20140617-光大证券-文本挖掘研究回顾一_互联网数据挖掘系统_行为金融新领域_18页_824kb

文本挖掘研究回顾一：互联网数据挖掘系统，行为金融新领域

核心内容

本报告回顾了光大证券在互联网数据挖掘与行为金融领域的研究成果，重点介绍其在情绪指标、个股关注度、市场趋势预测等方面的探索与实践。报告强调了通过互联网数据进行量化投资分析的重要性，并指出在该领域仍存在诸多挑战与改进空间。

主要观点

• 情绪指标的演变：从传统的“营业部自行车”概念出发，报告指出互联网数据成为情绪指标2.0版，能更全面地反映市场情绪。
• 情绪指标的逻辑与评判标准：情绪指标应具备逆向思维、适度震荡和拐点提前的特性，以帮助投资者识别市场情绪的变化趋势。
• 互联网数据挖掘系统：报告提出了一套完整的互联网数据挖掘系统，涵盖数据采集、清洗、结构化、文本挖掘和统计分析等环节。
• 关注度因子：个股关注度作为量化选股的新因子，表现出显著的超额收益能力，特别是在关注度下降的股票组合中。
• 双反转模型：结合关注度变化与股价表现的双反转策略在短期投资中表现出较高的收益潜力，但存在一定的模型风险。

关键信息

1. 情绪指标

• 情绪指标1.0版：基于营业部自行车数量，但因其主观性和缺乏数据支持，逐渐被弃用。
• 情绪指标2.0版：基于股票论坛数据，包括总访问量、总回复量、新发文章数，其中新发文章数作为市场情绪指标表现出较高的波动性。
• 情绪指标的波动性：新发文章数的波动性高于大盘，波动标志X用于识别情绪拐点，成功率约为72%。

2. 个股关注度

• 关注度指标：基于股票论坛的新发文章数，相比研究报告数量，具有更好的时间连续性和区分度。
• 选股效果：关注度下降的股票组合在两年内累积收益率超过110%，超额收益主要来自Alpha。
• 双反转模型：结合关注度下降与股价表现最差的股票，构建投资组合，累积收益率达658%，但相关性较低。

3. 数据处理与分析

• 数据来源：股票论坛、财经网站等，数据量庞大，处理复杂。
• 数据流程：包括数据获取、清理、文本挖掘、统计分析等步骤，构建了完整的分析体系。
• 分析方向：涵盖市场情绪、关注度变化、主题投资、利多利空因素等，为投资提供多维度参考。

4. 挑战与不足

• 情绪指标构建问题：早期情绪指标构建方法存在较大问题，现已改进。
• 系统细节不足：早期系统在细节处理上存在缺陷，影响数据更新和模型维护。
• 双反转模型局限：不适合大资金，现已弃用。

数据与结果

• 新发文章数与大盘相关性：新发文章数与上证综指的相关系数为59.14%。
• 波动率分析：新发文章数的波动率标准差为10.61%，显著高于大盘。
• 20天周期模型：关注度下降的股票组合平均累积收益率超过110%，各组合Beta接近1。
• 5天周期双反转模型：累积收益率达658%，但R Square仅为0.38，说明与市场相关性较低。

图表与数据支持

• 图1：网络数据挖掘系统流程图，展示了从数据获取到分析的完整流程。
• 图2：股票论坛数据组织形式，说明了数据分类与统计方法。
• 图3-5：展示了论坛每日访问量、回复量和新发文章数指标的变化趋势。
• 图6-7：新发文章数的波动率和拐点识别，提供了情绪变化的可视化参考。
• 图8-12：主要组合的累积净值对比，验证了关注度下降组合的优越性。

分析师信息

• 分析师：刘道明（执业证书编号：S0930210060005）
• 联系方式：021-22169109，liudaoming@ebscn.com

总结

本报告系统回顾了光大证券在互联网数据挖掘与行为金融领域的研究成果，强调了情绪指标和个股关注度在量化投资中的重要性。尽管早期研究存在不足，但通过不断改进和优化，已形成较为完整的分析体系。未来，随着数据处理技术的进步和模型的完善，该领域有望进一步发展，为投资者提供更有效的决策支持。