第 10 章 · 02 新闻媒体情绪

第 10 章 · 02 新闻媒体情绪

本节摘要:本节讲新闻媒体情绪(media sentiment)的量化与它和股票收益的关系,这是投资者情绪研究里最活跃的一支。媒体是市场信息的主要载体——财经新闻、报纸头条、深度报道既反映又塑造投资者情绪。Tetlock(2007)等开创性工作(仓库论文集收录)用文本分析量化《华尔街日报》专栏的悲观程度,发现高悲观情绪预测短期市场下跌、高波动。媒体情绪研究有几个关键问题:用什么文本(报纸/新闻社/社交媒体)、如何量化(词典法/机器学习)、与收益的关系是同期还是预测、滞后性如何处理。本节讲清媒体情绪的量化思路、它与收益(尤其难以套利股票)的关系、媒体情绪的「反馈循环」(媒体既影响情绪又被市场行情影响),以及它与上一节综合情绪指数的关系。媒体情绪是连接「文本数据」与「资产定价」的桥梁,也为下一节 NLP 情感分析(华泰 AI 37/41)做铺垫。

内容来源:仓库论文/投资者情绪相关论文/投资者情绪与新闻媒体情绪,知识结构化整理。

⚠️ 学习提示:媒体情绪研究最容易踩的坑是「同期相关 ≠ 预测力」——媒体悲观与市场下跌同期出现,不代表悲观预测了下跌。严谨的媒体情绪研究必须做严格的领先-滞后检验,把「媒体影响市场」与「市场影响媒体」两条因果路径分开。

学习目标

阅读完本节,你应当能够:

1. 解释媒体情绪为何既是情绪代理又是情绪放大器。
2. 描述从新闻文本到媒体情绪指数的量化流程。
3. 说清媒体情绪与收益的双向关系(影响 vs 被影响)。
4. 理解媒体情绪对难以套利股票的更强效应。
5. 区分媒体情绪的同期效应与预测效应。

一、媒体:情绪的载体与放大器

媒体在金融市场里扮演双重角色:

• 情绪载体:新闻报道反映记者与编辑对市场的判断,是市场情绪的镜面。
• 情绪放大器:新闻传播信息给广大投资者,影响他们的交易决策,从而放大或改变情绪。

这两重角色让媒体情绪研究既有趣又复杂——媒体情绪既可能是市场情绪的「结果」,也可能是市场情绪的「原因」。

这个「市场→媒体→投资者→市场」的反馈循环,是媒体情绪影响资产定价的机制。

二、媒体情绪的文本来源

媒体情绪研究的文本来源有几类:

不同文本反映的情绪维度不同:报纸专栏含主编判断,适合做「专业情绪」;社交媒体反映散户真实感受,适合做「散户情绪」。研究者常按需选择。

三、媒体情绪的量化方法

把文本变成可量化的情绪分数,有三代方法(下一节深入):

1. 词典法:用预设的情感词典(正面词、负面词),统计文本中正负词比例,作为情绪分数。简单快速,但金融语境词不准。
2. 机器学习:用标注数据训练分类器(朴素贝叶斯、SVM、随机森林),自动学习「什么是正面/负面」。需标注数据。
3. 深度学习(BERT 等):用预训练语言模型理解上下文,效果最好(华泰 AI 37/41 的路线)。

不管哪种方法,基本流程都是:

文本 → 预处理(分词/清洗) → 情感打分 → 按时间/标的聚合 → 媒体情绪指数
​

聚合到时间序列后,得到「每日/每周媒体情绪指数」,就可与收益做关联分析。

四、Tetlock 经典:悲观媒体情绪的预测力

Tetlock(2007)是媒体情绪研究的里程碑。他用词典法量化《华尔街日报》「Abreast of the Market」专栏的悲观程度(基于哈佛通用情感词典,统计负面词比例),得到「媒体悲观指数」(Media Pessimism)。核心发现:

• 高悲观预测短期市场低收益:媒体极度悲观后,市场未来几天到几周的收益显著偏低。
• 高悲观预测高波动:悲观情绪后,市场波动率上升。
• 效应集中在难以套利股票:小盘股对媒体悲观反应更强(与第 01 节一致)。

后续大量研究(Tetlock、Garcia、Tetlock-Saar-Tanassov 等)用不同文本、不同方法验证与扩展这些结论,媒体情绪成为情绪研究的重要分支。

💡 核心心法:Tetlock 的贡献不是「词典法多准」,而是首次系统证明媒体文本的情绪与资产定价有关联——这开辟了「文本→情绪→收益」这条研究路线,后续华泰 AI 37/41 在 A 股的工作是这条路线的工业落地。

五、媒体情绪与收益:同期还是预测

媒体情绪研究最核心、也最容易出错的问题:媒体情绪与收益的相关,是同期(描述当下)还是预测(领先未来)?

