年报文本情绪与上市公司违规行为识别——基于机器学习文本分析方法的实证研究

随着文本大数据分析的发展,非结构化数据的分析成为研究热点,这为理解公司违规行为提供了新的研究视角。以2009—2019年深沪A股非金融类上市公司为样本,通过机器学习的文本分析方法对11040份上市公司年度财务报告中的“管理层讨论与分析”(MD&A)的文本情绪进行测度,研究文本情绪与公司违规行为的关系。研究发现:整体而言,MD&A文本情绪与公司的违规行为负相关。对MD&A细分后发现,“展望”部分文本情绪与上市公司违规行为的负相关性弱于“经营情况概述”部分。进一步研究发现,较高的信息透明度增强了文本情绪与上市公司违规的负相关关系。在控制内生性和调整了MD&A文本情绪值之后,主要结论仍然稳健。此外,研究MD&A文本情绪与不同违规类型的关系发现,与领导人违规相比,MD&A文本情绪与信息披露和经营类违规的相关性更显著。因此,上市公司和投资者都应该重视MD&A文本情绪的信息价值,监管部门应加强对上市公司信息披露的管控。

基于对抗网络的文本情绪分析性别偏见消减方法

近年来,性别偏见引起自然语言处理领域研究者们的关注。已有研究工作证实,性别偏见不仅影响模型性能,且其传播将进一步对下游产品产生一定的危害。文章探究性别偏见对文本情绪分析的影响,提出基于对抗网络模型的性别偏见消减方法。实验结果表明,在文本数据集上,文章提出的对抗性训练方法相比其他减偏方法,使TPR-GAP下降约0.02~0.03,而性能只降低了0.8个点。

文本情绪对股指期货避险功能的非对称效应研究

利用数据挖掘手段从金融文本信息中提取情绪不仅可以准确地衡量资本市场中投资者情绪的变化,也有助于深入分析文本情绪与资本市场运行的关系。以上证50股指期货为例,在考虑情感信息对股指期货市场的非对称效应的情况下,探究文本情绪对股指期货市场避险功能的影响。研究发现,股指期货市场对于金融文本的负向情感信息的反应大于正向情感信息的反应,市场存在着正向杠杆效应;低落的文本情绪会对股指期货的避险能力有显著的负面影响。

一种基于组合语义的文本情绪分析模型

文本情绪分析属于细颗粒度文本情感分析范畴.传统的基于监督学习的方法,大多注重从表面词形提取特征,对语言的结构化特征考虑较少,无法应对特征稀疏问题,也无法挖掘文本中隐含的深层语言信息(包括词语搭配和语义韵).上述问题的存在导致现有系统的分类性能不高,尤其对隐性文本情绪分类问题表现出较大的局限性.本文尝试将基于依存句法的词语搭配特征和基于组合语义的深度特征应用于文本情绪分类,提出了一种以短语为主要线索的半马尔科夫条件随机场文本情绪分析模型.为了验证模型的有效性,利用实际构建的相关实验语料,开展了相关实验研究.实验结果表明,本文方法不仅可以显著提高文本情绪分类的准确率,而且对解决隐性情感分析问题也具有重要作用.

节奏艺术的文本呈现——论《白门柳》的文本情绪结构

长篇巨制《白门柳》获第四届茅盾文学奖,其以"节奏"艺术为结构指归,把文本情绪结构作为维系本体,追求一种文本情绪内在的完整性,从而超越了以情节和故事完整性为主的僵化结构理念,进而提出"结构即节奏"的主张。《白门柳》的这些努力,对当下长篇小说结构艺术突围,具有重要启示。

节奏艺术的文本呈现——论《白门柳》的文本情绪结构

长篇巨制《白门柳》获第四届茅盾文学奖,其以"节奏"艺术为结构指归,把文本情绪结构作为维系本体,追求一种文本情绪内在的完整性,从而超越以情节和故事完整性的僵化结构理念,进而提出"结构即节奏"的主张。《白门柳》的这些努力,对当下长篇小说结构艺术突围,具有重要启示。

