《Borsa Istanbul Review》：Technical Indicators and LLM-Validated Sentiment in Portfolio Construction
编辑推荐：
研究人员测试了基于规则的情绪方法能否近似大型语言模型（LLM）分类，并在与技术指标结合时支持股权投资组合的构建。利用关于15只高关注度美国股票（2018-2024年）的440万条推文，研究人员评估了使用三种预测模型构建的3060个每周重新平衡策略：极端梯度提升
研究人员测试了基于规则的情绪方法能否近似大型语言模型（LLM）分类，并在与技术指标结合时支持股权投资组合的构建。利用关于15只高关注度美国股票（2018-2024年）的440万条推文，研究人员评估了使用三种预测模型构建的3060个每周重新平衡策略：极端梯度提升（XGBoost）、支持向量回归（SVR）和随机森林。基于规则的情绪方法VADER和NLTK在六个公司的验证语料库中与ChatGPT、Claude和Gemini具有稳健的一致性，而TextBlob在正面情绪上表现强劲，但在负面类别验证上表现较差。主要的N=3 XGBoost-TextBlob+CCI仅多头投资组合，结合了TextBlob情绪与商品通道指数（CCI），在2019-2024年期间获得了461.3%的累积收益（夏普比率0.95）；N=5 VADER+RSI+CCI稳健性投资组合，加入了相对强弱指数（RSI），收益为445.7%（夏普比率1.12），显著的Fama-French五因子alpha为每年14.94%（p=0.034）。N=3的alpha在经济上很大（14.09%-15.95%），但统计功效较低。一个内部宇宙安慰剂测试（p ≈ 0.30）表明，高关注度股票的选择是表现的主要驱动因素，而情绪-技术信号提供了有条件的增量支持。JEL分类：C53；C58；G11；G14；G17；G41
**论文解读：技术指标与LLM验证情绪在投资组合构建中的应用**
**研究背景与问题**
金融市场每日将海量异构信息融入资产价格，但非结构化文本数据（尤其是社交媒体上零售投资者的实时讨论）如何转化为系统性回报可预测性，尚未完全理解。传统资产定价模型偏好简约性，依赖线性因子解释截面收益，但这系统性低估了高维非线性数据结构中的可预测性。机器学习模型（如梯度提升集成）能提取传统模型遗漏的非线性信号（Gu et al., 2020; Kelly et al., 2024）。然而，现有研究存在五个关键方法论缺口：1) 基于规则的情绪方法与大型语言模型（LLM）基准的比较有效性未在异质公司类型和话语环境中系统评估；2) 系统性预处理对X（原Twitter）上情绪信号质量的量化影响未明确；3) 情绪信号与技术指标在不同市场状态下的相互作用需进一步研究，尤其是动量振荡器作为记忆桥接机制；4) 投资组合alpha是否经得起无信号安慰剂检验及不同模型重新训练频率的稳健性；5) 表现是否真正反映情绪驱动的alpha，而非高关注度股票本身的回报特征。因此，研究人员开展本研究，以系统填补这些空白。
**开展的研究与结论**
研究人员构建并回测了3060个不同的投资组合策略，使用2018-2024年间15只高关注度美国股票的440万条推文。主要结论：结合情绪和技术指标的策略产生显著超额收益，其中N=3 XGBoost-TextBlob+CCI策略累积收益461.3%（夏普0.95），N=5 VADER+RSI+CCI稳健性策略收益445.7%（夏普1.12），Fama-French五因子（FF5）alpha为每年14.94%（p=0.034）。但高关注度股票选择是表现的主要驱动因素，情绪信号提供增量贡献。论文发表在《Borsa Istanbul Review》。
**主要技术方法**
样本队列来源：15只高关注度美国股票（特斯拉、苹果、亚马逊、英伟达、Meta、阿里巴巴、AMD、奈飞、波音、迪士尼、微软、谷歌、沃尔玛、星巴克、高盛），2018-2024年推特数据，原始440万条，经噪声过滤后84.6万条。主要方法：三个预测模型（极端梯度提升XGBoost、支持向量回归SVR、随机森林）使用扩展窗口；三个情绪方法（VADER、NLTK、TextBlob）；四个技术指标配置（仅情绪、+相对强弱指数RSI、+商品通道指数CCI、+RSI+CCI）；投资组合规模N=1到5，多空权重分配；每周重新平衡，基线模型每4周重新训练。使用六公司（特斯拉、高盛、沃尔玛、波音、微软、星巴克）LLM验证（5880条推文），评估与ChatGPT、Claude、Gemini的一致性。交易成本考虑2.5基点每笔交易，卖空成本2%年化。
**研究结果**
**4.1 通过大型语言模型的情绪验证：六公司多话语设计**
通过扩展验证从特斯拉单公司语料库到六公司平衡样本，发现VADER和NLTK在Claude和Gemini下LLM一致性最强（准确率约90%），TextBlob正面情绪表现良好但负面类别一致性弱（56-59%），表明其构造效度受限。
