金融文本特征挖掘及动态融合因子策略研究

目前的金融文本分析受到非规范性金融文本的局限性,所提取的金融特征有效性不足。为解决这一问题,提出了以券商研究报告为研究对象的规范性金融文本特征挖掘模型(normative finanical text feature mining,NFTFM),通过构建规范性金融情感词典(normative finanical text sentiment dictionary,NFTSD)充分挖掘券商报告语义,并采用K邻近算法(K-nearest neighbor,KNN)实现报告作者评价态度分类,将态度分类结果按照时序维度整合为评价一致性因子(rate volatility,RC)和评价特征因子(rate consistency,RV)两类金融特征因子;针对传统量化多因子模型的因子权重无法自适应市场变化的问题,提出动态优化的融合因子策略,通过遗传算法动态优化因子权重。为验证规范性金融特征因子的有效性以及动态优化融合因子策略的效果,以RC、RV因子为基础因子集合,针对中证500股票构建多因子策略实例并展开历史周期回测。结果表明,策略收益相比于基准收益有明显提升,且对于不同的市场环境都具有较好的适应能力,表明NFTFM模型有效地提取了规范性金融特征因子,且动态优化的融合因子策略下的各类因子具有自适应市场变化的能力。