20220423-华泰证券-金工深度研究：_新闻舆情分析的HAN网络选股1

【正文】 新闻舆情分析在投资领域中扮演着日益重要的角色，尤其在大数据和人工智能技术的推动下，通过深度学习模型预测股票价格走势已经成为可能。本文深入探讨了一种名为HAN（Hybrid Attention Networks）的混合注意力机制网络在新闻舆情分析中的应用，用于个股的短期走势预测，以获取超额收益。 HAN网络的设计灵感来源于人类处理信息的方式，它包括三个关键的注意力模块：词语注意力、新闻注意力和时序注意力。词语注意力模块模仿人类阅读时对关键词语的专注，通过聚焦重要的信息点来理解文本。新闻注意力模块反映了人们在处理多条新闻时，对不同新闻内容差异的关注程度。而时序注意力则考虑到新闻的时间敏感性，根据新闻的重要性和时效性来分配关注度。 在沪深300指数成分股的数据实证中，HAN网络显示出了显著的多头端收益。通过构建一个包含30只股票的等权组合，每天根据HAN日频因子值替换一只股票，结果显示相对于沪深300等权策略，HAN策略年化超额收益率达到15.96%，回测期间为2019年1月3日至2022年3月31日。这一成果验证了HAN网络在处理大量新闻数据时的有效性。 为了进一步验证注意力机制的作用，作者设置了多组对照实验。实验结果显示，具有注意力机制的网络在选股效果上明显优于没有注意力机制的网络。同时，词注意力、新闻注意力和时序注意力各模块的贡献不一，其中词注意力影响相对较小，但去除后会降低年化收益约2%；而新闻注意力和时序注意力的缺失对结果影响较大，强调了这些模块在处理新闻信息中的重要性。 在可解释性分析方面，研究发现模型在词注意力模块倾向于关注有实际含义的词语，忽视专有名词；在新闻注意力中，与个股直接相关的新闻被赋予更高权重，而行业或宏观经济新闻权重较低；时序注意力则更注重近期的新闻。这些发现与人们的直觉相符，但也提示了模型仍有改进空间，以提高其解释性和预测准确性。 然而，值得注意的是，基于深度学习的选股策略可能存在历史经验失效的风险，因为模型的可解释性较低，使用时需谨慎。此外，量化因子的表现受到宏观环境和市场走势的直接影响，过去的表现并不能保证未来的成功，投资者应当留意风险。 HAN网络作为一种先进的文本挖掘工具，通过模拟人类注意力机制，有效地从新闻舆情中提取有价值的信息，为投资决策提供支持。然而，随着市场环境的变化，模型的持续优化和调整至关重要，以确保其持续的有效性和适应性。在未来的研究中，结合更多维度的数据和优化算法，可能会进一步提升模型的预测能力和解释性。