**4.2 噪声过滤与预处理效果**
噪声过滤将原始推特体积减少81%，并显著提高每周情绪-回报Spearman相关性（平均提高2.9-4.3个百分点）。对于N=1集中基准，预处理后累积回报提升46至371.8个百分点，其中TextBlob受益最大，因其对非金融语言的敏感性。
**4.3 基于情绪的投资组合表现**
**4.3.1 不同基数水平和分配类型下的表现分布**
分析显示N=3长仓策略平均夏普最高（0.384），长仓配置主导全样本期，反映美国股市结构性正漂移。
**4.3.2 主要分散化规格（N=3）和稳健性投资组合（N=5）**
XGBoost主导所有情绪方法；CCI增强几乎普遍出现在顶级策略中，支持H3（情绪与技术指标互补）。N=3 TextBlob+CCI策略累积收益461.3%，N=5 VADER+RSI+CCI策略收益445.7%，远超标普500的126.5%。N=1集中基准回报高达990.8%作为上界参考。
**4.4 探索性熊市制度分析：2022年事件**
2022年所有情绪方法收敛于同一最优投资组合（SVR_[情绪]+RSI+CCI_Long1-w=0.25_Short1-w=0.75），短腿方向准确率61.54%高于长腿50.00%，提供方向性一致但非确认性的套利不对称证据。
**4.5 资产定价验证与格兰杰因果分析**
**4.5.1 Fama-French五因子alpha**
N=3 TextBlob alpha为15.95%/年（p=0.088边缘显著），VADER和NLTK N=3 alpha约14%/年但不显著；N=5 VADER稳健性alpha为14.94%/年（p=0.034），提供主要统计锚点。
**4.5.2 格兰杰因果分析与特斯拉信号选择调和**
特斯拉在格兰杰检验中无显著滞后因果关系，但组合模型利用同期情绪和价格/动量变量进行横截面排序，其同期情绪-回报Spearman相关系数约0.25（p<0.001），说明选择基于当期信息而非滞后预测。
**4.5.3 特斯拉方向基准比较**
主策略回报远低于特斯拉被动多头（+1839.2%），TSLA beta约0.28-0.25，说明策略并非机械复制特斯拉方向。
**4.6 稳健性检验**
**4.6.1 多重假设检验与错误发现率**：FDR存活率>90%，White’s SPA检验（p<0.05）支持N=1基准。
**4.6.2 交易成本敏感性**：主要N=3规格在2.5-10基点交易成本下仍保持正收益，基准盈亏平衡点约34-40基点。
**4.6.3 市场冲击分析**：策略在1000万美元资产管理规模（AUM）下仍超基准，容量上限约1-2亿美元。
**4.6.4 模型重新训练频率敏感性**：锁定规格在不同重新训练频率（1,2,4,8周）均产生正收益，4周基线并非唯一有利选择。
**4.6.5 情绪衰减分析与记忆桥机制**：滞后0周情绪显著相关，滞后1周几无显著，证实快速日内衰减；RSI和CCI作为状态变量编码市场对前期情绪冲击的反应，实现记忆桥接。
**4.6.6 卖空成本压力测试**：混合多空配置在20%年化卖空成本下仍存活，但短仓重型配置在熊市外表现不佳。
**4.6.7 宇宙选择分析**：内部宇宙安慰剂测试（p≈0.30）显示高关注度宇宙本身产生强回报；更广泛宇宙排列测试（p<0.001）表明策略显著优于低关注度控制宇宙。三分分解：宇宙效应约85%，情绪信号效应约15%。
**4.6.8 时间样本外稳定性**：N=1基准在2023年样本外表现强劲，但TextBlob在2024年因股票选择时机不佳而落后。
**4.6.9 制度条件分析**：N=1基准在牛市周超额收益显著（p<0.01），熊市周不显著。
**总结与讨论**
研究结论：本研究通过系统构建和评估3060个投资组合策略，做出五个主要贡献。第一，构建了多公司LLM验证框架，表明VADER和NLTK在不同公司间具有稳健一致性，而TextBlob在负面情绪分类上弱。第二，量化了预处理对投资组合回报的实证影响，噪声过滤使N=1集中基准回报提高46-371.8个百分点。第三，在三层投资组合框架下记录了超额表现，N=5 VADER+RSI+CCI稳健性策略提供最强的因子调整alpha统计证据（14.94%/年，p=0.034）。第四，通过特斯拉基准分析排除了策略机械复制特斯拉方向的可能性。第五，熊市探索性分析提供了套利不对称的方向性一致证据。此外，情感衰减分析支持记忆桥机制，即RSI和CCI作为状态变量桥接日内情绪衰减与周度再平衡。两个宇宙选择分析表明，高关注度宇宙选择是主要驱动因素，但情绪-技术信号提供增量贡献。对于实践者，最可行的启示包括：预处理质量至少与情绪方法或模型选择同等重要；CCI作为记忆状态变量有助桥接日内情绪衰减；主要规格在2.5-10基点成本下保持正收益；策略容量约1-2亿美元；建议在高关注度股票段落实施此类策略。未来研究方向包括制度条件集成架构、对低关注度股票的测试、以及更精细的卖空成本模型。
