论文部分内容阅读
影响股票价格波动的因素有很多,财经新闻的报道对股价走势的影响引起了越来越多学者的关注。大多学者研究该问题时将关注点集中在财经新闻内容本身的情感倾向上,并将财经新闻的情感倾向作为股价走势判断的指标对股价走势进行预测。本文在财经新闻内容的基础上,以财经新闻的结构为切入点,通过对财经新闻关联结构和层次机构的量化,来探究财经新闻对股价走势的影响。首先在财经新闻的关联结构方面,本文提出了一个基于SVM模型的新核——S&S核,通过结合财经新闻的内容和财经新闻之间的关联关系来处理股价趋势预测问题。与SVM模型常用核相比,S&S核在预测准确度方面提高了至少5%。另外,从核的构造中可以看到,本文所构建的边在预测股价走势时权重更高,而不是新闻内容。这一点足以表明每日新闻的图结构在预测股价时扮演更重要的角色。 除在财经新闻关联结构方面进行探索,本文还对财经新闻的层次结构进行了划分。本文研究表明,财经新闻的个性信息和共性信息的划分,对一篮子股票价格走势的预测非常有意义。本文使用Universum模型,将行业财经新闻作为无标签样本点纳入模型中,既满足了个股财经新闻对股价走势的个性化影响,又满足了行业财经新闻对一篮子股票的共性信息影响。Universum模型在不同时间窗口下,不论是在新闻层面还是股票层面,都表现出很高的样本内有效性。但将Universum模型应用于样本外股价走势预测时,却出现了反向有效的特点。结合对实际股票市场连续性涨跌和区间涨跌的分析,可以发现不同时间窗口下,实际股票市场在窗口内外反向变动现象是普遍存在的,这一现象也反映了该模型样本外反向有效的合理性。最后,本文基于Universum模型所得的反向结果,建立简单的交易策略,对比发现Universum模型反向交易策略所得累计收益都高于随机交易策略所得收益率,同时在牛市和熊市中,Universum模型反向交易策略收益率较医药指数收益率更为稳定。尤其是在熊市中,模型所得收益较指数收益的波动大幅降低,这也从侧面能够说明财经新闻对股价走势具有预测作用。