本文提出基于新闻文本聚类和关键词抽取的主题投资策略,通过构建个股动量、分析师推荐、新闻报道及行业相似度四类因子,构建主题内选股多因子模型,实现稳健相对收益。实证显示,该策略在2014年至2016年期间年化收益达21.57%,最大回撤5.04%,有效捕捉主题热点的轮动规律,提升主题内龙头股识别能力,为主题投资提供量化实现路径 .
主题挖掘流程基于新闻文本聚类,筛选新闻量最大的top 1%类别作为热点主题,通过TF-IDF或TextRank提取候选关键词,结合关键词与“概念”、“主题”等后缀匹配确定主题名称 。
主题个股抽取通过“主题词 + 概念”模板抽取新闻和研报文本中的个股,并过滤出现次数较少的噪音股,保证候选集合质量 .
主题活跃期通过主题关联新闻和研报数量计算绝对热度与7天移动平均,利用均值加两倍标准差的阈值界定活跃区间,有效过滤非活跃主题,通常活跃主题数量不超过300个。
个股动量因子定义为过去n天(1至10天)移动平均收益的排名前10%的股票为领涨股,统计发现领涨股持续时间多在2-6个交易日,表明龙头股切换有一定滞后性,因此动量因子在选股中占重要位置。
分析师推荐和新闻报道因子通过共现相似度及TF-IDF相似度计算,反映个股与主题在研报和新闻文本中的关联度。行业相似度因子衡量股票所在行业在主题中的占比,领涨股通常集中在主题主要行业,超过80%占比。
主题内多因子选股模型以累计超额收益为因变量,对10维动量因子、4维文本因子和1维行业因子回归,结果显示新闻共现因子、部分动量因子及行业因子贡献显著。
| 模型因子 | 参数贡献 | 主要贡献因子 |
|---|---|---|
| Return-1 | 0.101 | |
| Return-2 | 0.063 | |
| Return-4 | 0.058 | √ |
| CoOccurrence(news) | 0.194 | |
| SimTFIDF(news) | 0.088 | |
| CoOccurrence(research) | 0.076 | |
| SimTFIDF(research) | -0.026 | |
| SimIndustry | 0.112 |
基于模型构建周换仓多空策略,做多打分前10%标的,做空后10%,扣除双边交易费用,回测2014-01至2016-03,年化收益率21.57%,最大回撤5.04%,策略在牛市中表现稳健,回撤主要出现在2015年股灾期间。
最终构建的主题投资体系包括新闻和主题爬虫、数据库建设、因子库建设以及动态回归模型,支撑定期生成持仓策略。该体系结合文本挖掘和量化因子,提升主题内选股能力。
标题:《基于文本挖掘的主题投资策略》
作者:刘富兵
发布时间:2016年7月5日
发布机构:国泰君安证券研究
主题内容:本报告关注A股市场中的主题投资机会,通过引入文本挖掘技术构建主题数据,定义多维度因子来度量主题内个股表现,从而提出结合动量、新闻、分析师推荐及行业相似度因子的主题内选股策略,并对策略进行了实证回测。
核心论点及信息:
报告开篇指出,主题投资反映市场热点及投资者心理博弈,若能实时把握热点的变化,则能获取超额收益。报告提出利用文本挖掘方法来构建主题数据(即主题词向量和主题构成的个股集合),并基于主题活跃期限的有限性,将研究聚焦于活跃期主题。通过定义4类因子,测量个股与主题的关系,最终构建主题内多空选股策略并进行了实证回测,结果显示策略在相对较低的回撤控制下能获得稳定收益。
本章节详细阐述了主题挖掘与个股构建两个主要步骤。
图表展示了主题活跃期热度分布与活跃区间判定公式:
[ \Bar{\mathbb{T}} = \arg(MA(Heat-7d) \geq \Bar{x} + 2s) ]
其中,\Barx为均值,s为标准差,MA为7日移动均值。
本节构建4大类因子,用以刻画主题内个股的领涨潜力。
[ SimIndustry_i = \frac{|\text{Stock}_i \in \text{Industry}_j \text{且Industry}_j为主要行业|}{|\text{Stock}|} ]
描述:展示热点主题挖掘的四步流程,分别是 新闻文本聚类 → 筛选热点主题 → 候选关键词提取 → 确定关键词。
解读:
描述:展示主题活跃期的绝对热度统计分布。
解读:
描述:主题内领涨股持续时间分布。
解读:
描述:主题内领涨股所属行业比例及与上证综指对比(蓝色线为大盘指数,柱状为领涨股行业占比与非领涨股占比)。
解读:
描述:选股模型架构图,涵盖10维动量因子、2维新闻因子、2维分析师推荐因子及1维行业相似度因子对累积超额收益的回归公式示意。
解读:
描述:模型回归参数贡献表。
解读:
描述:主题内选股策略回测净值曲线,时间区间2014年1月至2016年3月。
解读:
描述:主题投资体系结构框图。
解读:
报告主要聚焦于量化主题投资多因子选股策略的构建及回测,未涉及具体个股或公司层面的估值分析,也未使用如DCF、市盈率等估值模型。主要分析方向为策略收益率、因子贡献以及模型的统计显著性,符合量化策略研发的范式。
报告中虽未专门开篇详述风险类别,但实证分析部分隐含多方面风险因素:
缓解策略未明确指出,但报告通过动态模型回归、因子多维度设计及活跃主题筛选,间接控制了部分风险影响。
以上虽为潜在局限,但报告整体数据支撑坚实,模型设计合理。
本报告首次系统构建了基于文本挖掘的主题投资策略,通过对新闻文本的聚类挖掘,实时捕捉市场热点主题,避免了传统爬取主题数据库的延迟与依赖。进一步通过定义动量、新闻报道、分析师推荐和行业相似度四类因子,精确描述主题内个股与主题之间的相关性,打造多因子选股框架。
实证分析表明:
图表深入解读从新闻聚类步骤(图1)、活跃主题筛选(图2)、动量持续性(图3)到行业行业内占比(图4)和策略整体架构(图7),系统展示了策略设计与实施的全貌。策略的回测净值曲线(图6)形象展现了策略长期稳健增值能力。
总体而言,报告提出了基于大数据文本挖掘的创新主题投资框架,结合多源信息构建多维度因子,提供了一条切实可行的量化投资路径,对A股市场主题轮动投资具有重要参考价值。
(全文完)
基于文本挖掘的主题投资策略.pdf