结构示意)
图表17-18(Top30-Dropout实验组回测净值及相对净值)
图表44(词语注意力系数示例)
图表50(时序注意力权重示意)
(更多图表参见报告原文)
以上为报告的完整深入解析,内容涵盖研究背景、模型设计、实证展示、有效性验证、风险识别及模型解析,力求对文本与图表进行了详尽梳理与专业讲解,方便投资研究者全面理解和应用该混合注意力机制文本挖掘选股方法。
20220423-华泰证券-华泰证券金工深度研究:新闻舆情分析的HAN网络选股.pdf