雪球知股乎系列三：情绪因子选股正当时-20171014-兴业证券-22页-1mb

报告摘要

本报告为兴业证券定量研究团队“猎金系列”第十六篇，聚焦于基于雪球网用户发帖文本构建情绪因子，并进一步开发选股策略。研究采用机器学习方法对非格式化文本进行情绪判断，构建了情绪因子，包括正向情绪比、负向情绪比和综合情绪比。最终，通过结合反转因子，形成双因子增强策略，用于提升选股效果。

情绪因子构建：通过爬取雪球网的用户发帖文本，进行数据清洗、切词、否定词处理、停用词过滤等步骤，构建情绪因子。其中，负向情绪比因子在中证500股票池中表现尤为突出。
模型选择：通过对比SVM和贝叶斯模型，发现SVM在精准度和对样本量的敏感性方面表现更优，最终选择SVM作为训练模型。
情绪因子有效性：测试结果显示，负向情绪比因子具有较高的选股能力，样本内精准度达70.16%，负向情绪召回率为68.2%，且负向情绪比越低，未来收益越好。
双因子策略表现：结合反转因子与中性化后的负向情绪比因子构建的双因子增强策略，在年化超额收益率、夏普率、最大回撤等指标上显著优于单因子策略。
情绪因子的市场表现：综合情绪比波动率因子也展现出一定的选股能力，其在中性化后表现出与收益率的严格单调关系。

因子定义：
- 负面情绪比（Neg_ratio）：负面情绪帖子数/总帖子数
- 正面情绪比（Pos_ratio）：正面情绪帖子数/总帖子数
- 综合情绪比（Pos_Neg_ratio）：（负面情绪帖子数 - 正面情绪帖子数）/总帖子数
情绪判断模型：采用SVM模型进行训练，样本内精准度达70.16%，负向情绪召回率68.2%。

本报告展示了情绪因子在量化投资中的应用潜力，特别是在中证500股票池中，负向情绪比因子与反转因子结合后的双因子策略表现出显著的超额收益能力。情绪因子的构建与分析为投资者提供了一种新的视角，有助于识别市场情绪与股票表现之间的关系。

Stone, Philip J., et al. "The general inquirer: A computer approach to content analysis." MIT Press, 1966.
Hatzivassiloglou, V. and K.R. McKeown. "Predicting the semantic orientation of adjectives." 1997.
Taboada, M., et al. "Lexicon-Based Methods for Sentiment Analysis." Computational Linguistics, 2011.
Turney, P. "Thumbs Up or Thumbs Down? Semantic Orientation Applied to Unsupervised Classification of Reviews." ACL 02, 2002.
Pang, B., et al. "Thumbs up?: sentiment classification using machine learning techniques." ACL-02, 2002.
Ye, Q., et al. "Sentiment classification of online reviews to travel destinations by supervised machine learning approaches." Expert Systems with Applications, 2009.
Das, S. and M. Chen. "Yahoo! for Amazon: extracting market sentiment from stock message boards." 2001.