金融论坛文本分析：情感与主题分类选股因子挖掘

金融论坛文本分析的挑战与框架创新

金融论坛文本具有内容杂、质量低、文本短、数量大的显著特征。传统的情感分析方法往往将文本简单划分为“正面”或“负面”，导致大量关于基本面、技术面或政策的具体信息被稀释，造成信息损失。同时，直接使用大语言模型进行情感分析面临高昂的算力成本和时间成本，且方法同质化严重。针对上述困境，研究提出了一种综合情感分类与主题分类的舆情选股框架，旨在从“投资者情绪如何”转向“投资者在讨论什么内容”，通过多维度的文本处理扩充选股因子库。

该框架利用子长科技提供的股吧金融论坛文本数据，覆盖沪深300、中证500及中证1000成分股。数据预处理阶段剔除了转发、董秘回复等非原创干扰信息，并针对短文本特性进行了清洗。研究核心在于构建两类因子：一是基于情感分类的统计因子，二是基于主题分类的内容因子，两者结合以捕捉更丰富的投资者行为特征。

情感分类因子挖掘与市值效应

在情感分类方面，研究采用专为金融文本优化的FinBERT2模型进行二分类，识别正面与负面帖子。基于分类结果，构建了包括帖子数量、占比、变动比例及动量在内的多维度周频因子。实证测试显示，情感因子在不同市值股票池中表现存在显著差异。随着股票池市值的下降，因子有效性呈现提升趋势。

在沪深300股票池中，情感因子整体有效性有限，仅筛选出少量如正面情绪加速度等因子，且IC均值多为负值，暗示情绪反转特征。而在中证500和中证1000股票池中，有效因子数量明显增加，IC表现增强。测试结果表明，当周度正面帖子数量增加或正面情绪持续增强时，未来一周股价表现往往相对偏弱，呈现出明显的“情绪反转”效应。此外，因子表现具有非对称性，高热度股票（Bottom组合）的负超额收益显著，表明高情绪热度往往对应后续收益的回落。

主题分类因子的创新应用

为突破传统情感分析的局限，研究引入BERTopic模型结合大语言模型（LLM）进行主题分类。该流程通过文档嵌入、降维、聚类及LLM归纳，将论坛文本划分为基本面、技术面、情绪表达、行业政策及无关内容等类别。这种“先聚类，后表征”的方法有效解决了短文本主题识别难的问题，并能自动确定主题数量。

主题分类因子的测试结果呈现出与情感因子不同的规律。在沪深300股票池中，主题分类因子整体无效。但在中证500和中证1000股票池中，部分主题因子显示出预测能力。具体而言，技术面占比和情绪发泄占比因子的IC为负，表明当论坛中技术分析或情绪宣泄类讨论占比高时，未来收益偏弱，这反映了噪音交易者主导程度的增加带来的风险。相反，基本面占比因子的IC为正，说明关于公司经营、业绩等理性讨论占比提升时，未来收益相对更优，体现了知情交易者的信号作用。

多因子合成与策略构建

研究进一步对情感分类因子与主题分类因子进行合成与相关性分析。结果显示，两类因子相关性较低，但情感分类因子与风格因子中的技术类因子存在一定相关性。在策略构建中，考虑到情感分类因子尾部负超额显著，策略选择剔除尾部负超额明显的股票，而非构建少数股票的增强组合，以降低交易成本并提高稳定性。

合成后的舆情选股策略在三个股票池中均实现了年化超额收益。在沪深300、中证500和中证1000股票池中，策略分别获得了稳定的超额回报，且信息比率随市值减小而提升。特别是在中证1000股票池中，策略表现最为优异。此外，研究还发现，在热门股池中，噪音交易者主导程度高的股票未来表现较差；而在冷门股池中，此类股票未来表现相对较好。这一发现为识别股票短期见顶信号提供了新的视角，即噪音交易者主导的热门股组合可作为风险监控池，提示投资者规避过热风险。