情緒識(shí)別技術(shù)在期貨定價(jià)領(lǐng)域的應(yīng)用

王彥博　郭永勝　曾渡　楊璇

科技手段極大地解放了人力，助力金融機(jī)構(gòu)為客戶提供更為及時(shí)、便捷、智能的金融服務(wù)，然而，金融領(lǐng)域中的投資研究工作的自動(dòng)化和智能化發(fā)展仍有研發(fā)提升空間。實(shí)際上，人工智能技術(shù)在投資研究領(lǐng)域具有很大的應(yīng)用價(jià)值。一方面，針對(duì)結(jié)構(gòu)性數(shù)據(jù)，以RPA（機(jī)器人流程自動(dòng)化）為代表的智能技術(shù)能夠?qū)?shù)據(jù)進(jìn)行自動(dòng)化處理，從而減少基礎(chǔ)的重復(fù)性工作，并提升對(duì)數(shù)據(jù)存取、調(diào)用、加工、分析等數(shù)據(jù)處理的效率和準(zhǔn)確性;另一方面，針對(duì)非結(jié)構(gòu)性數(shù)據(jù)，以NLP（自然語(yǔ)言處理）為代表的智能技術(shù)能夠在更加廣泛的金融投資信息來(lái)源上，更好地處理規(guī)模龐雜但極具價(jià)值的非結(jié)構(gòu)性及多模態(tài)信息。鑒于大多數(shù)與金融投資相關(guān)的信息常以文本的形式發(fā)布，運(yùn)用文本挖掘及NLP將相關(guān)文本信息轉(zhuǎn)化為金融投資建議頗具前景。當(dāng)前，NLP相關(guān)技術(shù)被較為廣泛地運(yùn)用于語(yǔ)音識(shí)別、機(jī)器翻譯、輿情分析、智能客服等領(lǐng)域。本文通過(guò)運(yùn)用NLP中的情緒識(shí)別技術(shù)對(duì)于“股吧”評(píng)論的文本信息進(jìn)行分析，生成與金融投資相關(guān)的情緒變量，探索對(duì)股指期貨定價(jià)理論值與實(shí)際值之間偏差的解釋。

股指期貨定價(jià)與自然語(yǔ)言處理研究發(fā)展

投資者情緒是股指期貨定價(jià)偏差的重要影響因素

根據(jù)《中金所年度市場(chǎng)概況》，2020年滬深300指數(shù)期貨累計(jì)成交量達(dá)到39.4萬(wàn)億元，占全部金融期貨交易的34.12%。理論上期貨價(jià)格可由現(xiàn)貨價(jià)格和無(wú)風(fēng)險(xiǎn)利率直接計(jì)算得出，由于金融期貨不需要進(jìn)行實(shí)物交割，所以金融期貨市場(chǎng)交易價(jià)格與理論值之間原則上應(yīng)偏差不大。然而實(shí)證分析顯示，根據(jù)期貨定價(jià)公式得到的期貨價(jià)值理論值和實(shí)際值之間往往不一致，其中的差值一方面來(lái)自交易成本和市場(chǎng)機(jī)制，另一方面則來(lái)自由投資者情緒生成的非理性市場(chǎng)因素。

