1、097155基于文本挖掘的量化投資應用國泰君安2014年金融工程投資策略證券研究報告 2014年11月27日姓名：（分析師）郵箱：wujing：編號： S0880514110001姓名：（分析師）郵箱：liufubing008481：編號： S0880511010017姓名：君（研究助理） 郵箱：lixuejun：編號： S0880114090056請參閱附注風險提示5投資要點11在眾人恐懼時貪婪，在眾人貪婪時恐懼 運用文本挖掘量化投資者情緒。2眼球與投資 運用文本挖掘量化熱度，提供額外源。3冷門股中找尋投資機會 運用股票論壇發帖量構建反映股票冷熱程度因子，驗證冷門股具有超額。4歲歲年年人不同

2、 運用文本挖掘探索相關個股。年年歲歲花相似 運用文本挖掘定義泛投資，探索能引起投資者關注丏為周期性發生的投資機會。請參閱附注風險提示目錄2金融文本挖掘背景在眾人恐懼時貪婪，在眾人貪婪時恐懼眼球不投資 冷門股中找尋投資機會歲歲年年人丌同年年歲歲花相似金融文本挖掘背景定義 文本挖掘作為數據挖掘的一個分支，挖掘對象通常是非結構化的文本數據，常見的文本挖掘對象等。網頁中的論壇、 金融文本挖掘對象主要財經、股票論壇、研究報告等。優點 對傳統數值型數據的研究已經相對成熟，而對文本數據的研究 處亍起步狀態 ，在全新的數據源里尋找超額相對容易。 網絡文本數據更直接的反應投資者的投資意向。 網絡文本數據在時間和

3、數量上滿足我們構建量化模型的要求。請參閱附注風險提示現狀 主要在對點數據的定性研究上，在時間序列上的定量分析較少。 文本數據的形式以及數據規模是傳統統計分析難以處理的。 文本數據獲取較難，需要長時間的積累。本報告 積累了5年的股票論壇文本數據。 闡述如何對文本數據進行定量處理。 數據結果驗證的投資想法。目錄5金融文本挖掘背景在眾人恐懼時貪婪，在眾人貪婪時恐懼眼球不投資 冷門股中找尋投資機會歲歲年年人丌同年年歲歲花相似請參閱附注風險提示當眾人恐懼時貪婪，當眾人貪婪時恐懼7l 一個投資者在股票論壇上發的帖子反應了他對當前的情緒。l 所有論壇的帖子反應了整個投資者群體對當前的情緒。情緒l 抓取股票論

4、壇中所有文本數據。l 運用文本挖掘的情感分析工具進行情感識別。l 統計情感識別結果，構建情緒量化指標。請參閱附注風險提示投資者情緒指標與中證800指數1.601.401.201.000.800.600.400.20投資者情緒指標2012-1-42012-4-42012-7-42012-10-42013-1-42013-4-42013-7-42013-10-42014-1-42014-4-42014-7-42014-10-43,2003,0002,8002,6002,4002,2002,000中證800指數2012-1-42012-4-42012-7-42012-10-42013-1-42013

5、-4-42013-7-42013-10-42014-1-42014-4-42014-7-42014-10-4資料來源：國泰君安證券研究目錄8金融文本挖掘背景在眾人恐懼時貪婪，在眾人貪婪時恐懼眼球與投資冷門股中找尋投資機會歲歲年年人丌同年年歲歲花相似請參閱附注風險提示眼球與投資10眼球依靠吸引公眾注意力獲取的一種活動投資投資通過吸引投資者的注意力來維持行情資料來源：國泰君安證券研究請參閱附注風險提示如何量化投資者的注意力l 抓取股票論壇中所有文本數據。l 我們統計論壇中各詞出現的頻率。l 計算其20日秱動平均值，得到熱度指標 。眼球與投資11“”熱度與走勢資料來源：國泰君安證券研究請參閱附注風險

6、提示0.020.020.020.010.010.010.010.010.000.000.00“”概念熱度2013-102013-112013-122014-012014-022014-032014-042014-052014-062014-072014-082014-092014-1060.00走勢55.0050.0045.0040.0035.0030.002013-102013-112013-122014-012014-022014-032014-042014-052014-062014-072014-082014-092014-10眼球與投資12 “傳媒”熱度與傳媒行業指數走勢資料來源：國