媒体声誉与企业债务融资——基于媒体文本情绪大数据的证据

新闻媒体是金融市场为企业进行资金有效配置的重要信息获取渠道,本文利用基于大数据分析获取的媒体文本情绪进行研究发现:媒体积极文本情绪传递的良好声誉会使企业债务融资的规模增加且期限延长。从媒体声誉的质量来看,传播力更强、信息质量可靠的全国性媒体报道所体现的文本情绪对企业债务的影响更为显著。进一步研究发现,媒体声誉的信号作用有助于企业获得较长期的债务。存在本地信息优势的地方性媒体报道的积极文本情绪有助于延长企业的债务融资期限,而对于信息透明度低的企业,积极的媒体报道可以有效地弥补公开披露信息的不足,增强企业获取长期债务的能力。

基于双重注意力机制下LSTM的投资者文本情绪度量方法

得益于互联网的快速发展和数据收集技术的进步,社交网络文本为投资者文本情绪的度量提供了新渠道。目前,关于文本情绪分析的研究主要基于单个文本,而基于单位时间内多文本和多用户相融合的研究较少。文章将多文本信息、用户社交信息与情绪时间序列相结合,提出时间和用户双重注意力机制下长短期记忆网络(LSTM)模型,对投资者文本情绪度量指标进行分类和预测。采用该模型对来自东方财富网行业吧的真实数据进行实证分析,并同词汇分类字典法和时间注意力机制下的LSTM进行比较,证明了所提模型的有效性。

网络媒体报道与高管薪酬粘性——基于媒体文本情绪数据的证据

信息化时代,网络媒体报道成为公司重要的外部治理机制。文章以2015—2019年A股上市公司为研究样本,探究网络媒体报道对高管薪酬粘性的影响。实证研究发现:公司受到的网络媒体关注程度越高,其高管薪酬粘性越低;进一步利用媒体文本情绪数据探究正负面网络媒体报道对高管薪酬粘性影响的差异性,发现相对于正面报道,负面报道对高管薪酬粘性的抑制作用更强;区分公司的信息环境,发现上述抑制作用在信息透明度低的公司更加显著。中介效应检验结果表明,提高公司内部控制质量是网络媒体报道抑制高管薪酬粘性的主要途径。

新闻事件驱动的海龟交易策略优化研究:文本情绪方法

近年来,我国期货市场不断发展,程序化交易越来越受到投资者的青睐。而如何构建一套有效的交易策略也成为被广泛关注的议题。本研究深度挖掘了财经新闻与期货市场的相关性,通过引入基于新闻文本情绪分析的决策支持系统,将其与传统交易策略相结合,形成了事件驱动程序化交易策略。具体而言,通过文本情绪分析的方法提取新闻文本的语义,结合文本挖掘和机器学习技术,建立了新闻情绪值与价格趋势之间的Logistic回归模型。该系统能够对期货市场未来走势进行预测,预测结果可用于辅助传统交易策略的决策。继而,将该系统嵌入到成熟的程序化交易算法中,提出了一个更完善、高效的交易策略。实验选取了八个月的新闻数据与期货市场数据进行分析。结果显示,本文提出的系统性能优良,在提高传统交易策略胜率、提升最终收益率方面都取得了很好的效果。

大语言模型、文本情绪与金融市场

“人工智能+”行动是发展新质生产力的重要途径,其在金融领域的应用有助于金融强国建设。本文创新性地融合结构化金融市场数据和非结构化金融文本大数据,并结合中国特色金融市场的独特特征,训练了一个更适用于我国金融领域的中文金融大语言模型,并开展金融市场情绪测度和资产价格风险预测。研究发现,与传统字典法相比,使用中文金融大语言模型构建的大模型情绪在金融市场回报预测方面表现显著更佳。大模型情绪对很多宏观经济变量也有显著预测能力,能够捕捉非理性情绪冲击对宏观经济基本面的影响。大模型情绪在经济下行和极端风险事件期间的预测效果更强,契合了金融理论中非理性情绪对金融市场和宏观经济会产生非对称与非线性影响的结果。综上,本研究展现了“人工智能+”行动在我国金融领域应用落地的潜在技术路径和理论逻辑。

央行文本情绪具有金融市场效应吗——基于《中国货币政策执行报告》的研究

从文本中提取情绪信息并研究其金融市场效应在现有研究中广受关注。本文借助自然语言处理技术构建了一个专门适用于《中国货币政策执行报告》的领域情感词典,并依据新词典对央行文本情绪进行测度,在此基础上,实证检验其金融市场效应。研究发现:这一词典可以更好地捕捉各期报告中的情感词,而且,将否定词和程度副词考虑在内对央行文本情绪的测度更为精准;央行文本情绪对金融市场的收益率及其波动具有显著效应,相对而言,股票、债券市场的效应强于外汇市场;由于股票、债券及外汇市场内部各子市场间均值溢出及波动溢出效应的存在,央行文本情绪对金融市场的效应会得到弱化或放大。因此,央行可以通过在货币政策执行报告中使用更多情感色彩鲜明的词语或发布英文版的货币政策执行报告等方式来扩大其文本情绪的金融市场效应,但也应防范由市场间的溢出效应所带来的金融市场波动风险。

