基于Tweet的舆情交易策略：用社交媒体文本挖掘和稀疏矩阵分解预测股市波动
本文研究了基于社交媒体文本挖掘和稀疏矩阵分解的舆情交易策略，旨在预测股市波动。该研究基于用户微博中的文本信息，使用 Wong 等人提出的“潜空间模型”（2014），将股价和社交媒体内容的变动联系起来。
该研究的模型有两个显著的区别：（1）充分利用包含在大量社交媒体中的市场信息，而非新闻文章中的市场信息；（2）不评估情绪。该模型使用 2011 年到 2015 年之间 S&P 500 大多数成分股数据进行测试，并发现该模型优于基准回归。该研究提出一个收益率和夏普比率较好的交易策略。
自 Fama 于 1970 年首次提出有效市场假说以来，可获得的公共信息急剧增长。除了传统信息源如新闻、分析师报告和财务报表数据的增长外，社交媒体上的用户数据也不断增加。例如，Twitter 主页上报道有 3.2 亿月度活跃用户每天发约 5 亿条推特。Kalampokis 等人（2013）对关于社交媒体数据扩张的研究进行综述，强调社交媒体的在各种场景下的预测潜力。
社交媒体数据已经成为一种流行的市场预测数据源，而且已被广泛用于探究与金融市场间的关系。本文提出了一个基于文本分析的股价预测模型，并同时用样本内和样本外评估方法，探讨了该模型基于利用社交媒体文本挖掘和稀疏矩阵分解的预测潜力。
该研究的贡献在于：
1. 该模型充分利用了社交媒体中的市场信息，弥补了传统信息源的不足。
2. 该模型不评估情绪，避免了情绪的主观性和不确定性。
3. 该模型使用了稀疏矩阵分解，提高了模型的预测准确性。
该研究的结果表明，基于社交媒体文本挖掘和稀疏矩阵分解的舆情交易策略可以预测股市波动，并且该模型在交易策略方面具有较高的收益率和夏普比率。
本文为金融工程和资产配置领域提供了一种新的研究思路和方法，旨在预测股市波动和实现投资回报的最大化。
知识点：
1. 社交媒体文本挖掘：指对社交媒体平台上用户生成的文本数据进行挖掘和分析，以获取有价值的信息。
2. 稀疏矩阵分解：指将高维度的矩阵分解为低维度的矩阵，以提高数据分析和预测的准确性。
3. 舆情交易策略：指基于社交媒体文本挖掘和稀疏矩阵分解的预测模型，旨在预测股市波动和实现投资回报的最大化。
4. 情绪分析：指对文本数据的情绪进行分析，以获取情绪信息。
5. 潜空间模型：指将股价和社交媒体内容的变动联系起来的模型。
相关研究：
《海外文献-1 基于谷歌趋势的量化交易》
《海外文献-2 社交媒体胜过新闻吗》
《海外文献-3 Google 趋势搜索可否被用于分散风险？》
《海外文献-4 通过量化维基百科的使用模式预测股市变动》
《海外文献-5 量化财经新闻与股市的关系》
《海外文献-6 Twitter 情绪指数能用于预测加密货币走势吗》
