看不见的情绪，可计算的因子：投资者情绪指数构建与实证应用——海外文献推荐系列之一百九十五.pdf

随着行为金融学的深入发展，投资者情绪已成为解释资产价格异常波动和预测市场收益的关键变量。本报告系统梳理了投资者情绪指数的构建方法演进，从传统的基于交易数据的代理变量合成，到现代基于大数据和人工智能的文本分析，全面评估了不同方法的有效性及其应用价值。

情绪指数构建方法的演进

报告首先回顾了基于主成分分析（PCA）的经典构建方法，如Baker-Wurgler指数，指出其虽能综合多个代理变量，但存在噪音干扰大、预测针对性弱的问题。随后，重点介绍了偏最小二乘法（PLS）及其迭代版本k-step PLS，以及缩放主成分分析（Scaled PCA）。这些有监督或改进的降维方法通过最大化情绪指标与市场目标变量（如收益、波动率）的关联，有效剔除了无关噪音，显著提升了情绪指数的预测能力。实证数据显示，k-step PLS和Scaled PCA构建的指数在解释A股市场收益和波动率方面优于传统PCA。

AI与大数据技术的应用

报告深入探讨了自然语言处理（NLP）技术在情绪度量中的应用。从早期的词典匹配到基于BERT的深度学习模型，再到最新的大型语言模型（LLM），文本情绪分析的准确度和语义理解能力不断提升。特别是LLM能够从新闻、研报和社交媒体中提取深层情感，构建的高频情绪指数在市场极端波动期间表现出更强的预测力和鲁棒性。社交媒体数据（如Twitter、股吧）的引入，使得实时捕捉散户情绪成为可能，为高频交易和风险控制提供了新工具。

实证应用与结论

在应用层面，报告证实了高质量情绪指数在资产定价和风险管理中的价值。情绪指数不仅是股票横截面收益的重要预测因子，尤其在小盘股和高波动股中表现显著，也是改进波动率预测模型（如HAR-RV）的关键变量。报告建议，未来应注重多源数据融合，开发适应本土市场特征的高频、精细化情绪指数，以更好地服务于投资决策和风险监测。