llm情绪因子和GNN因子的学笔记
展开
首先是流动性收紧，昨天到全球的行情都同步的降温，显示情绪转头的倾向很明显。
A股的融资余额昨日新增61亿，还没有出现大幅减仓
美股VIX上涨到19.19，接近了20恐慌的警戒线，沃什点阵图鹰牌，2026预计加息一次。
总结来说，情绪降温，目前应转为防守模式，降低仓位，且转换为防御性资产
说下今天的因子，今天有两个因子重点跟进一下：
1、LLM新闻情绪因子
这个因此回测的超额达到了42.8%
最近比较火的因子， 白话来说，东吴的做法是把上市公司公布的调研纪要作为底层数据，用大模型进行打分，0-100。
最近这个因为比较火，最关键的点在于，以前大家对于这种模型的打分多以关键字统计作为处理，比如收入增加、利润增长等等。现在的模型是加入了LL的情绪分析，更加接近于人类的思考。比如营业收入增加300%，但是是因为去年基数很低，那这个信息传递的其实是比较中性的，并不是重大利好。
具体的提示词：
class SentimentPromptBuilder:
构造LLM情绪打分Prompt
SY STEM _PROMPT = 你是一位有15年经验的A股基本面投资分析师。
你的任务是：阅读一段关于某上市公司的新闻/公告/研报摘要，判断这条信息对该公司
未来1周的股价走势是利好、利空还是中性。
评分规则：
- +1.0：重大利好（如：业绩超预期50%+、获得独家牌照、行业政策重大扶持）
- +0.5：中等利好（如：业绩符合预期、新产品发布、获得大额订单）
- +0.2：轻微利好（如：管理层增持、获得小奖项、分析师小幅上调目标价）
- 0.0：中性或无实质影响（如：常规公告、人事变动但非核心岗位）
- -0.2：轻微利空（如：小幅减持、被问询但问题不大）
- -0.5：中等利空（如：业绩不及预期、核心高管离职、行业监管收紧）
- -1.0：重大利空（如：业绩暴雷、被ST/退市风险、核心产品被禁售）
关键原则：
1. 区分 表面利好 和 实质利好 。例： 营收暴增300%因去年同期基数极低 →中性偏负
2. 区分 假利空 和 真利空 。例： 因会计准则调整导致利润下降 →中性
3. 结合行业背景。例：光伏企业 产能扩张 在当前过剩周期→轻微利空
4. 投资确定性优于炒作热度。一字板涨停的垃圾股新闻→冷静分析基本面
5. 如果你无法判断，宁可给0也不要猜
def build_prompt(self, news_item: dict) -＞ str:
构造单条新闻的打分Prompt
return f 请对以下新闻进行基本面情绪打分：
【股票】{news_item.get(‘stock_name‘, ‘未知‘)} ({news_item.get(‘stock_code‘, ‘未知‘)})
【标题】{news_item[‘title‘]}
【正文】{news_item[‘content‘][:2000]} # 截断以控制token
【来源】{news_item[‘source‘]}
【时间】{news_item[‘timestamp‘]}
请输出JSON格式（不要多余文字）：
{{ score : 0.5, reason : 业绩超预期但已有充分预期，利好有限 , confidence : 0.8, category : 业绩公告 }}
东吴还有一个创新，叫做双速动态衰减模型。
在快通道和慢通道之间设置了不同的半衰期。两个通道主要是数据来源不同，新闻实时数据等在快通道，调研纪要、公告等数据在慢通道，两种信息的衰减速度不同。
def __init__(self):
# Fast通道：半衰期1天，捕捉短期情绪冲击
self.fast_half_life = 1.0 # 天
self.fast_lambda = np.log(2) / self.fast_half_life # λ ≈ 0.693
# Slow通道：半衰期5天，捕捉中长期基本面认知变化
self.slow_half_life = 5.0 # 天
self.slow_lambda = np.log(2) / self.slow_half_life # λ ≈ 0.139
# 双通道权重
self.alpha = 0.4 # Fast权重40%
2、理想反转因子
我的模型主要是做反转信号的，所以这个因子我比较感兴趣。
这个算是今天最关键的因子，昨天暴跌，今天刚好就能用上
昨天我的反转因子也预测了恒生科技今日的反弹，目前反弹3%，因子质量还是很好的
理想反转因子在扣除了行业beta和市值效应以后，纯粹由“过渡反应——均值回归”驱动反转信号
公式;
理想反转因子=行业内市值中性化后的N日反转率
基础反转率=（今日收盘价/N日前收盘价）-1
4步：
1、行业分组，按照申万一级行业分
2、每个行业内市值5等分
3、计算每个行业、每个行业内组别的平均反转率
4、计算残差
5、Z-score
经济学含义就是这只股票比同行业、同市值的股票多跌了多少，负值越大，信号越强。
但是这个地方我有点问题哈，就是反转动量通常和波动率挂钩，一般该股票处于波动率分布的75%以上时，反转动量的信号最真，不知道这个信号加入波动率是否有更好的效果，我们后续可以实验下。