7、泰君安證券研究請參閱附注風險提示0.020.020.010.010.010.010.010.000.000.00“傳媒”熱度2013-092013-102013-112013-122014-012014-02 2014-032014-042014-052014-062014-072014-082014-092014-102014-111,100.001,050.001,000.00950.00900.00850.00800.00750.00700.00傳媒行業指數(）2013-092013-102013-112013-122014-012014-02 2014-032014-042014-05

8、2014-062014-072014-082014-092014-102014-11眼球與投資13同步指標l 難以對l做出擇時的。投資、突發的是從、炒作后相關股票超跌的現象入手進行分析。請參閱附注風險提示目錄14金融文本挖掘背景在眾人恐懼時貪婪，在眾人貪婪時恐懼眼球不投資冷門股中找尋投資機會歲歲年年人丌同年年歲歲花相似請參閱附注風險提示冷門股中尋找投資機會16如果說有一種股票我避而丌買的話，它一定是最熱門行業中最熱門的股票，這種股票受到大家最廣泛的關注，投資者上下班途中在汽車上戒在火車上都會聽到人們談論這種股票，人往往禁丌住這種強大的就買入了這種股票。冷門股中的投資機會。請參閱附注風險提示冷門

9、股l 較少為人問津，很少被投資者關注的股票。l 公司名稱少有耳聞。網絡論壇不活躍l 統計每個股票所屬的子論壇下新發貼的數量。l 僅按照發帖量將股票劃分為5組，組內等權配置，月度調倉。冷門股中找尋投資機會17五組累積率Q1.cumuQ4.cumuQ2.cumuQ5.cumuQ3.cumu765432102008-06-302010-06-302012-06-302014-06-3關注度第一組第五組起始日期2008/62008/6累計570%10%35%1.5%IC-9.50%資料來源：國泰君安證券研究請參閱附注風險提示冷門股中找尋投資機會19五組超額累積（基準：全A等權指數） 組合累積Q1.Al

10、pha.cumuQ2.Alpha.cumu Q3.Alpha.cumu Q4.Alpha.cumu Q5.Alpha.cumu3Q1-Q5.cumu62.55241.53120.51請參閱附注風險提示02008-06-302010-06-302012-06-302014-06資料來源：國泰君安證券研究02008-06-302010-06-302012-06-302014-06-30資料來源：國泰君安證券研究優勢l 該因子在覆蓋面和性上比同類因子好。l 來源亍一個全新的數據源，具有獨特的超額。l 構造較難 ，提高了研究門檻，超額具有較強的持續性。目錄20金融文本挖掘背景在眾人恐懼時貪婪，在眾人貪

11、婪時恐懼眼球不投資冷門股中找尋投資機會歲歲年年人不同年年歲歲花相似請參閱附注風險提示歲歲年年人不同24舊：哪些股票近期更相關？投資新：哪些股票是相關的？請參閱附注風險提示l 一個和一些股票同時出現在一個帖子中，那么這些股票在大概率下是和這個相關的。l 運用包含該的的大量帖子，計算所有股票不該的文本上的相關，確定閥值，挑選出不該相關各股。l 獲取最近一段時間內所有含有詞組的文本。l 統計該文本中各股票出現次數，得到每個股票的TF值；l 根據各股票在總文本中出現的次數計算IDF值。l 計算每只股票的TF-IDF值，根據設定股。閥值，得到相關各l 英唐智控ll 拓邦l 和而泰ll 金亞科技l 四川長

12、虹l 樂視網ll 科大訊飛l 拓維l 新南洋l 吭明l 國脈科技l 焦點科技l 二六三l 長江投資l 重慶港九l 南京港l 上港集團l 蕪湖港l 營口港l 高新l 控股l 陸家嘴l 界龍實業l 錦江l 東斱 明珠l 新丐界l 豫園商城l 中路l 控股2014年各初期挖掘標的資料來源：國泰君安證券研究主要用途l 新出現時，能夠迅速地定位出和相關的個股；l 對亍舊，能夠量化和個股乊間的相關性，在主題投資時精選個股；l 實時維護一個不最相關個股的組合。目錄25金融文本挖掘背景在眾人恐懼時貪婪，在眾人貪婪時恐懼眼球不投資冷門股中找尋投資機會歲歲年年人丌同年年歲歲花相似請參閱附注風險提示年年歲歲花相似2

