非理性程度：情绪与隐含波动率曲面
内容提要
本文研究情感分析和文本检索技术在股市中的应用，提出基于词嵌入的方法来预测市场波动性，结果优于传统方法。同时，结合情感因素与量化交易，提升回报率。使用BERT和LSTM构建金融情感分析框架，显著改善个股收益率预测。
延伸解读
情感分析在金融预测中的演进
文章梳理了情感分析在金融预测中的发展脉络：从早期基于词嵌入的方法预测市场波动，到融入金融先验知识的神经网络模型预测隐含波动率，再到结合BERT和LSTM的金融情感分析框架。这些研究显示，情感分析技术不断深化，从简单文本分析转向深度学习与领域知识融合，提升了预测准确性。
情感因素对量化交易回报的提升
文章提到，基于东方财富网用户评论的情感信息，结合Alpha191模型，使回报率相比基准模型提高73.8%，相比原始Alpha191模型提高32.41%。这表明情感因素能有效增强量化交易策略的收益，但文章也讨论了其优缺点，提示读者关注情感数据的质量和时效性可能带来的风险。
在线情感指标与传统指标的差异
文章比较了网络数据集和情感追踪方法，发现传统调查情绪指标是金融市场的滞后指标，而一些在线情感指标具有统计显著性，能有效预测市场指数、交易量和波动率。这提示投资者，在线情感数据可能提供更及时的预测信号，但需注意其噪声和可靠性。
深度学习在波动率建模中的优势
文章探讨了利用深度学习对股价波动建模的可行性，针对1314个股票序列的实验表明，扩展CNN和扩展循环神经网络等模型比GARCH家族和随机模型产生更准确的估计和预测。这显示深度学习在捕捉复杂市场动态方面具有潜力，但实际应用需考虑计算成本和过拟合风险。
Q&A
情感分析如何应用于股市预测？
情感分析通过分析公司年度披露的情感语言，结合市场数据，来预测市场的波动性。
基于词嵌入的方法有什么优势？
基于词嵌入的方法在市场风险预测中表现优于传统方法，能够更有效地捕捉情感信息。
新型神经网络模型的特点是什么？
该模型融入金融领域的先验知识，并考虑波动率微笑的激活函数，优于基准模型。
情感因素如何影响量化交易的回报率？
情感因素的加入使得回报率相比于基准模型提高了73.8%。
BERT和LSTM在金融情感分析中的作用是什么？
BERT和LSTM被用来构建金融情感分析框架，显著改善个股收益率预测。
传统情绪指标与在线情感指标的区别是什么？
传统情绪指标是滞后指标，而一些在线情感指标具有统计显著性，能有效预测市场波动。