A股的融资余额昨日新增61亿，还没有出现大幅减仓
美股VIX上涨到19.19，接近了20恐慌的警戒线，沃什点阵图鹰牌，2026预计加息一次。
总结来说，情绪降温，目前应转为防守模式，降低仓位，且转换为防御性资产
说下今天的因子，今天有两个因子重点跟进一下：
1、LLM新闻情绪因子
这个因此回测的超额达到了42.8%
最近比较火的因子， 白话来说，东吴的做法是把上市公司公布的调研纪要作为底层数据，用大模型进行打分，0-100。
最近这个因为比较火，最关键的点在于，以前大家对于这种模型的打分多以关键字统计作为处理，比如收入增加、利润增长等等。现在的模型是加入了LL的情绪分析，更加接近于人类的思考。比如营业收入增加300%，但是是因为去年基数很低，那这个信息传递的其实是比较中性的，并不是重大利好。
具体的提示词：
class SentimentPromptBuilder:
构造LLM情绪打分Prompt
SY STEM _PROMPT = 你是一位有15年经验的A股基本面投资分析师。
你的任务是：阅读一段关于某上市公司的新闻/公告/研报摘要，判断这条信息对该公司
未来1周的股价走势是利好、利空还是中性。
评分规则：
- +1.0：重大利好（如：业绩超预期50%+、获得独家牌照、行业政策重大扶持）
- +0.5：中等利好（如：业绩符合预期、新产品发布、获得大额订单）
- +0.2：轻微利好（如：管理层增持、获得小奖项、分析师小幅上调目标价）
- 0.0：中性或无实质影响（如：常规公告、人事变动但非核心岗位）
- -0.2：轻微利空（如：小幅减持、被问询但问题不大）
- -0.5：中等利空（如：业绩不及预期、核心高管离职、行业监管收紧）
- -1.0：重大利空（如：业绩暴雷、被ST/退市风险、核心产品被禁售）
关键原则：
1. 区分 表面利好 和 实质利好 。例： 营收暴增300%因去年同期基数极低 →中性偏负
2. 区分 假利空 和 真利空 。例： 因会计准则调整导致利润下降 →中性
3. 结合行业背景。例：光伏企业 产能扩张 在当前过剩周期→轻微利空
4. 投资确定性优于炒作热度。一字板涨停的垃圾股新闻→冷静分析基本面
5. 如果你无法判断，宁可给0也不要猜
def build_prompt(self, news_item: dict) -＞ str:
构造单条新闻的打分Prompt
return f 请对以下新闻进行基本面情绪打分：
【股票】{news_item.get(‘stock_name‘, ‘未知‘)} ({news_item.get(‘stock_code‘, ‘未知‘)})
【标题】{news_item[‘title‘]}
【正文】{news_item[‘content‘][:2000]} # 截断以控制token
【来源】{news_item[‘source‘]}
【时间】{news_item[‘timestamp‘]}
请输出JSON格式（不要多余文字）：
{{ score : 0.5, reason : 业绩超预期但已有充分预期，利好有限 , confidence : 0.8, category : 业绩公告 }}
东吴还有一个创新，叫做双速动态衰减模型。
在快通道和慢通道之间设置了不同的半衰期。两个通道主要是数据来源不同，新闻实时数据等在快通道，调研纪要、公告等数据在慢通道，两种信息的衰减速度不同。
def __init__(self):
# Fast通道：半衰期1天，捕捉短期情绪冲击
self.fast_half_life = 1.0 # 天
self.fast_lambda = np.log(2) / self.fast_half_life # λ ≈ 0.693
# Slow通道：半衰期5天，捕捉中长期基本面认知变化
self.slow_half_life = 5.0 # 天
self.slow_lambda = np.log(2) / self.slow_half_life # λ ≈ 0.139
# 双通道权重
self.alpha = 0.4 # Fast权重40%
2、理想反转因子
我的模型主要是做反转信号的，所以这个因子我比较感兴趣。
这个算是今天最关键的因子，昨天暴跌，今天刚好就能用上
昨天我的反转因子也预测了恒生科技今日的反弹，目前反弹3%，因子质量还是很好的
理想反转因子在扣除了行业beta和市值效应以后，纯粹由“过渡反应——均值回归”驱动反转信号
公式;
理想反转因子=行业内市值中性化后的N日反转率
基础反转率=（今日收盘价/N日前收盘价）-1
4步：
1、行业分组，按照申万一级行业分
2、每个行业内市值5等分
3、计算每个行业、每个行业内组别的平均反转率
4、计算残差
5、Z-score
经济学含义就是这只股票比同行业、同市值的股票多跌了多少，负值越大，信号越强。
但是这个地方我有点问题哈，就是反转动量通常和波动率挂钩，一般该股票处于波动率分布的75%以上时，反转动量的信号最真，不知道这个信号加入波动率是否有更好的效果，我们后续可以实验下。
话题与分类：
主题股票：
主题概念：
声明：遵守相关法律法规，所发内容承担法律责任，倡导理性交流，远离非法证券活动，共建和谐交流环境！