基于文本情绪分类的社交网络用户传播他人隐私信息行为研究

【目的/意义】探究针对微博文本的基于深度学习的情绪分类有效方法,研究微博热点事件下用户转发言论的情绪类型与隐私信息传播的关系。【方法/过程】选用BERT、BERT+CNN、BERT+RNN和ERNIE四个深度学习分类模型设置对比实验,在重新构建情绪7分类语料库的基础上验证性能较好的模型。选取4个微博热点案例,从情绪分布、情感词词频、转发时间和转发次数四个方面展开实证分析。【结果/结论】通过实证研究发现,用户在传播隐私信息是急速且短暂的,传播时以“愤怒”和“厌恶”等为代表的消极情绪占主导地位,且会因隐私信息主体的不同而产生情绪类型和表达方式上的差异。【创新/局限】研究了用户在传播隐私信息行为时的情绪特征及二者的联系,为保护社交网络用户隐私信息安全提供有价值的理论和现实依据,但所构建的语料库数据量对于训练一个高准确率的深度学习模型而言还不够,且模型对于反话、反讽等文本的识别效果不佳。

金融市场文本情绪研究综述

[目的]通过文献梳理分析和总结金融市场文本情绪发展现状,为后续研究提供参考。[文献范围]以“金融市场”“文本情感分析”“文本情绪”“投资者情绪”等以及相应英文为关键词在中国知网、Web of Science、谷歌学术等学术平台进行检索,延伸阅读相关文献,共筛选115篇文献进行综述。[方法]根据金融文本数据类型对提取的文本情绪分类,介绍文本情感分析框架,最后梳理文本情绪对金融市场影响的相关研究成果。[结果]金融文本情绪分为信息报告情绪、新闻媒体情绪和社交媒体情绪三种,在构造情绪指标时,应用较多的分析方法有基于词典的方法和基于机器学习的方法,三种文本情绪都对金融市场产生了一定的影响。[局限]筛选文本情感分析框架相关文献时,由于文本分析方法在各领域具有一定通用性,这类文献不完全聚焦于金融市场。[结论]在构建金融文本情绪指标时,应根据文本特点、研究条件、研究目标等的不同选择合适的情感分析方法。

投资者文本情绪、文本异质信念与市场崩盘风险

区别于个股崩盘风险,在投资者情绪和异质信念急骤变化的情景下,市场崩盘风险更具有毁灭性,防范市场崩盘风险已成为政府和监管部门关注的热点问题。然而,当前学者重点关注个股崩盘风险及其影响因素,对投资者情绪和异质信念影响市场崩盘风险的研究较为匮乏。利用2015年1月1日至2019年8月27日东方财富网上证综指股吧评论大数据,通过机器学习优化方法,提取针对上证市场走势的投资者情绪和异质信念直接指标,即投资者文本情绪和文本异质信念。检验投资者情绪和异质信念直接指标与间接指标的相关性,分析投资者文本情绪和文本异质信念的相对优越性。检验投资者情绪和异质信念直接指标与市场惯性、波动率、流动性等市场微观结构变量的紧密关系,论证投资者文本情绪和文本异质信念对市场崩盘风险的影响和内在机制。研究结果表明,(1)投资者文本情绪和文本异质信念比传统间接指标具有更多的私有信息和更好的市场拟合度。(2)投资者文本情绪与累计收益率正相关,与收益率波动率和非流动性负相关;投资者文本异质信念与累计收益率负相关,与收益率波动率和非流动性正相关。(3)投资者文本情绪和文本异质信念利用微观结构变量的变化作用于交易型开放指数基金,进而影响市场崩盘风险。当投资者文本情绪低且文本异质信念高时,市场惯性效应变弱,波动率和流动性成本升高,投资者增加交易型开放指数基金的赎回行为,促使基金为持有更多现金而被动卖出大量市场权重股,向下崩盘风险的可能性上升。反之,向上崩盘风险的可能性上升。研究结果丰富了关于市场崩盘风险影响因素和机制的研究,抑制羊群行为和过度波动、提升市场流动性是管控投资者情绪和异质信念的重要途径,加强对主动型机构投资者的培育,限制被动型基金的交易规模和市场份额,引入基于交易型开放指数基金的金融衍生品,以切断发生市场崩盘风险的机制,对防范市场系统性风险具有重要的政策启示。

