基于 BERT 的文本因子构建流程 [page::3]

• 使用预训练中文BERT模型，结合Wind有情感标注金融舆情数据进行微调，再在无标注的分析师研报摘要中进行情感预测，最终通过传统因子构建方法形成选股因子。

BERT模型训练与微调数据 [page::4][page::5]

| 模型 | Transformer层数 | 隐藏层神经元数 | 参数量 | 模型大小 |
|----------------|-----------------|----------------|---------|----------|
| RoBERTa-tiny-clue | 4 | 312 | 750万 | 28.3MB |
| BERT-base | 12 | 768 | 1.1亿 | 392MB |

• 微调金融新闻数据总样本量约13万，其中正负样本均衡处理。

- 训练参数包括学习率1e-5，训练5轮，最大文本长度500。

• 测试准确率达0.9833，AUC达0.9762，高精度完成情感分类。

研报情感因子构建方法 [page::7][page::8]

• 对每句研报摘要文本预测正面概率减0.5得到情感得分。

- 在最近90个自然日内对股票多篇研报得分进行线性衰减加权。

• 构建senti因子和调整因子sentiadj，后者对负面情感赋予3倍权重，增强负面信号影响。

- 同时构建了研报评分因子(reportscore)和研报数量因子(reportnum)用作对比。

研报情感因子覆盖与行业差异 [page::9][page::10][page::11]

• 沪深300股票池覆盖率最高。

- 覆盖度在各行业有所差异，食品饮料、银行、非银金融覆盖较好。

• 2020年末，食品饮料、电子、通信等行业senti和sentiadj均值较高，反映其研报整体正面情绪较为突出。

相关性与多方法测试结果 [page::11][page::13][page::14][page::15]

• senti与传统因子reportscore和reportnum高度相关，sentiadj与后者相关性低，具备信息增量。

- 回归法、IC值和分层回测均验证sentiadj的稳健性和有效性，显示其在沪深300、中证500、全A市场均实现显著正收益。

• 分层组合年化超额收益最高约为5.40%（沪深300）。

- 分层测试中，情感最高层收益显著优于最低层，且组合稳定。

行业内选股效果及残差因子表现 [page::16][page::17]

| 行业 | RankIC均值 | 信息比率 | 多空组合年化超额收益率 |
|------------|------------|----------|-------------------------|
| 石油石化 | 7.35% | 0.27 | 3.07% |
| 食品饮料 | 5.68% | 0.27 | -1.81% |
| 传媒 | 4.88% | 0.22 | 1.48% |
| 银行 | 1.90% | 0.08 | -7.26% |
| 机械 | 6.00% | 0.38 | 1.34% |

• 行业内也体现情感因子的选股效力，收益与因子正相关。

- 残差因子中，sentiadjres表现明显优于sentires，进一步说明调整后的因子带来更多独立信息。

绝对收益TOP80组合回测表现 [page::18]

• 采用中证800股票池，月频调仓，选择senti因子最高80只股票。

- 2011年1月-2020年12月回测，年化收益率14.90%，波动率25.5%，夏普比率0.58，最大回撤46.5%。

• 2019年和2020年绝对收益分别达到51.61%和69.69%，表现优异。

主要结论与未来展望 [page::19]

• BERT模型可以合理预测分析师研报情感，构建的情感因子在多种测试框架下表现优异，且调整因子sentiadj能体现更多增量信息。

- 研报情感因子具备实用的投资价值，TOP80组合回测业绩突出。

• 未来可考虑针对行业特征训练多模型，或进行领域自适应改进，以提升模型泛化能力。

- 风险提示包括历史表现不代表未来表现，语义结构假设的局限，及模型可解释性工具的简化风险。

金工研究报告详尽分析报告 —— 基于BERT的分析师研报情感因子构建与测试（华泰证券，2021年01月）

---

一、元数据与报告概览

• 标题：基于 BERT 的分析师研报情感因子华泰人工智能系列之四十一

- 作者及联系方式：
- 林晓明，研究员，linxiaoming@htsc.com
- 李子钰，研究员，liziyu@htsc.com
- 何康，研究员，hekang@htsc.com
- 王晨宇，联系人，wangchenyu@htsc.com

