本报告基于中证1000指数成分股的金融论坛主帖数据,结合ChatGPT4与FinGPT大语言模型进行文本情感标注,构建BERT-TextCNN复合模型实现舆情文本情感识别。通过多维度构建情绪一致性、关注度、关注度波动、整体情绪及情绪波动等舆情选股因子,并进行因子IC和分位数组合回测验证。构建的合成舆情因子与传统选股因子相关性低,补充了传统策略信息;基于此构建的中证1000指数增强策略2018-2023年累计超额年化收益率达13.95%,信息比率1.56,风险控制良好,除2019年外各年度均正收益,展示了基于金融论坛舆情的选股策略有效性。
大语言模型与传统NLP结合提升舆情文本情感识别效率与效果
BERT-TextCNN模型深度结合语义和局部特征完成舆情文本情感分类,样本外准确率达85.52%
舆情选股因子多维构建及其回测表现
| 因子 | IC均值 | 多空年化收益率 | 夏普比率 | 最大回撤率 | Top组合超额收益率 |
|---|---|---|---|---|---|
| 消极帖子占比 | 1.50% | 3.12% | 0.66 | 6.03% | 7.37% |
| 积极帖子占比 | -2.24% | -4.83% | 1.09 | 7.69% | 10.68% |
| 积极帖子数量 | -6.22% | 59.41% | 3.70 | 13.45% | 11.92% |
| 积极数量周方差 | -6.55% | 60.19% | 4.02 | 10.40% | 11.25% |
| 整体情绪 | 3.89% | 26.06% | 1.93 | 10.59% | 1.46% |
| 整体情绪周内极值 | -5.42% | 42.79% | 2.74 | 14.69% | 10.10% |
舆情因子合成与检验
舆情因子与传统选股因子相关性较低,呈信息互补特性
中证1000舆情增强策略构建与回测表现
| 指标 | 中证1000舆情增强策略 | 中证1000指数 |
|---|---|---|
| 总收益率 | 85.08% | -18.10% |
| 年化收益率 | 10.85% | -3.28% |
| 年化波动率 | 21.87% | 22.85% |
| 夏普比率 | 0.50 | -0.14 |
| 最大回撤率 | 35.25% | 42.27% |
| 年化超额收益率 | 13.95% | -- |
| 信息比率 | 1.56 | -- |
| 超额最大回撤率 | 9.52% | -- |
| 周平均换手率 | 93.41% | -- |
风险提示
基于BERT-TextCNN的中证1000舆情增强策略
作者:高智威、赵妍
发布机构:国金证券股份有限公司
发布日:2024年5月8日
围绕中证1000指数成分股金融论坛股民发帖数据,通过构建文本情感识别模型,开发多维度舆情选股因子,并基于此构建指数增强策略。
报告核心观点是基于金融论坛股民情绪的文本情感分析,用以挖掘有效的选股因子,辅助构建中证1000指数增强策略。其创新点在于结合大语言模型 (ChatGPT4、FinGPT)进行样本标注,配合BERT-TextCNN合成模型,提升情感识别精度和效率。最终通过多维度舆情因子合成,实现优异的投资回报,突出舆情因子在传统选股体系中的补充价值。主要结论是:
整体报告结构清晰,覆盖从数据源、文本处理、模型构建、因子设计、回测验证到策略实现,逻辑严密,数据详实。
报告指出,股民情绪深刻影响股价波动,论坛发帖为情绪表达主渠道。传统文本情感识别需大量人工标注,成本高。基于大语言模型(如ChatGPT4)自动标注样本,再训练传统NLP模型,兼顾精度与效率。图表“AI大模型发展进程”详细展示2022年以来多轮大模型爆发,强化了本报告方法的时代背景和技术革新基础。
研究选用子长科技提供的中证1000指数成分股相关金融论坛主帖数据,时间跨度2018-2023年,含5000万主帖数据。子长科技利用AI知识模型LKM对文本进行实体精准对齐,剔除非情绪帖,提升数据质量。论坛主帖相较于新闻研报,更直接反映股民情绪但存在表达简单、情绪激烈的特点。整个数据规模庞大,情感分析挑战高。
该图系统展现了2022年12月至2024年2月间,AI大语言模型从预备期进入爆发期的历程,重点是OpenAI GPT系列与国内多模型的快速迭代,强化了本报告方法论的技术背景,即大语言模型的兴起为情感分析提供了新的强大工具。
流程图系统说明了清洗主帖与评论数据,抽取样本用大语言模型打标,随后基于得到的高质量样本训练NLP模型,最终获得工业化情感识别模型的步骤,突出大模型辅助高效样本标注的创新。
