一、新闻情绪因子概述
大家好，我是你们这门课的主讲人。做量化投资这些年，我见过太多人盯着K线、MACD、布林带这些技术指标反复琢磨。说实话，这些传统因子在十年前确实好用，但现在呢？市场越来越有效，大家都在用同样的数据、同样的模型，超额收益自然越来越薄。
那还有什么信息是大多数人没充分利用的？
新闻。每天海量的财经新闻、公司公告、社交媒体讨论。这些文本里藏着巨大的情绪价值。我2016年刚开始接触这个方向时，纯粹是好奇——新闻里那些「利好」「暴雷」「超预期」的词汇，能不能量化成交易信号？结果一做就是七八年，踩过坑，也赚过钱。今天咱们就来聊聊这个。
1.1 什么是新闻情绪因子
新闻情绪因子，说白了就是从新闻文本中提取出的、能反映市场参与者情绪变化的量化指标。
举个例子。某公司发布财报后，新闻标题是「净利润同比增长150%，远超市场预期」。这时候，普通投资者看到的是好消息，而我们做量化的，需要把这个「好消息」变成一个数字——比如情绪得分0.85（范围-1到1）。然后把这个分数作为因子，输入到我们的选股模型里。
我习惯把新闻情绪因子分为三类：
- 方向性情绪：正面/负面/中性，最简单的分类
- 强度情绪：情绪有多强烈，比如「小幅增长」vs「爆发式增长」
- 预期差情绪：实际结果与市场预期的偏差，这个往往最有效
核心观点：新闻情绪因子不是简单的「好消息买入，坏消息卖出」。真正有价值的是「预期差」——当新闻内容与市场普遍预期不一致时，才产生交易机会。
1.2 它在量化交易中的作用
我经常被问到：有了价格和成交量数据，为什么还要搞新闻情绪？
原因很简单。价格和成交量是「结果」，而新闻情绪是「原因」的一部分。你想想看，一只股票大涨之前，是不是往往有某些新闻事件在驱动？
具体来说，新闻情绪因子在量化交易中扮演这几个角色：
- 信号增强：配合传统因子使用，提高预测准确率。我在项目中做过回测，加入新闻情绪因子后，多因子模型的夏普比率平均提升了0.3-0.5。
- 事件驱动：捕捉重大新闻事件带来的短期交易机会。比如业绩暴雷、政策利好、高管增持等。
- 风险预警：负面情绪积累到一定程度，往往是下跌的前兆。我曾经用这个逻辑躲过一只股票的连续跌停。
- 市场情绪监测：整体市场的新闻情绪可以反映恐慌或贪婪程度，用于仓位管理。
| 应用场景 | 传统方法 | 加入新闻情绪后 |
|---|---|---|
| 选股 | PE、PB、动量因子 | 叠加情绪因子，过滤噪音信号 |
| 风控 | 止损线、波动率控制 | 提前识别负面情绪，主动减仓 |
| 事件套利 | 公告后手动分析 | 自动化情绪打分，秒级响应 |
个人经验：别指望新闻情绪因子单独就能赚钱。它最好的用法是作为「补充信号」——当技术指标和情绪指标同时指向一个方向时，胜率会明显提高。
1.3 课程整体框架与学习路径
这门课一共30章，我把它设计成四个阶段。嗯，这样安排是有原因的——我自己当年就是按这个顺序摸索过来的。
先看一张整体框架图，帮你建立全局认知：
四个阶段的设计思路是这样的：
第一阶段（第1-5章）：打好基础。我会带你从零开始，学会获取新闻数据、做中文分词、构建情感词典。别小看这些基础工作——我见过太多人一上来就搞深度学习，结果连数据清洗都没做好，模型效果自然一塌糊涂。
第二阶段（第6-12章）：进阶模型。从传统的机器学习方法（朴素贝叶斯、SVM）到现代的深度学习模型（LSTM、Transformer、BERT）。这里我会重点讲「怎么选模型」——不是越复杂越好，关键是适合你的场景。
第三阶段（第13-22章）：实战策略。把情绪因子真正用到交易中。包括多因子组合、事件驱动策略、实时情绪监控系统。这部分我会分享很多实际项目中的代码和踩坑经验。
第四阶段（第23-30章）：优化与迭代。实盘之后怎么办？因子衰减怎么处理？模型怎么更新？绩效怎么归因？这些都是实盘中必须面对的问题。
避坑提醒：我曾经在第一个项目中，花了三个月训练了一个完美的情绪模型，结果实盘时发现——新闻数据有延迟！等我的模型跑出信号，股价早就反应完了。所以，数据时效性比模型精度更重要，这个教训我记到现在。
好了，这就是第一章的全部内容。从下一章开始，我们会正式动手——先搞定新闻数据的获取和清洗。放心，我会把每一步都讲清楚，代码也会逐行解释。
记住一句话：做量化，数据是基础，情绪是增量，策略是核心。咱们一步一步来。
公众号:蓝海资料掘金营，微信deep3321