第17章机器学习与信息提取

第十七章：机器学习与信息提取

各位，咱们今天聊点硬核的。文本挖掘、主题模型、深度学习情感分析，还有图神经网络——这些词听着是不是有点晕？别急，我一个一个拆开讲。说白了，这一章的核心就一句话：怎么从一堆乱七八糟的文字里，把有用的交易信号给捞出来。

我做了这么多年量化，最大的感触就是——市场里真正有价值的信息，往往藏在那些非结构化的文本里。什么财报电话会议记录、新闻快讯、社交媒体上的情绪波动……这些才是驱动价格变动的底层燃料。你光盯着K线看，那叫后知后觉。

核心观点： 文本数据是另类数据中信息含量最丰富的一类。谁先学会从文字里提取信号，谁就抢占了先机。

文本挖掘，说白了就是把自然语言变成机器能理解的东西。我刚开始做这个的时候，踩过不少坑。比如最简单的分词，中文和英文完全两码事。英文按空格切就行，中文你得考虑“中国人民银行”到底该不该拆开。

常用的技术栈包括：

我个人习惯，做金融文本挖掘时，第一步永远是构建领域词典。比如“降准”、“逆回购”、“PMI”这些词，在通用语料里可能没什么权重，但在金融场景里，它们就是核心信号。

小技巧： 我建议你建一个自定义词典，把常见的金融术语、公司名、产品名都加进去。分词效果能提升一大截。

LDA，全称Latent Dirichlet Allocation，中文叫隐含狄利克雷分配。名字挺唬人，其实原理不复杂。它假设每篇文档是由若干个主题混合而成的，每个主题又是由若干个词的概率分布构成的。

举个例子。你有一堆财经新闻，LDA能自动把它们分成“货币政策”、“行业动态”、“公司财报”等几个主题。每个主题下，你会看到一些高频词。比如“利率”、“央行”、“存款准备金率”这些词大概率会聚在货币政策主题下。

我在项目中用过LDA做主题轮动策略。具体做法是：

效果怎么样？说实话，胜率大概在55%-60%之间，不算惊艳，但作为辅助信号足够了。关键是，它能帮你捕捉到市场情绪的早期变化。

注意： LDA有个坑——主题数K需要人工设定。设少了，主题太笼统；设多了，主题太碎片化。我一般用困惑度（Perplexity）和主题一致性（Coherence）来调参，但最终还是要靠人工判断。

情感分析，说白了就是判断一段文字是正面、负面还是中性。在金融领域，这个任务比通用场景要难得多。为什么？因为金融文本里充满了反讽、隐晦、专业术语。

比如这句话：“该公司业绩表现令人失望，但市场反应却异常乐观。”——你说这是正面还是负面？传统的情感词典根本搞不定。

所以，我后来转向了深度学习方案。常用的模型包括：

我记得有一次，我用FinBERT分析某公司的财报电话会议记录。模型识别出管理层在回答问题时使用了大量“不确定”、“可能”、“或许”这类词，情感得分显著偏低。结果一周后，该公司股价果然大跌。这就是情感分析的威力——它能捕捉到连分析师都忽略的细微信号。

实战建议： 不要只看单一的情感得分。我习惯把情感得分、情感波动率、情感分歧度三个指标结合起来用。分歧度越高，说明市场对同一事件的看法越不一致，往往意味着后续波动会加大。

最后这个，是近几年最火的方向。图神经网络（GNN）的核心思想是：把实体看作节点，把关系看作边，然后在图上做学习。

在金融场景里，这个思路太自然了。你想啊：

这些关系天然就是一个图结构。传统的机器学习模型（比如XGBoost）处理不了这种关系型数据，但GNN可以。

我做过一个供应链风险传导模型。具体做法是：

效果出乎意料的好。有一次，某汽车零部件公司被曝出质量问题，模型在当天就预警了它的下游整车厂和上游原材料供应商。而传统方法至少要等到第二天才能反应过来。

避坑指南： 我曾经犯过一个错误——把所有的关系都平等对待。后来发现，供应链关系中的“独家供应商”和“可替代供应商”，信息含量完全不一样。所以，我建议你在构建图的时候，给不同的边赋予不同的权重。

下面这张图，是我自己梳理的本章知识结构。你可以把它当作一个导航图，随时回来对照。

这张图把四个技术方向的关系理清楚了。从左到右，从基础到前沿。文本挖掘是地基，LDA和情感分析是两座主楼，图神经网络是顶层建筑。你如果能把它们串起来用，效果绝对1+1>2。