该表涵盖数据集多样,表现了ChatGPT及FinGPT等大模型在无监督情感分类下优于过去基线模型的能力,支撑了本报告采用这两种模型作标注的合理性和有效性。
从云服务层到应用层分层架构展现FinGPT整合多数据源、数据清洗处理及多种训练与应用的完整流程,强调其金融行业大语言模型的专业性和实用性,佐证样本标注的专业化基础。
两个饼图分别展示样本标注和全数据情感分类结果的积极、消极、中性比例,二者数值高度接近,验证模型泛化能力。均显示消极帖子占主导,揭示股民情绪整体偏悲观。,8]
结合流程图详细展示BERT模型的深层多层Transformer结构,预训练与微调机制,ALBERT简化版本的参数优势,以及TextCNN捕捉N-gram局部特征的网络设计。体现了本策略背后文本深度学习模型的高阶构建思路。
图中积极帖子数量始终小于消极帖子数量,均呈现震荡上升趋势,反映了市场整体情绪和关注度的动态特征,是后续因子构建的原始基础。
示意图展示如何用历史7日舆情数据计算t日选股因子,反映出舆情因子与周度调仓周期的合理对应关系,有效规避节假日等极端影响。
直观梳理五大舆情因子维度,明确各维度侧重点及后续构建因子的目标,奠定多维度因子设计基础。
表格及多张柱状图、净值曲线共同展现积极/消极帖子占比因子和积极帖子数量因子的IC、收益率及夏普比率表现。特别指出积极占比因子呈现负向预测能力,验证了过度乐观可能导致价格反转的假设。
展示积极与消极帖子数的关注度因子表现,以及关注度方差因子的负面效应,强调关注度高低和稳定性对股价的预测重要性。
整体情绪因子及其周内波动的因子表现分析,确认乐观情绪与表现正相关,情绪波动则带来负面影响。图表显示组合净值稳健增长,分位数组合呈现理想结构。
相关性矩阵表明选取的五个单因子相关性适中,避免因子间高度冗余。合成因子IC值70bp级别显著,夏普比超4,回撤控制优良,分位组收益单调,显示整体组合优异性。
合成因子与技术、波动率、动量等因子相关系数最高也仅0.3,覆盖度随时间逐步扩展到约900只股票,显示该因子覆盖面广泛,能够丰富指数投资组合的风险收益特性。
全面对比增强策略与基准指数的统计指标,收益、波动率、最大回撤和信息比率均显示策略超越基准。净值曲线和超额净值图展现长期稳健增长,年度分解显示稳定的超额收益贡献,2019年为唯一负值年份但整体表现积极。
本报告聚焦量化策略设计和回测验证,未涉及具体上市公司估值分析。其“估值”更多体现在通过因子IC、多空年化收益率、夏普比率、最大回撤率等指标来衡量选股因子及量化策略的风险调整后表现。因此,估值分析部分主要是对因子表现的统计金融分析和策略收益的量化评估。
报告提醒以上风险,体现研究的谨慎态度。,15]
整体来看,报告论证严谨,方法先进,但仍有空间深化对部分因素的机制探讨和模型敏感性检验。
本研究创新应用大语言模型辅助标注数据,结合BERT-TextCNN深度文本情感分析模型,对中证1000指数成分股金融论坛股民主帖进行情绪识别,挖掘多维度舆情选股因子。多因子合成具有显著的预测能力(因子IC达6.13%,t-stat 12.4),与传统因子相关度低,彰显其独特价值。基于舆情因子构建的指数增强策略,自2018年起回测实现年化收益10.85%,信息比率1.56,年化超额收益13.95%,且回撤控制合理,展现优秀的风险调整表现。
报告严谨处理舆情因子的多重特征,揭示市场反转逻辑:过度乐观舆情反而预示短期回调,情绪波动大则业绩承压。舆情因子既能补充传统选股框架,也为量化投资挖掘新信号提供有力工具。
报告附带丰富的图表(AI模型发展、情感识别流程、模型结构、因子构建与回测表现、策略净值等),数据充分、设计科学,支持结论的可靠性。
风险提示涵盖市场环境变化及模型的随机性风险,体现了对策略使用局限性的谨慎处理。
整体上,本报告为基于大语言模型的量化舆情增强策略提供了详实的实施路径、严密的实证分析,推荐关注该类策略的深化及实盘表现验证。
图表1:AI大模型发展进程
图表7:标注样本情绪分布
图表34 & 35:合成因子表现与多空组合净值曲线
该报告系统地展示了如何通过人工智能与深度学习技术处理金融舆情数据,精准捕捉股民情绪动向,转化为量化选股因子,最终构建并验证有效的指数增强策略。研究不仅在模型设计和因子构建层面技术前沿,更针对实际市场验证,展示了个性化舆情数据在量化投资领域的巨大潜力,对行业从业者及技术研究者均具借鉴价值。
基于BERT-TextCNN的中证1000舆情增强策略.pdf