投資者面對(duì)復(fù)雜的市場(chǎng)環(huán)境，無(wú)法做出完美的理性決策;同時(shí)，由于情緒、偏見(jiàn)、固有思維模式等因素，投資者的選擇有可能來(lái)自某種非理性的行為模式，這可能造成期貨交易價(jià)格會(huì)長(zhǎng)時(shí)間的偏離理論價(jià)格。隨著行為金融領(lǐng)域研究的發(fā)展深入，非理性投資者的噪聲交易行為會(huì)對(duì)市場(chǎng)價(jià)格產(chǎn)生顯著并且持續(xù)的影響，該觀點(diǎn)已經(jīng)在學(xué)術(shù)上得到論證。有學(xué)者利用上證50指數(shù)建立VAR模型，從理論和實(shí)證的角度均證明噪聲與股票市場(chǎng)波動(dòng)存在因果關(guān)系。隨著衍生品市場(chǎng)的興起，期權(quán)期貨等產(chǎn)品中投資者情緒的影響也開(kāi)始受到研究者的關(guān)注，研究人員通過(guò)實(shí)證分析發(fā)現(xiàn)，滬深300股票指數(shù)和股指期貨都受到投資者關(guān)注的單向溢出影響。從目前的學(xué)術(shù)研究來(lái)看，相關(guān)實(shí)證分析中大多采用間接觀測(cè)的角度來(lái)得到投資者情緒指標(biāo)，或者是通過(guò)尋找代理變量來(lái)支持發(fā)現(xiàn)情緒與資產(chǎn)價(jià)值的相關(guān)性。由于對(duì)于投資者的情緒缺乏較為準(zhǔn)確的直接度量指標(biāo)，相關(guān)的研究成果難以有效應(yīng)用到現(xiàn)實(shí)的金融投資和資產(chǎn)管理業(yè)務(wù)中。目前，對(duì)于投資者情緒的測(cè)度大多采用簡(jiǎn)易指標(biāo)做代理變量的方法，用一些受到投資者情緒影響的可度量變量來(lái)進(jìn)行分析，例如交易量、換手率、封閉式基金折價(jià)率等?？傮w來(lái)說(shuō)，這些代理指標(biāo)的缺陷在于直接性、準(zhǔn)確性和時(shí)效性，故本文嘗試通過(guò)對(duì)于投資者言論的輿情分析直接構(gòu)建可量化的情緒指標(biāo)值，以支持相關(guān)研究。

NLP技術(shù)發(fā)展

NLP領(lǐng)域常用的算法模型有文本分詞、TF-IDF方法、POS詞性標(biāo)注、句法分析、主題提取、余弦文本相似性計(jì)算、文本摘要、命名實(shí)體識(shí)別等。2018年，Google推出BERT預(yù)訓(xùn)練模型，在多項(xiàng)NLP任務(wù)上都取得了極佳的應(yīng)用效果;不少學(xué)者也從學(xué)術(shù)角度論證了BERT模型的優(yōu)越性。有學(xué)者通過(guò)實(shí)證分析發(fā)現(xiàn)，BERT模型在輿情文本分類任務(wù)上相對(duì)于傳統(tǒng)模型具有顯著優(yōu)勢(shì);也有學(xué)者對(duì)銅品種的行情預(yù)測(cè)文本構(gòu)建期貨市場(chǎng)投資者情緒指數(shù)，發(fā)現(xiàn)BERT模型相對(duì)于經(jīng)典分類算法在各項(xiàng)評(píng)價(jià)指標(biāo)上有10%左右的提升。從目前的研究來(lái)看，大多數(shù)研究更多聚焦于BERT模型本身的精準(zhǔn)性、召回率等評(píng)價(jià)指標(biāo)，本文嘗試通過(guò)BERT模型構(gòu)建情緒因子，觀察情緒因子在投資模型中的表現(xiàn)，從而為進(jìn)一步開(kāi)展量化投資打下基礎(chǔ)，探索拓寬NLP相關(guān)技術(shù)應(yīng)用視野。

基于自然語(yǔ)言處理技術(shù)的期貨定價(jià)實(shí)證研究

本文選取2016年1月11日至2021年3月3日數(shù)據(jù)，以期貨定價(jià)偏差作為研究對(duì)象，基于“股吧”App評(píng)論數(shù)據(jù)，采用BERT和LSTM模型分別構(gòu)建出兩個(gè)投資者情緒因子，通過(guò)回歸模型觀測(cè)兩個(gè)情緒因子對(duì)于期貨定價(jià)偏差的解釋力度。其中，期貨價(jià)格、總成交量、指數(shù)收盤(pán)價(jià)、成分股交易量、無(wú)風(fēng)險(xiǎn)利率等金融指標(biāo)均取自Tushare財(cái)經(jīng)數(shù)據(jù)庫(kù)，投資者評(píng)論數(shù)據(jù)從App公開(kāi)網(wǎng)站上獲取。

根據(jù)無(wú)套利原理構(gòu)建期貨理論價(jià)格

其中，St為現(xiàn)貨價(jià)格，F(xiàn)t為期貨價(jià)格，r為連續(xù)時(shí)間無(wú)風(fēng)險(xiǎn)利率，d為股息支付率，T為到期時(shí)間。在對(duì)滬深300股指期貨的實(shí)證研究中，期貨價(jià)格和實(shí)際價(jià)格之間并不完全一致;同時(shí)，在不同的時(shí)間段其差額有所不同。為了便于后續(xù)計(jì)量分析，本文采用相對(duì)指標(biāo)，用滬深300股指期貨定價(jià)偏差除以當(dāng)日滬深300指數(shù)用以作為被解釋變量。

