《Engineering Applications of Artificial Intelligence》：An automatic construction of a financial sentiment lexicon
编辑推荐：
研究人员针对由10-K与10-Q报告构成的庞大金融语料，研究了金融情感词典（sentiment lexicon）的自动构建方法。为此，研究人员开发了两种神经网络方案：其一是分类前馈神经网络（classification feed-forward neural
研究人员针对由10-K与10-Q报告构成的庞大金融语料，研究了金融情感词典（sentiment lexicon）的自动构建方法。为此，研究人员开发了两种神经网络方案：其一是分类前馈神经网络（classification feed-forward neural network），其二是回归前馈神经网络（regression feed-forward neural network）。对于10-K或10-Q表单的情感标签，研究人员选取对应公司股价收益的变化作为标注依据。此外，研究人员构建了基于广义自回归条件异方差（Generalized Autoregressive Conditional Heteroskedasticity, GARCH）的支持向量机（Support Vector Machine, SVM）与支持向量回归（Support Vector Regression, SVR）模型，并将所构建情感词典整合其中，用以预测股票收益波动率并评估词典性能。相较于采用前沿方法自动构建的情感词典，研究人员所得词典表现更优；虽略逊于人工构建的情感词典，但因其自动构建特性，后续维护成本显著降低。
研究背景方面，随着线上数据爆发式增长，金融情感分析在资产定价与风险管理中的价值日益凸显。现有研究指出，领域专属情感词典优于通用词典，因“risk”“liabilities”等词在金融语境中未必含负面情感。传统金融词典（如Loughran and McDonald于2011年手工构建的词典）准确但维护困难，而已有自动方法多面向StockTwits等短文本，难以适配10-K与10-Q等长篇监管文件。为此，研究人员从美国证券交易委员会（SEC）的EDGAR系统获取1994至2018年278,055份10-K与10-Q报告（覆盖13,696家上市公司），匹配CRSP与Compustat的日度股价数据，以财报披露后一季度个股收益符号或连续收益值作为远距离监督标签，开展金融情感词典自动构建及波动率预测研究。该研究发表于《Engineering Applications of Artificial Intelligence》。
关键技术方法上，研究人员将语料按时间切分为2000至2013年训练集与2014至2018年测试集，剔除 filing 滞后超6个月、正文少于2000词或关键条目（Item 1A/7/7A）少于200词的样本；构建两类前馈神经网络词向量：分类版（Classification Fin-SentiLex）以收益正负为二值标签，回归版（Regression Fin-SentiLex）以连续收益值为标签，每个词输出正、负二维情感向量；继而以文档情感得分结合GARCH(1,1)残差项作为特征，训练SVM判断未来波动率升降、SVR预测波动率数值，并与Loughran-McDonald人工词典及Vo and Zhang于2016年自动词典对比。
研究结果部分，引言指出金融情感词典是情感分析算法最核心资源，长篇监管文件情感自动量化存在空白。第2节相关工作中，研究人员综述词典法、统计法及机器学习法，指出Tang等人于2014年、Vo and Zhang于2016年等工作多基于短文本远距离监督，而本研究首次将连续数值变量（股价收益）作为长文本情感标签。第3节数据表明，过滤后训练集218,171份、测试集59,884份，股票收益均值0.07、波动率均值0.11，文档平均词数约3万。第4节方法论中，研究人员定义季度波动率σ[t-n,t]=√{∑i=t-nt(R[i-1,i]-R?)2/n}，R?为区间均值；神经网络隐藏层将词映射为二维情感向量并聚合成文档分数。第5节基准模型与第6节结果显示，Regression Fin-SentiLex在SVR波动率预测中的MSE低于分类版与Vo-Zhang词典，仅次于Loughran-McDonald人工词典；Classification Fin-SentiLex在SVM方向分类中F1接近人工词典；GARCH-SVM/SVR框架证实财报情感对披露后季度收益波动率有显著解释力。
讨论与结论部分，研究人员强调：自动构建的Regression Fin-SentiLex首次以连续股票收益变动为标签，兼顾情感极性与强度，在波动率预测任务上超越既有自动词典，且因可随语料更新而具备长期维护优势；虽性能略不及人工词典，但在可解释性与推理速度上更适配金融场景，避免了FinBERT等黑箱模型不可读字典的缺陷。研究证实10-K与10-Q文本情感经由GARCH-SVM/SVR可有效建模为风险信号，为监管文件情感挖掘提供了可复现的神经网络词典范式。
