论坛散户观点有价值吗？——散户舆情选股投资手册

国金高智威，赵妍 2026-07-07 置信度: high

综合质量 4 /5

新颖性 4 /5

可复现性 3 /5

核心内容

构建了综合情感分类与主题分类的双轨舆情选股框架。情感端使用FinBERT2进行二分类，挖掘出具有情绪反转特征的数量、占比及变动类因子；主题端采用BERTopic结合大模型进行基本面、技术面等主题划分，发现主题结构比单纯情绪标签更具信息增量。两类因子相关性低，但在小市值中均表现更优。

经济逻辑

1. 情绪反转效应：散户高热度讨论（特别是正面情绪激增）往往意味着短期关注度见顶，后续股价易回落，在中小盘中定价失效更严重故收益更显著。2. 噪音交易者主导：技术面/情绪面讨论占比高的股票，噪音交易者多，未来表现差；基本面讨论占比高则蕴含价值信息，未来表现好。3. 非对称性：极端高情绪带来的负面反转效应远强于低情绪带来的反弹效应。

超额收益逻辑

超额收益来源于对散户情绪反转的逆向捕捉与对信息质量的识别。高正面情绪及高技术面/情绪面讨论占比代表了非理性的噪音交易，这种过度关注往往导致短期价格高估，随后发生均值回归产生负超额，且该效应在中小盘中更强。通过剔除尾部高噪音股票，规避了大幅回撤；同时基本面讨论占比高传递了有效价值信息，具有正向预测力。

构造细节 [factor]

因子定义

1. 正面情绪加速度 (pos_acceleration): 过去一周（T-7至T-1）正面情绪帖子数量变化率的差分（二阶导数），反映情绪升温速度。2. 90日正面情绪动量 (pos_momentum_90): 过去90日正面情绪帖子数量或占比的动量变化。3. 基本面占比因子: 周内被LLM标注为基本面主题的帖子数/总帖子数。4. 技术面/情绪面占比因子: 周内被标注为技术面/情绪面主题的帖子数/总帖子数。5. 各类数量变动/占比变动因子: 计算对应统计量在周度上的差分或环比变化。

处理流程

1. 原始数据清洗：标的对齐、剔除非原创、去重、非空过滤、保留中英文及数字。
2. 文本过滤：长度<4字符直接标记'未分类'，剔除高频股票代码词。
3. 情感分类分支：调用FinBERT2模型，将文本分为正面(约40%)、负面(约60%)。
4. 主题分类分支：使用Sentence-BERT生成文档向量 -> UMAP降维 -> HDBSCAN聚类 -> c-TF-IDF提取主题词 -> LLM对主题词进行归纳命名（基本面/技术面/情绪表达/行业政策/无关内容）。
5. 统计量计算：按周（T-7至T-1）按股票聚合，计算各情感/主题的帖子数量、占比、变动、加速度等统计量。
6. 因子构建与测试：标准化处理后进行IC测试及分位数组合回测。
7. 策略构建：剔除尾部高情绪负超额股票，合成情感与主题因子打分选股。

参数

回看窗口: T-7至T-1极短文本阈值: 4字符

数据输入

: (日频数据汇总为周频因子)

组合方式

情感分类系列因子与主题分类系列因子合成。因情感分类下因子尾部负超额显著，构建策略时剔除尾部负超额明显的股票。同时将主题分类合成因子作为噪音交易者主导程度的度量，在热门股与冷门股池中做差异化分析。

绩效

5.25%

沪深300年化超额收益率

1.12

沪深300信息比率

6.79%

中证500年化超额收益率

1.53

中证500信息比率

8.69%

中证1000年化超额收益率

1.78

中证1000信息比率

基准: 沪深300、中证500、中证1000

回测期: 2020年1月1日至2025年9月15日

策略在沪深300、中证500、中证1000中的年化超额收益率分别为5.25%、6.79%、8.69%，信息比率分别为1.12、1.53、1.78。随着市值下降，因子有效性提升，中小市值股票中情绪反转效应更明显。