• 机构：华泰证券股份有限公司

- 发布日期：2021年01月18日

• 主题：利用自然语言处理（NLP）技术中的BERT模型构建情感因子，从分析师研报文本提取情感信息，用于股票选股因子构建和回测。

报告核心主张

本文创新性地基于BERT模型，构建了两种研报情感因子——senti与其调整版本sentiadj，系统测试表明两种因子在沪深300、中证500和全市场均表现出一定的预测能力，尤其sentiadj因子能体现出更多增量信息。此外，应用senti因子构建的TOP80选股组合显示了优异的绝对收益表现，2019年和2020年分别实现超过50%和69%的收益率，充分验证了情感因子的较强实用价值。[page::0]

---

二、逐节深度解读

1. 基于BERT的文本因子构建流程（第3页）

• 关键观点：采用预训练中文BERT模型，利用Wind已标注情感的金融舆情文本进行微调，进而在未标注的分析师研报摘要上进行情感预测，最终构建情感选股因子。

- 逻辑：
- 先取得强泛化能力的预训练模型，再用带标签的领域相关数据做微调。
- 处理的是分析师研报这种异构未标注的文本数据，以研报摘要为重点文本。
- 用传统量化因子构建方法将情感预测结果形成持续的情感因子。

• 图表1解读：清晰展示了从预训练模型下载、微调、预测到因子构建的完整流程。[page::3]

2. 金融文本情感分类模型训练（第4-5页）

• 模型选择：选择了相较于标准BERT-base更轻量的RoBERTa-tiny-clue模型，拥有4层Transformer，参数仅750万，极大加速训练，但仍保留了良好的表现。

- 数据准备：
- 采集了2017年1月至2020年9月的Wind金融新闻，筛选与A股相关且剔除行情类和过于情绪化标题的新闻。
- 采用新闻标题作为输入文本，情感已标注（正/负标签平衡）。

• 训练效果：

- 参数设置：学习率1e-5，训练5轮，最大文本长度500。
- 测试集准确率0.9833，AUC 0.9762，显示情感分类非常精准。

• 图表2、3、4解析：详细说明模型参数及训练样本构造，加大了研究的透明度。[page::4-5]

3. 微调模型预测研报情感与因子构建（第6-8页）

• 文本选择：聚焦朝阳永续数据库中2010-2020年间的分析师研报摘要，认为其浓缩且更适合情感分析。

- 文本预处理：
- 去转义字符，删除风险提示内容，按句号句分割摘要。
- 移除无意义文本，如“数据来源”等。

• 情感预测结果案例：

- 以“上汽集团投资主题”研报为例，BERT模型准确区分正负面词汇，且能打出概率评分。
- 通过LIT解释工具（Salience Maps），显示模型关注正面词“上升”“向好”、“稳健”，负面词“透支”“不容乐观”“竞争加剧”“下滑”等。
- 说明模型预测情感的可解释性和合理性，贴近人工判断。

• 因子senti构建方法：

- 取模型输出正面概率减去0.5，使中性靠近0。
- 对每个交易日，采用过去90天研报摘要的加权平均情感分数（线性衰减权重）计算个股情感得分。

• sentiadj调整因子：

- 由于正面样本数量约是负面3倍，负面情感权重大幅提升（负面得分乘3），增强负面信号权重。

• 对比因子：

- reportscore（研报评分）和reportnum（研报数量）同样用90天窗口及线性权重计算。

• 图表6-10详细显示BERT情感判断、可解释性和加权计算示意，体现技术细节与操作透明度。[page::6-8]

