第三部分：NLP——从文本里挖交易信号（第 14~16 章）

第 14 章：文本数据与情绪分析#

文本→信号的标准流水线：

1. 预处理：分词、词形还原、去停用词（工具：spaCy、NLTK）；
2. 向量化：词袋模型 + TF-IDF，把一篇文档变成一行特征；
3. 分类：朴素贝叶斯做情绪分类——简单、快、在文本上出奇地能打；
4. 成为因子：把新闻/推文情绪得分聚合到股票 × 日期，就得到一个标准的情绪因子面板，之后的 IC 体检、分层回测与价量因子完全同一套流程。

这是本部分最值得记住的一点：文本因子的下游检验没有任何特殊性——难点全在上游的数据获取与清洗。

第 15 章：主题模型#

LDA（潜在狄利克雷分配）把海量新闻/财报电话会自动聚成若干”主题”，追踪主题热度随时间的变化。用途偏监控与理解：市场在讨论什么、某公司的叙事何时切换——直接变成可交易信号的案例少，当仪表盘思路看。

第 16 章：词向量与深度文本模型#

word2vec/doc2vec 让”语义相近的词向量也相近”，书中用 SEC 文件和财报电话会记录训练嵌入、喂给下游分类器；第 2 版还补了 transformer/BERT 的简介——2020 年的书，NLP 部分是全书老化最快的板块，今天做文本信号大概率直接上预训练大模型，但”文本 → 向量 → 因子面板 → IC 体检”的骨架没变。

对 A 股与本平台的现实盘点#

诚实评估文本因子在本平台的可行性：

• 数据源：公告（巨潮）、研报摘要、股吧/雪球情绪——可得，但爬取、清洗、去重的工程量远超价量数据，且历史回填困难（情绪数据没有”补历史”一说）；
• 优先级：平台价量因子的地基还在夯（样本量、多重检验纪律），文本因子属于二期工程——先把第 12 章的梯度提升因子做出来，再考虑给它加一列情绪特征；
• 最小可行起点：如果真想试，从”公告数量/类型”这类结构化文本元数据入手（不用 NLP 也能算），比直接上情绪分析务实得多。

本页带走的三句话#

1. 文本因子的特殊性全在上游获取与清洗，下游检验与价量因子共用同一套 IC 流程；
2. 这三章当索引读：知道流水线长什么样，要做舆情因子时再回来；
3. NLP 是全书老化最快的板块——骨架仍然成立，具体模型今天会换成预训练大模型。