收益归因

缺口: 报告未对策略超额收益进行系统性的收益归因分析，仅探讨了部分因子的非对称性及与风格因子的相关性。

稳健性

子样本稳定性: 在沪深300、中证500、中证1000三个不同市值的子样本中均进行了测试，表现出随市值下降因子有效性提升的稳定规律，中小盘超额收益更高。

风格偏差: 情感分类系列因子与风格因子中的技术类因子（如反转、波动率等）相关性较高。

整体框架在多个股票池中表现出良好的逻辑一致性和单调性，且在小市值股票中稳定性与预测能力更强。但需注意其对特定另类数据源的强依赖性。

数据依赖

所需数据: 子长科技提供的股吧金融论坛主帖文本数据（沪深300、中证500、中证1000成分股，累计超2亿条），涵盖2019年5月至2025年9月。

可复现性: hard

数据量极大且高度依赖特定数据供应商（子长科技），普通研究者难以获取完全一致的历史文本数据。复现需自行爬取股吧数据或采购商业数据库，且文本清洗与对齐难以完全复现。

新颖性评估 [新组合]

创新点在于将成熟的FinBERT2与先进的BERTopic+LLM流水线结合应用于中文金融论坛短文本，从'情绪如何'转向'讨论什么'，降低了纯大模型成本的同时，挖掘出主题结构这一新的Alpha维度。

不足与缺陷

数据源垄断性极强，难以独立复现验证。
文本情感分类仅有正/负二分类，缺乏对'灌水'和深度观点的权重区分。
策略构建中'剔除尾部负超额明显的股票'可能引入了前视偏差或过拟合风险（未说明剔除阈值是否样本外固定）。
主题分类在沪深300大盘股中失效，说明该逻辑受流动性及机构定价能力压制，策略容量有限。

可复用元素

BERTopic四阶段处理短文本的完整流水线设计。
使用LLM替代人工对HDBSCAN聚类结果进行主题归纳命名的方法。
将技术面/情绪面讨论占比作为'噪音交易者主导程度'度量的经济学解释。
发现舆情因子非对称性显著，Bottom组合负超额更强，据此进行风险剔除的思路。

启发

在处理海量非结构化文本时，采用轻量级专用模型（FinBERT2）+ 无监督聚类（BERTopic）+ LLM后处理的混合架构，平衡了效果与计算成本。
对于因子非对称性的处理，不一定要寻求完美对称的多空，而是直接在多头端剔除尾部风险股。
从'情绪正负'向'信息类型结构'转变，是挖掘另类数据Alpha的深水区。

改进方向

引入发帖者权重与网络拓扑特征：利用发帖者历史准确率、粉丝数或互动数构建权重，对帖子进行加权而非简单等权统计；同时使用图神经网络（GNN）分析股票间舆情的传染网络，构建舆情共振因子。

基于: 报告中提到'灌水'和情绪发泄类帖子信息含量低，若与高质量内容等权对待会稀释信号，且当前统计仅基于数量与占比。预期收益: 提高信噪比，减少噪音干扰，有望在沪深300大盘股池中挖掘出有效的主题类因子，扩大策略资金容量。

结合量价特征构建情绪分歧度因子：不仅统计正负面比例，而是计算多空情绪的分歧度（如正负情感帖子数量的标准差或熵值），并结合该股票当周的量价波动特征，构建情绪-量价共振反转因子。

基于: 报告发现舆情因子与风格因子中的技术类因子相关性较高，且情绪反转效应明显。预期收益: 剥离传统量价反转因子的暴露，提取纯情绪分歧带来的特异性Alpha，提升因子的独立性和IR。

复现计划

1. 数据采集：使用爬虫获取东方财富股吧沪深300、中证500、中证1000成分股2019.5-2025.9的主帖数据；2. 清洗对齐：按报告逻辑过滤转发、董秘回复，去重去空，剔除<4字符文本，构建股票与文本的映射表；3. 模型部署：本地部署FinBERT2模型进行情感二分类；部署Sentence-BERT+UMAP+HDBSCAN流水线，并调用API（如Qwen2.5/GPT-4）完成主题归纳；4. 因子计算：按周汇总T-7至T-1数据，计算正面情绪加速度、90日动量及各类主题占比；5. 回测验证：在2020.1-2025.9区间内进行周频调仓回测，检验IC及分位数组合的非对称性，最终合成多因子策略并执行尾部剔除。