4. 研报情感因子测试（第9-17页）

• 测试框架（见图表12）：

- 从因子覆盖度、行业分布、相关性、单因子效能（回归法、IC值分析、分层回测）、行业内选股能力多维度全面评估因子表现。

• 覆盖度分析：

- 覆盖度最高的为沪深300成分股（接近90%），中证500次之，全市场稍低（约40%-70%不等）。
- 行业内，金融、银行、食品饮料等行业覆盖度较高，综合行业、综合金融覆盖度较低。

• 行业间差异：

- 2020年底，食品饮料、电子及通信行业拥有较高的正面情感因子值（senti及sentiadj），表明行业研报情绪偏向积极。

• 相关性分析：

- senti与reportscore和reportnum相关系数较高（0.73+），说明其与传统研报评分、数量因子有较强重合。
- sentiadj相关度显著较低，表明其重点反映不同于传统因子的额外信息。

• 单因子效能测试方法：

- 回归法：考察因子暴露度与下期收益的因果关系，权重采用流通市值平方根，控制行业及市值中性化。
- IC值分析：衡量因子值与后期收益的相关性及稳定性，采用RankIC作为评价标准。
- 分层回测法：构造多空组合，观察因子分层组合收益差异，直观量化因子选股能力。

• 测试结果（图表18-28）：

- senti因子在绝大多数股票池中均表现出较好回归统计显著性，但其残差因子（剔除reportscore与reportnum信息后的部分）表现明显下降，说明其信息大部分可被传统评分与数量因子解释。
- sentiadj及其残差因子表现稳定且明显优于senti残差因子，体现了sentiadj可以捕获更多独立于传统因子的有效信息。
- 分层回测中，senti及sentiadj因子及残差因子的Top组相比Bottom组均获得显著超额收益和较好夏普比率，且sentiadj残差因子表现优于senti残差因子，验证了其选股价值。

• 行业内选股测试：

- 绝大多数行业中，senti和sentiadj因子均能带来正RankIC及部分行业多空组合正向超额收益，如石油石化、食品饮料、传媒、机械、银行等。
- 个别行业如通信、矿产等表现较弱，部分可能因因子覆盖度或行业特性限制。
- 覆盖度低的综合行业和综合金融行业未进行测试。

• 图表丰富，覆盖度、相关性、统计显著性及回测表现均明确展现，佐证结论具备统计与实际托底。[page::9-17]

5. 基于研报情感因子的TOP80选股组合构建与回测（第18页）

• 方法：

- 样本空间为中证800成分股。
- 回测区间2011年1月31日至2020年12月31日。
- 每月末选出senti因子得分最高的前80只股票，采用流通市值加权，下月初按收盘价调仓，双边交易成本0.08%。

• 回测结果：

- 组合年化收益率近15%，远超基准中证800（约5%）。
- 夏普比率0.58，风险调整回报表现良好。
- 最大回撤46.5%，略优于基准。
- 逐年收益波动较大，2019、2020两年绝对收益分别为51.61%、69.69%，显示显著的赢家收益聚集效应。

• 图表31-33展示净值曲线、绩效指标及逐年收益清晰传递组合优异绩效。[page::18]

6. 总结与未来展望（第19页）

• 报告总结：

1. 完整梳理了基于BERT的研报情感因子从模型选择、训练、预测到因子构建的流程，强调了NLP模型的可解释性。
2. 构建了senti与加权负面情感更重的sentiadj因子，与传统因子相关性与增量信息均得到验证。
3. 多种统计方法和回测方法系统验证两因子的实用价值，特别是sentiadj因子能够体现传统分析师因子之外的增量效果。
4. 基于senti因子所构建的TOP80组合展现出显著且持续的绝对收益能力。

• 未来改进方向：

- 金融新闻与分析师研报语义结构的假设尚未验证，未来可借助迁移学习中的领域自适应技术精细调优。
- 不同行业或子行业的研报语义差异较大，开发行业专属的NLP模型可能进一步提升因子表现。

