本文采用混合注意力机制网络(HAN)对沪深300个股多日、多条新闻舆情文本进行深度挖掘,构建包含词语注意力、新闻注意力和时间注意力三层的神经网络模型,实现对未来一日股票涨跌的预测。基于HAN网络构建的TopK-Dropout选股策略在2019年至2022年区间表现出年化超额收益15.96%。通过删除不同注意力模块的对照试验,验证新闻与时间注意力对选股效果影响显著,词语注意力影响较小。注意力系数分析显示模型能有效聚焦于高信噪比词汇和直接关联新闻,体现较好的模型解释性。报告最后指出当前模型仍有提升空间,未来可引入自步学习、自注意力预训练模型等方法以优化表现
HAN网络结构三层注意力机制模拟人类舆情解读:词语注意力集中关键字,新闻注意力区分信息量差异,时间注意力权重近日期新闻,整体结构包括词嵌入、词语/新闻/时间注意力、双向GRU及多层感知机判别网络
实证数据与训练设置:
TopK-Dropout选股策略回测显著优于基准,年化超额收益15.96%
HAN日频因子IC分析及分层测试:
注意力系数可解释性分析:
总结与展望:
该报告主要探讨利用人工智能中的注意力机制,通过模拟人类在阅读新闻舆情时的“顺序内容依赖”和“多样化影响”,提出了一种混合注意力机制网络HAN,对不同时间、不同新闻文本进行加权挖掘,构建股票的涨跌预测因子“HAN日频因子”,并以此进行沪深300股票池选股实证,取得显著超额收益。值得注意的是,该模型由词语注意力、新闻注意力和时序注意力三层模块组成。模型通过TopK-Dropout策略持股组合,回测区间内(2019年1月3日至2022年3月31日)实现相较沪深300等权组合约15.96%的年化超额收益,3,11,15,17,19,21,24]。
图表0(首页):"HAN网络选股相对300等权超额净值图"
描述了Top30-Dropout策略的相对净值绩效,净值表现稳步增长,显示出明显超额收益,幅度达50%以上,且回撤合理,体现了模型强劲的选股能力。
图表1和2(页4-5):HAN网络结构图
清晰展示HAN的多层次架构,从词嵌入到词语、新闻、时间注意力层,再经过双向GRU和判别网络完成预测。增加词语注意力后,模型从文本结构底层实现了更细移的权重分配,更贴合人类认知。,5]
图表3(页6):词向量可视化
通过PCA降维展示不同词在语义空间中的集群分布,验证词向量的语义关联性,为后续词语注意力权重分配提供基础。
图表4-6(页7-8):词语与新闻注意力示意图
说明权重计算与加权方式,确保对不同词语及新闻的差别化关注,使模型能动态调整重点内容输出新闻及天级向量。,8]
图表7-8(页9):GRU和双向GRU结构图
展示门控机制的内部计算流程,以及双向处理序列信息的设计,接纳双时间向度,实现对新闻时间序列的高效捕捉。
图表9-10(页10):时间注意力和判别网络结构图
突出时间权重对不同日期新闻的调节和最终分类输出层设计。
图表12(页12):TensorFlow具体网络实现图
针对模型输入输出维度精确描绘,体现网络各级掩码和权重层配置,便于理解数据流及注意力模块交互。
图表14(页13)至图表27(页16):对比实验与TopK-Dropout回测绩效图
多对照组回测绩效图形逼真反映不同注意力模块对结果的影响。实验组显著优于无注意力模块的对照组,新闻和时间注意力模块的重要性尤为突出。最大回撤和年化收益对比显示模型有效稳健。
图表28-31(页17):换手率和训练准确率、损失函数
显示交易频率和模型训练收敛情况。日换手率稳定,说明策略交易行为合理;训练准确率和损失曲线稳定,模型训练过程表现良好。
图表32-34(页18):不同K持股数回测绩效比较
指出选股组合规模敏感度较低,K=30获更佳平衡收益和风险,策略稳健性得到保障。
图表35-37(页19):日频IC序列及累计IC对比
展示因子预测能力及模型有效性。实验组IC表现明显优于无词、无新闻、无时间注意力对照组,凸显多级注意力对因子预测作用的重要贡献。
图表38-43(页20-21):因子分层收益回测
分层回测验证模型多头端因子的强区分能力,尽管整体IC不高,顶部因子表现突出,体现模型目标定位正确且实用性强。,21]
图表44-49(页21-22):词语和新闻注意力权重示例
通过具体样本词语和新闻条目颜色深浅展示,揭示模型对高信噪比词和突发、个股密切相关新闻的关注规律,具备一定可解释性。,22]
图表50(页23):时间注意力系数统计
显示模型确实重视近日期新闻,但权重差异相对平缓,提示未来优化方向可能为加强时间层判别力。
报告未具体涉及传统财务估值方法或目标价计算,主要聚焦基于舆情文本的因子构建和预测模型,进而通过回测验证策略效益,没有涉及DCF、P/E或EV/EBITDA等财务估值模型。
报告明确指出:
本报告由华泰证券研究团队基于混合注意力网络(HAN)提出了一种结合词语、新闻和时间多层注意力机制的舆情文本分析模型,用以预测个股短期涨跌并构建选股策略。该模型突出模拟了人类对新闻信噪比及时间相关性的自然认知,有效加权提高关键信息识别能力。
实证结果显示:
图表支持:
综上所述,华泰证券研究团队使用HAN混合注意力网络,在新闻舆情文本挖掘和短期个股走势预测领域取得了有价值的进展,提出了一种结合多层注意力机制的创新文本选股框架,丰富了基于另类数据和深度学习的量化投资方法论,为投资决策提供了新的技术路径和实证支持。
(以上所有结论均基于报告原文内容和数据支持,页面标注以便追溯。)
华泰人工智能系列56:新闻舆情分析的HAN网络选股.pdf