01
课程导论
金融文本情感分析的定义、应用场景（舆情监控、交易策略、信用评估）、课程目标与学习路径。
导论全景
02
金融文本数据采集
数据源介绍（新闻、财报、社交媒体）、API调用（Tushare、东方财富）、爬虫基础与合规性。
数据API
03
文本预处理基础
中文分词（Jieba）、去停用词、词性标注、命名实体识别（NER）在金融领域的应用。
NLP清洗
04
情感词典构建
通用情感词典（如BosonNLP）、金融领域情感词典（LM词典）、自定义词典的构建与扩展。
词典金融
05
基于词典的情感分析
情感得分计算、加权策略、阈值设定、优缺点分析。
得分规则
06
机器学习基础
特征工程（TF-IDF、Word2Vec）、分类模型（朴素贝叶斯、SVM、逻辑回归）、模型评估指标。
ML分类
07
深度学习入门
RNN、LSTM、GRU原理、在文本情感分析中的应用、Keras/TensorFlow实战。
DL序列
08
预训练模型（BERT）
Transformer架构、BERT原理、金融领域微调（FinBERT）、Hugging Face库使用。
BERT微调
09
情感分析实战（新闻）
新闻爬取与清洗、情感打分、事件驱动策略回测。
新闻回测
10
情感分析实战（财报）
管理层讨论与分析（MD&A）情感提取、盈余预测模型。
财报MD&A
11
情感分析实战（社交媒体）
微博/雪球数据采集、舆情热度计算、情绪指标构建。
社交情绪
12
风险预警基础
金融风险类型（市场、信用、操作）、传统预警方法（VaR、压力测试）的局限性。
风险VaR
13
情感因子与风险
情感指标作为先行指标、情感因子在风险模型中的嵌入、实证研究案例。
因子先行
14
预警模型构建（一）
基于情感得分的阈值预警、移动平均预警、布林带预警。
阈值布林带
15
预警模型构建（二）
机器学习预警模型（XGBoost、LightGBM）、特征重要性分析。
XGBoostLightGBM
16
预警模型构建（三）
深度学习预警模型（LSTM-Attention）、时间序列预测。
LSTMAttention
17
多源数据融合
新闻情感+价格数据+成交量数据+宏观数据、特征对齐与融合策略。
融合多模态
18
实时预警系统架构
数据流处理（Kafka）、实时计算（Flink）、模型服务（Flask/FastAPI）。
实时架构
19
预警信号评估
回测框架搭建、夏普比率、最大回撤、胜率、盈亏比。
评估回测
20
过拟合与鲁棒性
交叉验证、正则化、对抗训练、模型稳定性检验。
鲁棒正则
21
可解释性（XAI）
SHAP值、LIME、注意力权重可视化、金融监管对可解释性的要求。
XAISHAP
22
案例：个股黑天鹅预警
如瑞幸咖啡事件：数据回溯、情感突变检测、预警信号复盘。
黑天鹅瑞幸
23
案例：行业系统性风险预警
如2022年房地产行业：行业情感指数构建、风险传导路径。
房地产系统性
24
案例：宏观情绪与市场波动
如美联储加息：宏观情感指标、股债联动预警。
宏观加息
25
情感建模的伦理与合规
数据隐私（GDPR）、算法偏见、信息披露要求。
伦理合规
26
模型部署与监控
模型上线流程、A/B测试、数据漂移检测、模型重训练策略。
部署监控
27
前沿方向（一）
多模态情感分析（文本+语音+图像）、图神经网络（GNN）在情感传播中的应用。
多模态GNN
28
前沿方向（二）
大语言模型（GPT-4、LLaMA）在金融情感分析中的应用、Prompt Engineering。
LLMPrompt
29
课程项目（一）
构建一个完整的新闻情感预警系统（从数据到信号）。
项目新闻
30
课程项目（二）
构建多因子情感预警模型（融合新闻、财报、社交媒体），回测与报告撰写。
多因子报告