📚 课程目录第4章金融领域词典与情感词表

4. 金融领域词典与情感词表

在金融新闻情绪因子构建中，通用情感词典往往表现不佳。原因很直接：金融文本中的情绪表达高度领域化。例如“liability”在通用语境中可能只是“负债”这一中性词，但在金融语境中常带有负面含义；“tax”在普通英语中偏中性，在金融文本中却可能被投资者解读为成本上升的负面信号。因此，构建情绪因子的第一步，不是急着跑模型，而是选对或造对情感词表。

一、核心原理：为什么金融领域需要专用词典

通用情感词典（如LIWC、Opinion Lexicon）主要基于日常语言训练，其词极性判断与金融文本的实际市场反应存在系统性偏差。Loughran和McDonald在2011年对10-K年报的研究中发现，通用词典中约四分之三被标记为负面的词，在金融语境中其实是中性词。这意味着，如果直接套用通用词典，情绪因子的信噪比会大幅下降。

金融领域词典的核心原理可以概括为三点：

语境重定义：同一词汇在金融语境中的极性可能与通用语境相反或中性化。
词表分层：将词分为正面、负面、不确定性、诉讼、强语气、弱语气等类别，而非简单二分。
可扩展性：词典需要随市场语言演化而更新，尤其是中文金融文本中新词、缩略语和网络化表达层出不穷。

关键结论：金融情绪因子的质量，首先取决于词表与文本领域的匹配度，其次才是算法复杂度。词表不对，模型再强也白费。

二、主流金融情感词典概览

目前实践中使用最广泛的两类词典是英文的Loughran-McDonald词典和中文金融情感词典。两者在构建方法、覆盖范围和适用场景上各有侧重。

词典名称	语言	核心类别	适用场景	主要局限
Loughran-McDonald	英文	负面、正面、不确定性、诉讼、强/弱语气	年报、季报、英文财经新闻	不覆盖中文；对社交媒体文本偏保守
中文金融情感词典（如知网、大连理工、CFSD）	中文	正面、负面、程度副词、否定词	中文财经新闻、股吧、研报	词表规模有限；更新频率低；歧义处理弱
领域自适应扩展词表	中/英	基于种子词+语料扩展	特定市场、特定时期、特定品种	依赖标注质量；可能过拟合

Loughran-McDonald词典的最大价值在于其“金融语境校准”。它明确区分了“negative”和“uncertainty”，因为不确定性在金融文本中并不等同于负面，但会显著影响波动率。中文金融情感词典则更依赖人工标注和种子词扩展，常见做法是以知网HowNet情感词为基础，再结合金融语料进行筛选。

三、领域适配与扩展方法：从通用到专用

直接使用现成词典往往不够，尤其是中文金融新闻。领域适配的目标是：让词表更贴近目标语料的真实情绪表达。以下是一条可落地的扩展流程：

种子词选择：从现有金融词典中选取高置信度的正面和负面词各100～200个。
语料收集：抓取目标领域的金融新闻、研报或公告，形成百万级句子语料。
词向量训练：使用Word2Vec或FastText训练领域词向量。
候选词扩展：计算种子词与语料中其他词的余弦相似度，取Top-N作为候选。
人工审核：对候选词进行极性标注，剔除歧义或领域不相关词。
迭代优化：将新词加入词表，重新计算情绪得分，观察因子IC变化。

# 示例：基于词向量的金融情感词扩展
from gensim.models import Word2Vec

# 假设已分词语料 sentences
model = Word2Vec(sentences, vector_size=200, window=5, min_count=5)

# 种子词
seed_positive = ["增长", "盈利", "超预期", "回暖"]
seed_negative = ["亏损", "下滑", "违约", "退市"]

# 扩展候选
def expand(seed_words, topn=50):
    candidates = {}
    for word in seed_words:
        if word in model.wv:
            for w, score in model.wv.most_similar(word, topn=topn):
                candidates[w] = candidates.get(w, 0) + score
    return sorted(candidates.items(), key=lambda x: -x[1])

print(expand(seed_positive)[:20])
print(expand(seed_negative)[:20])

实操建议：扩展词表时，优先保留在金融语料中高频出现且极性稳定的词。对于“波动”“调整”“震荡”这类中性偏不确定的词，建议单独归入“不确定性”类别，而不是强行归为正面或负面。

四、案例与场景：中文财经新闻情绪因子构建

假设我们要构建一个针对A股财经新闻的日频情绪因子。步骤如下：

以Loughran-McDonald的负面词表为参考，翻译并筛选出中文对应词。
合并中文金融情感词典中的正面和负面词。
加入否定词表（如“不”“没有”“并非”）和程度副词表（如“大幅”“轻微”“显著”）。
对每条新闻计算情绪得分：score = (正面词数 - 负面词数) / 总词数，并处理否定和程度修饰。
按日聚合，得到市场情绪因子，再与未来收益率做IC检验。

在这个过程中，词表的覆盖率和极性准确性直接决定因子的有效性。如果负面词漏掉了“商誉减值”“质押爆仓”等中文金融特有表达，因子就会系统性低估负面情绪。

五、常见误区与复盘

误区一：直接翻译英文词典。英文负面词翻译成中文后，极性可能漂移。例如“liability”译为“负债”，在中文语境中并不必然负面。必须用中文语料重新校准。

误区二：忽略否定和程度修饰。“不及预期”和“远超预期”都包含“预期”，但情绪完全相反。没有否定词和程度副词处理，情绪得分会严重失真。

误区三：词表一劳永逸。金融语言在演化，“暴雷”“杀猪盘”“市值管理”等词的情绪含义随市场变化。建议每季度用新语料做一次扩展和审核。

误区四：把不确定性当负面。“不确定”“可能”“或许”在金融文本中影响的是波动率，而非方向。混入负面词表会降低因子对收益率的预测力。

复盘时，建议用IC、ICIR和因子分层回测来检验词表质量。如果加入新词后IC没有提升，说明扩展词与目标收益无关，应果断剔除。词表不是越大越好，而是越准越好。

总结来说，金融领域词典与情感词表是情绪因子构建的地基。Loughran-McDonald词典提供了英文金融语境的校准范式，中文金融情感词典提供了基础覆盖，而领域自适应扩展方法则让词表真正贴合你的数据和任务。三者结合，才能构建出有预测力的金融新闻情绪因子。