13、9關注周期性超額泛投資請參閱附注風險提示“國際與業化程度最高的博覽會”是目前國內水平最高、規模最大、與業展，目前已經丼辦 3屆了。2012年丼辦的時間為7月3日，2013年丼辦時間為 7月2日，2014年丼辦時間為 7月9日。 國際博覽會歷史熱度 題指數超額變化（基準：hs300指數）歷屆博覽會召開前后20個日，主 “國際博覽會”熱度0.00040.000350.00030.000250.00020.000150.00010.0000502012-5-12012-11-12013-5-12013-11-12014-5-12014-111.351.31.251.21.151.11.0510.95

14、2014超額2013超額2012超額-20 -18 -16 -14 -12 -10 -8 -6 -4 -2 0 2 4 6 8 10 12 14 16 18 20資料來源：國泰君安證券研究資料來源：國泰君安證券研究“”是丐界上最高榮譽、最高規格、最高競技水平、最名度的足球比賽，不奧運會幵稱為全球體育兩大最頂級賽事。 2010年丼辦的時間為6月11日，2014年丼辦時間為 6月13日。 “丐界杯”歷史熱度 關股組合超額變化（基準：hs300指數） 日，丐界杯相歷屆丐界杯召開前后 20個“”熱度0.0250.020.0150.010.00502010-5-12011-5-12012-5-12013

15、-5-12014-5-11.131.111.091.071.051.031.010.990.970.952014累積超額2010累積超額-20-18-16-14-12-10 -8 -6 -4 -2 0 2 4 6 8 10 12 14 16 18 20資料來源：國泰君安證券研究資料來源：國泰君安證券研究基本框架l 確定該l 探索能否引起投資者關注以及具體的關注時段。發生的歷史規律，如影響各股、變化等。l 基亍歷史規律，確認再次來臨時的操作策略。年年歲歲花相似30關注周期性投資機會無處不在請參閱附注風險提示資料來源：國泰君安證券研究本公司具有核準的證券投資咨詢業務資格風險提示31分析師 作者具有

16、 證券業 授予的證券投資咨詢執業資格或相當的專業勝任能力，保證報告所采用的數據均來自合規 ，分析邏輯基于作者的職業理解，本報告清晰準確地反映了作者的研究觀點，力求 、客觀和公正，結論不受任何第 的授意或影響，特此 。免責 本報告 國泰君安證券（以下 “本公司”）的客戶使用。本公司 因接收人收到本報告而視其為本公司的當然客戶。本報告僅在相關法律的情況下發放，并僅為提供 而發放，概不 任何廣告。來源于已公開的資料，本公司對該等 的準確性、完整性或可靠性不作任何保證。本報告所載的資料、意見及推測僅反映本公司于發布本報告當日的 ，本報告所指的證券或投資標的的價格、價值及投資收入可升可跌。過往表現不應作

17、為日后的表現依據。在不同時期，本公司可發出與本報告所載資料、意見及推測不一致的報告。本公司不保證本報告所含 保持在最新狀態。同時， 本公司對本報告所含 可在不發出通知的情形下做出修改，投資者應當自行關注相應的更新或修改。本報告中所指的投資及服務可能不適合個別客戶，不 客戶私人咨詢建議。在任何情況下，本報告中的 或所表述的意見均不 對任何人的投資建議。在任何情況下，本公司、本公司員工或者關聯機構不承諾投資者一定獲利，不與投資者 投資 ，也不對任何人因使用本報告中的任何內容所引致的任何損失負任何責任。投資者務必注意，其據此做出的任何投資決策與本公司、本公司員工或 者關聯機構無關。本公司利用 墻 內部一個或多個領域、部門或關聯機構之間的 。因此，投資者應注意，在法律 的情況下，本公司及其所屬關聯機構可能會持有報告中提到的公司所 的證券或并進行證券或 ，也可能為這些公司提供或者爭取提供投資銀行、財務顧問或者金融 等相關服務。在法律 的情況下，本公司的員工可能擔任本報告所提到的公司的董事。市場有風險，投資需謹慎。投資者不應將本報告為作出投資決策的惟一參考因素，亦不應認為本報告可以取代 的 。在決定