第十一章：新闻与舆情信息

做量化交易这些年，我越来越觉得——市场不只是数字的游戏，更是人心的博弈。新闻和舆情，说白了就是市场情绪的体温计。你想想看，一条突发新闻能让股价瞬间跳水，一条推特能让币圈翻天。这些信息里到底藏着多少交易价值？今天我们就来拆解一下。

11.1 新闻情绪分析

新闻情绪分析，就是把文字变成数字。我刚开始做的时候，以为这玩意儿很简单——正面词加分，负面词减分呗。后来发现，事情远没那么简单。

11.1.1 情感词典法

最基础的做法，是用情感词典。比如Loughran-McDonald词典，专门为金融文本设计的。我习惯把它作为基线模型，快速验证想法。

# 一个简单的新闻情绪打分
import pandas as pd
from nltk.sentiment import SentimentIntensityAnalyzer

def news_sentiment_score(text):
    sia = SentimentIntensityAnalyzer()
    scores = sia.polarity_scores(text)
    return scores['compound']  # -1到1之间

嗯，这里要注意：词典法对反讽、否定句的处理很差。比如“这家公司业绩没有下滑”——词典可能给出负面评分，但实际是正面消息。

11.1.2 深度学习法

现在主流做法是用预训练模型，比如BERT、FinBERT。我个人偏好FinBERT，它在金融语料上微调过，对专业术语的理解更准。

from transformers import pipeline

# 加载FinBERT模型
sentiment_pipeline = pipeline(
    "sentiment-analysis",
    model="ProsusAI/finbert"
)

result = sentiment_pipeline("公司Q3营收超预期，同比增长30%")
print(result)  # 输出: [{'label': 'positive', 'score': 0.98}]

深度学习模型的好处是能理解上下文。比如“这家公司被做空机构盯上了”——词典法可能只看到“做空”是负面，但模型能结合“盯上”这个动词，判断出整体情绪确实偏空。

11.2 社交媒体舆情指标

社交媒体这块，我重点看三个维度：量、情绪、异常。

我记得有一次，某只股票在Reddit上的讨论量突然暴增，但情绪得分很低。我当时觉得是散户在发泄不满，没当回事。结果第二天开盘暴跌12%——原来是有内部消息提前泄露了。从那以后，我把“讨论量+情绪得分”的组合指标作为必看项。

11.3 新闻事件驱动的交易策略

事件驱动策略，核心就一句话：市场对新闻的反应，比新闻本身更重要。

11.3.1 事件分类与响应模式

我一般把事件分成三类：

• 预期内事件：比如财报发布，市场已有预期。这时候“利好出尽是利空”很常见。
• 超预期事件：比如突然宣布收购。这类事件往往有持续影响。
• 黑天鹅事件：比如监管突袭。这类事件需要快速止损。

举个例子。某公司财报超预期，但股价反而跌了。为什么？因为市场预期的是“超预期20%”，实际只超了5%。这就是预期差。我习惯用“实际值 vs 分析师预期”的差值来量化这种偏差。

# 事件驱动策略的简单框架
def event_driven_strategy(news_event, market_data):
    # 计算预期差
    surprise = (news_event['actual'] - news_event['expected']) / news_event['expected']
    
    # 判断市场反应
    if surprise > 0.1 and market_data['volume'] > 1.5 * market_data['avg_volume']:
        # 超预期且放量，做多
        return 'long'
    elif surprise < -0.1 and market_data['volume'] > 1.5 * market_data['avg_volume']:
        # 低于预期且放量，做空
        return 'short'
    else:
        # 预期内，观望
        return 'hold'

11.3.2 事件衰减模型

新闻的影响力会随时间衰减。我常用的衰减函数是指数衰减：

import numpy as np

def news_decay_weight(t, half_life=60):
    """
    t: 新闻发生后的分钟数
    half_life: 半衰期，默认60分钟
    """
    return np.exp(-np.log(2) * t / half_life)

嗯，这里有个坑：不同事件的半衰期不一样。财报影响可能持续几天，而一条推特可能半小时就失效了。我建议根据事件类型动态调整半衰期。

11.4 新闻信息衰减速度

信息衰减速度，说白了就是“这条新闻还能管多久”。我做过一个实验：统计了1000条新闻对股价的影响时长。

你看，社交媒体传闻的半衰期只有15分钟。这意味着什么？如果你看到一条推特后5分钟才下单，可能已经错过了最佳时机。所以我做舆情策略时，对社交数据的延迟要求特别高——最好在1秒内完成采集和分析。

知识体系总览

下面这张图，是我对本章内容的总结。你可以把它当作一个快速索引。

这张图把四个模块串起来了。从左到右看：先做情绪分析，再结合社交媒体指标，然后设计事件驱动策略，最后别忘了考虑信息衰减。每一步都有坑，但每一步也都有机会。

好了，这一章的内容就到这里。新闻和舆情这块，说白了就是跟市场情绪打交道。你如果能比别人早5分钟读懂情绪，早5分钟判断衰减速度，那这5分钟就是你的超额收益来源。