◆推薦語 學(xué)術(shù)文獻(xiàn)做中國(guó)市場(chǎng)的主題很少，頂流做中國(guó)市場(chǎng)的更少。范劍青老師等人提出了一個(gè)通用的和自適應(yīng)的高維數(shù)據(jù)機(jī)器學(xué)習(xí)框架FarmPredict，該模型可以從文本數(shù)據(jù)中提取潛在因子和特質(zhì)因子，用來輸入懲罰回歸預(yù)測(cè)股票未來收益。他們?cè)谥袊?guó)股市的實(shí)證結(jié)果表面，基于FarmPredict可以提取的情緒主導(dǎo)詞匯，并且根據(jù)情緒評(píng)分指標(biāo)構(gòu)建的投資組合收益年化高達(dá)116%，這個(gè)結(jié)果顯著優(yōu)于其它模型。這項(xiàng)研究開辟了非結(jié)構(gòu)數(shù)據(jù)在金融應(yīng)用中的全新范式，更是證明了大數(shù)據(jù)無論在數(shù)據(jù)上還是在方法論上都在“金融投資”中有其核心地位。 ◆摘要 權(quán)益市場(chǎng)上的大多數(shù)研究使用的文本數(shù)據(jù)僅限于英文環(huán)境的情緒詞典或主題建模。但是，我們能否直接從文本數(shù)據(jù)預(yù)測(cè)新聞的影響？從這樣的直接過程中我們能“學(xué)習(xí)”到多少內(nèi)容？基于因子模型和稀疏正則化（FarmPredict），我們提出了一種全新的文本學(xué)習(xí)框架，讓機(jī)器自動(dòng)地學(xué)習(xí)金融收益。不同于其它基于字典或者有嚴(yán)格預(yù)處理過程的主題模型，我們的框架允許模型從整篇文章中更全面地提取信息。我們?cè)谥袊?guó)股市上實(shí)證了我們的研究，中文文本在單詞和短語間沒有自然的空格而中國(guó)股市有非常高比例的個(gè)人投資者。這兩個(gè)特性使得我們的研究顯著不同于前人聚焦英文文本和美國(guó)市場(chǎng)的作品。我們使用中國(guó)股市的資料和幾種現(xiàn)存的方法驗(yàn)證了本文模型。結(jié)果顯示，由FarmPredict方法得到積極情緒評(píng)分的股票平均每日超額收益約83bps，而負(fù)面新聞在發(fā)布日期帶來了26bps的負(fù)向影響，這兩種影響都能持續(xù)數(shù)天。這種非對(duì)稱的效應(yīng)與中國(guó)股市的做空限制相吻合。作為總結(jié)，我們的研究顯示機(jī)器學(xué)來的情緒確實(shí)提供了強(qiáng)大的預(yù)測(cè)能力，使得一個(gè)簡(jiǎn)單策略的年化回報(bào)率約為116%；基于我們模型的投資組合顯著戰(zhàn)勝了其他模型。這進(jìn)一步支持了我們的FarmPredict可以學(xué)習(xí)金融新聞中的情緒。我們的研究也證明了使用機(jī)器學(xué)習(xí)文本數(shù)據(jù)有強(qiáng)大的潛力。 ◆文獻(xiàn)信息： Fan, Jianqing and Xue, Lirong and Zhou, Yang, How Much Can Machines Learn FinanceFrom Chinese Text Data？, (January 11,2021). ◆作者信息 Jianqing Fan Princeton University - Bendheim Center for Finance Lirong Xue Princeton University - Department of Operations Research & Financial Engineering (ORFE) Yang Zhou Institute for Big Data, Fudan University 風(fēng)險(xiǎn)提示：模型僅根據(jù)歷史數(shù)據(jù)獲得的歷史經(jīng)驗(yàn)，應(yīng)用在未來可能產(chǎn)生風(fēng)險(xiǎn)。