• 风险提示：

- 研报情感因子依赖历史表现，未来可能失效。
- 假设金融新闻和分析师研报情感结构一致性未必完全成立。
- 模型可解释性工具LIT存在简化风险。

• 报告践行了学术严谨与实证结合的创新探索，提出了前沿数据与AI结合的量化投资工具。[page::19]

---

三、图表深度解读（精选）

• 图表1（第3页）：显示了基于BERT的研报文本因子构建流程，从预训练、微调，到文本情感预测，最后生成选股因子，结构清晰，流程完整。
• 图表2（第4页）：RoBERTa-tiny-clue相对于标准BERT-base，在模型层数、参数量、模型大小方面更轻量，保证了训练速度，适合金融领域文本情感分类任务。
• 图表5（第6页）：示例研报摘要语句及对应情感预测概率，展示BERT模型能有效区分正负面句子，且概率值量化情感强度，支持后续因子构造。
• 图表6~9（第7页）：借助Salience Maps展示模型关注关键词，直观体现模型情感判别机制，验证模型的可解释性及合理性。
• 图表10（第8页）：示意因子线性衰减加权求和的计算方法，强调更近期研报情感在因子构建中权重更高，体现时序信息的重要性。
• 图表13~14（第9-10页）：研报情感因子覆盖率在股票池和行业层面差异明显，沪深300成分股覆盖率最高，金融与消费行业覆盖度表现较优。
• 图表15~16（第10-11页）：不同行业的senti和sentiadj因子值，反映行业间研报积极度差异，食品饮料、电子、通信等行业研报更为积极。
• 图表17（第11页）：因子相关系数矩阵展示senti与传统研报评分因子（reportscore、reportnum）的高相关性，sentiadj则较为独立，具备补充信息。
• 图表18（第13页）：回归法及Rank IC值分析，定量证明senti因子有效但信息重叠，sentiadj及其残差因子独立性和稳健性更强。
• 图表19~25（第13-15页）：分层回测各种股票池的多空组合收益，清晰展示因子收益递减规律，sentiadj的分层选股能力优于senti残差。
• 图表26~28（第15-16页）：残差因子TOP组合净值曲线，进一步确认sentiadjres组合获得更优的超额收益。
• 图表29~30（第16-17页）：行业内的多空组合绩效详情，揭示因子在不同行业的选股效果，辅以RankIC均值、收益率、夏普率等多维指标，帮助理解行业特异性。
• 图表31~33（第18页）：TOP80组合净值及年度收益，展示senti因子在实盘中的可用性及其带来的显著绝对收益能力，未来可为投资策略提供参考。
• 图表34~35（第20页）：传统研报评分及数量因子的回归与分层测试结果，作为本报告因子比较的基准，突出情感因子与传统因子的异同及改进空间。[page::3,4,6,7,8,9,10,11,13,15,16,18,20]

---

四、估值分析

本报告无直接的公司或行业估值分析，采用的主要是因子构建、统计检验及投资组合回测方法。模型基于机器学习的文本情感分类，最终通过传统量化测评模型回归与IC值分析验证因子有效性，且通过多层次组合分层测算考察实盘潜力，不涉及DCF、P/E或EV/EBITDA等财务估值技术。

---

五、风险因素评估

1. 历史表现不代表未来：因子测试基于历史数据，未来市场结构变化可能导致因子失效。

2. 数据与语义假设：拟合假设金融新闻与分析师研报语义结构近似，若该假设不成立，模型迁移能力不足。

1. 模型简化风险：模型可解释性工具（LIT）存在可能的过度简化，影响对情感预测准确性和因子构建的理解。

4. 覆盖行业与样本限制：部分行业覆盖率较低，影响因子稳健性和广泛适用性。

1. 市场微观结构风险：未明确交易成本对策略的逐步影响，且量化策略带有市场流动性和交易滑点风险。

报告明确指出这些潜在风险，提示投资者需谨慎采用因子，并对模型和假设的局限性有充分认识。[page::0,19]