無(wú)風(fēng)險(xiǎn)利率的選取

無(wú)風(fēng)險(xiǎn)利率的選取有多種方法，國(guó)外研究通常選取不同期限國(guó)庫(kù)券收益率與同業(yè)拆借利率作為無(wú)風(fēng)險(xiǎn)利率。在國(guó)內(nèi)研究中，往往采用二級(jí)市場(chǎng)上國(guó)債的收益率、同業(yè)拆借利率、大額存單利率等。本文選取上海銀行同業(yè)拆借利率（Shibor）作為無(wú)風(fēng)險(xiǎn)利率。

情緒因子構(gòu)建

不少研究會(huì)采用交易量、交易頻率等指標(biāo)來(lái)度量市場(chǎng)情緒，本文除了這些因素外，還通過(guò)股評(píng)的文本信息直接構(gòu)建投資者情緒因子用以解釋定價(jià)偏差。本文從相關(guān)股吧中收集了滬深300指數(shù)區(qū)的評(píng)論數(shù)據(jù)，并采用BERT和LSTM兩種方法分別計(jì)算得到具體某一條評(píng)論的情緒值。該情緒指標(biāo)值趨近零時(shí)意味著消極負(fù)向，而趨近1時(shí)則意味著積極正向。

關(guān)于進(jìn)一步分析處理，本文主要匯總了每一個(gè)交易日評(píng)論的數(shù)量（num），用以度量討論的參與情況;以當(dāng)日所有評(píng)論的情緒指數(shù)求平均值（emotion），用以度量當(dāng)日投資者整體情緒情況;計(jì)算出評(píng)論中較為極端的評(píng)論數(shù)量占比（index），用以度量當(dāng)日情緒的強(qiáng)烈程度。

搭建回歸模型

考慮到交易量和情緒因子，本文構(gòu)建的回歸模型如下：

其中，vol是滬深300股指的交易量，vol_futures是期貨的交易量，回歸分析結(jié)果見(jiàn)表1。

實(shí)證分析結(jié)果

首先，投資者情緒對(duì)期貨理論價(jià)格與實(shí)際價(jià)格之間的偏差存在較為顯著的影響。BERT和LSTM模型的擬合優(yōu)度R2分別是0.640和0.629，投資者情緒對(duì)于期貨定價(jià)偏差具有解釋力度。其中，代表投資者極端評(píng)論的情緒指標(biāo)在BERT和LSTM兩個(gè)模型中表現(xiàn)均較為顯著。

其次，從模型對(duì)比來(lái)看，BERT模型構(gòu)建的情緒因子效果更佳。在相同的回歸模型中，采用BERT模型構(gòu)建出的情緒因子相較于LSTM模型構(gòu)建出的情緒因子解釋力度更強(qiáng)，同時(shí)模型的整體解釋力度（R2）也有所提高，并且交易量的解釋力度（P值）也得到提升，這說(shuō)明BERT模型在測(cè)量投資者情緒方面具有較好表現(xiàn)。

結(jié)語(yǔ)

本文通過(guò)將NLP技術(shù)運(yùn)用于期貨定價(jià)領(lǐng)域，采用實(shí)證研究的方法，一方面印證了行為金融學(xué)理論中投資者情緒對(duì)于定價(jià)偏差的影響;另一方面，通過(guò)生成量化策略中的情緒因子，有助于構(gòu)建更為完備的策略以應(yīng)用于其他標(biāo)準(zhǔn)化大類資產(chǎn)的投資中。未來(lái)，筆者將進(jìn)一步深入對(duì)該領(lǐng)域的研究，拓寬文本信息的來(lái)源、種類等，將多平臺(tái)、多模態(tài)以及新聞?shì)浨榈刃畔⒓{入研究。

（龍盈智達(dá)〔北京〕科技有限公司陳生、宮雅菲、王一多、喬新惠對(duì)本文亦有貢獻(xiàn)）

（作者單位：龍盈智達(dá)〔北京〕科技有限公司）