两种解释:

• 预测效应(媒体影响市场):媒体悲观 → 投资者读到 → 卖出 → 市场跌。媒体情绪领先收益。
• 反馈效应(市场影响媒体):市场跌 → 记者写悲观报道 → 媒体情绪悲观。媒体情绪只是描述已发生的行情。

两种效应在数据上很难区分——它们都表现为「媒体悲观与市场下跌同期相关」。严谨的研究需做领先-滞后检验:

• 用滞后的媒体情绪(如 T-1 日的情绪)预测 T 日的收益。若仍显著,说明有预测力。
• 用滞后的市场收益预测当前媒体情绪。若显著,说明有反馈效应。
• 控制了反馈效应后,看媒体情绪的预测力是否仍存在。

Tetlock 等的结论:媒体情绪确实有部分预测力(尤其在短期、对投机性股票),但反馈效应也很显著——媒体既影响又被影响。

六、媒体情绪对哪类股票影响最大

与第 01 节的综合情绪一致,媒体情绪对难以套利、投机性强的股票影响最大:

• 小盘股:关注度低,媒体一旦报道,信息冲击大。
• 新股/IPO:基本面不确定,媒体情绪易主导。
• 高波动股票:投机性强,情绪敏感。
• 低机构持仓股票:散户主导,易被媒体影响。

媒体情绪对大盘蓝筹(机构持仓高、套利容易)的影响弱得多——这些股票的定价更多由基本面驱动,媒体情绪只是噪声。

这种「媒体情绪效应在难以套利股票上更强」的发现,与第 2 章的低波动异象、规模因子呼应,说明行为偏差类因子有共同的「套利限制」根源。

七、A 股的媒体情绪研究

A 股的媒体情绪研究有几条特色:

• 散户占比高:A 股散户交易占比高,媒体情绪影响更大,效应可能更显著。
• 本土文本来源:新浪财经、东方财富、和讯、雪球等是主要文本来源。
• 政策市属性:A 股对政策敏感,官方媒体(如人民日报、新华社)的「政策信号」往往比市场新闻更有预测力。
• 社交媒体直射散户:雪球、东方财富股吧的散户讨论,是 A 股特有的「散户情绪金矿」。

A 股的研究(仓库 Top Journals 含国内顶刊)普遍证实:媒体悲观情绪预测短期市场低收益,效应在小盘股更强;社交媒体情绪反映散户非理性,对短期反转因子有补充。

八、媒体情绪 vs 综合情绪指数

媒体情绪与上一节的综合情绪指数(基于封闭式基金折价、IPO 等代理变量)是互补关系:

实务中,综合情绪指数适合中低频择时,媒体情绪适合中高频(尤其短期反转、风控预警)。两者结合能提供多维度情绪视角。

九、媒体情绪的实战陷阱

媒体情绪看似直观,实战中有几个陷阱:

• 滞后性:新闻报道往往滞后于股价反应(公告当日股价就动,新闻次日才出)。直接用新闻情感选股等于「事后跟随」。
• 情感 ≠ 信息:媒体情感强烈不代表信息有 alpha——可能只是哗众取宠。
• 非平稳:媒体风格随时间变化(从纸媒到社媒),情感模型需定期更新。
• 过度拟合:用复杂模型在历史文本上拟合情感,容易过拟合,样本外失效。

💡 实战心法:媒体情绪因子最稳妥的用法是做风控与择时(情绪极端时减仓/加仓),而非直接选股——因为它滞后性强,选股容易踩「事后跟随」的坑。下一节的 BERT 文本情感因子也面临同样的滞后性挑战。

本节要点回顾

1. 媒体双重角色:情绪载体(反映)与放大器(影响),形成「市场-媒体-投资者-市场」反馈循环。
2. 文本来源:报纸专栏/通讯社/财经网站/社交媒体;不同来源反映不同情绪维度。
3. 量化三代法:词典法(简单不准)、机器学习(需标注)、深度学习 BERT(最好);基本流程:文本→打分→聚合→指数。
4. Tetlock 经典:WSJ 专栏悲观度预测短期低收益、高波动,效应在难以套利股票上更强;开辟「文本→情绪→收益」路线。
5. 同期 vs 预测:媒体悲观与市场下跌同期相关,需领先-滞后检验区分「媒体影响市场」与「市场影响媒体」;两者并存。
6. 影响强度:媒体情绪对小盘、新股、高波动、低机构持仓股票影响最大;大盘蓝筹影响弱。
7. A 股特色:散户占比高、政策市、社交媒体(雪球/股吧)是散户情绪金矿。
8. 实战陷阱:滞后性(新闻滞后于行情)、情感≠信息、非平稳、过拟合;最适合风控与择时,慎用于选股。

下一节,我们深入 NLP 情感分析在金融的应用——从词典法到机器学习到 BERT 的三代方法,以及华泰 AI 37/41 的工业实践。