摘要
从中国金融新闻中提取的原始情感数据存在较多噪声，难以直接用于市场预测。本研究提出了一种数学过滤框架，可将这类含噪声的中国金融新闻情感数据转化为可用于金融市场预测的可靠量化信号。研究从中国金融新闻中构建了三种每日情感指标：情感均值、情感离散度以及极性失衡度。针对每种指标分别应用了七种过滤方法，包括指数平滑法、自回归过滤法、ARIMA过滤法、移动平均平滑法、离散小波变换法、Savitzky–Golay过滤法以及卡尔曼过滤法。将经过过滤后的七种输出结果取平均值，从而得到综合平滑后的情感信号。随后使用支持向量机和神经网络对比了原始情感信号与过滤后情感信号在预测股票指数对数收益率和实际波动率方面的性能。过滤处理使情感均值的标准差降低了48%，情感离散度降低了55%，极性失衡度降低了50%，而均值水平则保持稳定。在所有模型配置下，过滤后的情感信号表现均优于原始情感信号。其中实际波动率的改善幅度大于收益率：最优的支持向量机将波动率预测误差降低了16.9%，收益率预测误差降低了5.8%。具有20个隐藏节点的适度规模神经网络在预测这两种指标时均取得了最佳效果。数学过滤技术能够从中国金融新闻中提取出稳定且具有参考价值的情感信号。对于预测市场波动率而言，过滤后的情感信号比原始情感信号更为有效，而且这种优势在多种机器学习模型中都得到了体现。