ESG观点与股票市场定价——来自AI语言模型和新闻文本的证据

基于机器学习中自然语言处理方法,利用2018—2021年40余万篇企业信息披露与新闻媒体文本数据,将所蕴含的特定信息定义为一种全新的ESG观点。研究发现,文本中隐含的ESG观点被股票市场定价,且体现出投资者的部分投资偏好。不同视角下的ESG观点对其企业股票收益率影响不一,积极的环境观点、治理观点和综合ESG观点与未来股票收益率显著正相关,且此影响存在月度反转现象。异质性检验结果显示,ESG观点对股票收益率的作用在“双碳”目标提出后得到增强,在大规模企业中该效应更加明显。ESG观点也体现出部分投资者信念。ESG观点正面的企业其股票交易量与ESG观点显著正相关,而对于ESG观点负面企业的结论则截然相反,且环境相关信息对投资者的交易行为影响尤为明显。当前,中国正处于经济向高质量发展转型的重要阶段,行业协会、监管部门等应引导上市企业更好地承担ESG责任,推动企业ESG战略转型,加强ESG行为监管,强化ESG信息披露制度建设,提高股票市场定价效率。

基于情感词和多任务卷积神经网络的文本情感分布学习

不同于传统的情感分析范式,情感分布学习采用与示例关联的情感分布对多种情绪进行定量建模,可以较好地处理具有情绪模糊性的情感分析任务。针对现有情感分布学习方法缺乏考虑文本分析任务特有的情感词语言学先验知识的问题,该文提出一种基于情感词和多任务卷积神经网络(Lexicon enhanced Multi-Task Convolutional Neural Network,LMT-CNN)的文本情感分布学习模型,用于预测文本的情感分布和情绪标签。LMT-CNN模型的网络结构由文本语义信息模块、情感词的情感知识模块和多任务预测模块组成,采用端到端方式进行模型训练和预测。在7个常用的文本情感数据集上的对比实验结果表明,LMT-CNN模型具有比已有的情感分布学习方法更优的情感分布预测和情绪分类性能。

媒体文本情绪与股票回报预测

本文在Loughran and MacDonald(2011)词典的基础上通过人工筛选和word2vec算法扩充,构建了一个更新更全面的中文金融情感词典。我们使用该情感词典计算我国财经媒体文本情绪指标,发现媒体文本情绪可以更准确地衡量我国股市投资者情绪的变化,对我国股票回报有显著的样本内和样本外预测能力。媒体文本情绪对一些重要的宏观经济指标也有显著的预测能力,具有重要的学术和实践应用价值。

金融市场文本情绪研究进展

由于现代计算机技术的飞速发展和互联网的广泛使用,研究者开始有机会获得曾经无法企及的文本大数据,通过对文本内容中与金融市场相关的部分进行挖掘,从而更加深入地理解和刻画资产价格变动机制。典型的文本大数据包括公司业绩披露、媒体新闻报道、社交论坛讨论等。在金融和会计领域,如何从文本中提取有效的情绪信息并研究其对资产价格变动的影响已经成为近年来的研究热点。本文总结了文本情绪分析在金融市场与资产定价相关领域的应用与研究进展,整理了主要的文本分析方法,包括词汇分类字典法、文本词汇加权和基于机器学习的朴素贝叶斯法等。本文还从横截面与时间序列两个方面介绍了文本情绪影响资产预期收益的计量方法和经济机制的最新成果。

基于RoBERTa模型的客户服务热线不满情绪识别系统

提出一种基于RoBERTa模型的服务热线潜在不满情绪识别方法,从海量的服务热线语音数据中抽取负面情感信息,并进行潜在不满问题解决。在传统文本情感分析模型基础上通过增加RoBERTa语句向量模块,同时引入注意力(Attention)机制,从而使文本情感分析技术在长篇文本学习中获得更好的效果。该系统在天津移动客户服务工作中体现出了优异的应用效果,显著提升了客户满意度。