---

六、批判性视角与细微差别

• 因子构造的前提假设或可商榷：报告基于金融新闻数据训练的模型迁移到分析师研报文本，但二者文本语义和风格或存有差异，可能导致情感判定偏差，未来改进可进一步针对研报文本单独训练。

- 正面文本频数远超负面情况加权处理合理，但权重倍数显3倍略显主观，如何设定更科学权重有待未来探讨。

• senti因子较strongly与传统评分和数量因子高度相关，可能反映多余信息，虽通过残差因子减少相关性但在某些股票池展示有限增量，需警惕实际单独贡献有限。

- 模型可解释性部分只提供少量案例，整体是否普适尚待观察。

• 研报覆盖度行业差异大，部分领域因子表现不佳提醒应用时需行业分化考虑。

- 回测结果优异，但波动率和换手率均较高，实操需结合资金规模和风险管理考虑。

• 风险提示充分，但未提及策略面临的宏观经济突变风险或监管政策变化影响。

- 估值部分缺失，若后续整合因子进多因子模型，估值及风险调整需完善。

---

七、结论性综合

本报告系统性展示了利用先端NLP模型BERT从分析师研报摘要文本中提取情感信息的新因子构建路径，创新地提出了senti与调整负面权重的sentiadj因子。大量实证测试覆盖因子覆盖度、行业差异性、统计显著性、积分相关性及多种组合回测方法，验证了情感因子的有效性和可靠性。尤其是sentiadj因子的残差部分显示出比传统研报评分和数量因子更多的独特信息，具备较强的增量投资价值。基于senti因子的TOP80策略组合在过去近十年整体实现接近15%的年化收益，且在近两年收益表现尤为突出，表明情感因子有助于捕捉市场热点和投资机会。

研究过程技术细节详实、数据处理严谨、模型解释合理，部分章节辅以丰富图表支持数据及结论，有效增强报告可信度。风险提示覆盖数据、模型和策略层面，体现了审慎功底。未来可着力于领域适应、行业细分模型训练及多因子集成优化。

综上，报告呈现出一条结合人工智能与量化金融实践的创新路径，情感因子对增强研报文本挖掘及投资信号捕获具有实际应用潜能，推荐关注此类因子在当前金融市场数据应用中的潜力和风险。[page::0,3,6,9,13,18,19]

---

附录

• 报告尾页详细披露研究所声明、免责声明及法律合规相关信息，保障研究合规性和透明度。[page::21-23]

---

关键词解释与拓展

• BERT（Bidirectional Encoder Representations from Transformers）：一种基于Transformer结构的深度双向语言表征模型，擅长处理上下文关系复杂的语言建模任务，是目前自然语言处理中最先进的预训练模型之一。
• 情感因子（Sentiment Factor）：通过分析文本中的情绪倾向（正面、负面）而得出的量化指标，反映市场情绪对股票价格的潜在影响。
• 微调（Fine-tuning）：在已经预训练好通用模型基础上，使用领域相关标注数据对模型进行再训练，以提升其特定任务表现。
• LIT（Language Interpretability Tool）：谷歌开源的模型可解释性工具，用于分析和可视化NLP模型对文本的预测依据，增强模型内部机制透明度。
• IC（Information Coefficient）：指标因子预测股票未来收益能力的相关系数，越高表明因子预测有效性越强。
• 分层回测：按照因子值对股票进行排序并分组，观察不同分组的收益率差异，评估因子预测收益的能力。
• 残差因子（Residual Factor）：剔除与其他因子的共同部分后剩余的因子成分，用于探究因子的独立贡献。

---

本分析致力于为投资者和策略研究者提供全面深入的理解基础，助力基于文本情感的量化投资策略优化与实用化发展。

报告