利用新闻情绪动量进行战术性资产配置

由crisvalentine创建，最终由crisvalentine更新于2022-08-31 08:51 被浏览 26 用户

摘要

文献来源：Uhl M. W., Pedersen M., Malitius O. What’s in the News? Using News Sentiment Momentum for Tactical Asset Allocation [J]. Journal of Portfolio Management, 2015, 41(2): 100-112.

推荐原因：新闻和新闻情绪常常影响金融市场和资产价格。投资者普遍能认识到这一点，但很少有人利用新闻蕴含的新闻情绪来预测市场走势，并构建alpha策略，更不用说在实操中用它进行战术性资产配置了。为填补这一空白，作者从每周大约10万篇新闻中整合了个股和宏观经济的新闻情绪，并使用CUSUM过滤方法来计算新闻情绪动量。通过这种方法，他们构建了一种稳健可行的资产配置策略，其样本外信息比率为0.8，平均每年只需调仓8次。这使得该策略对于战术性资产配置者和一般投资者来说都广泛适用。

简介

在过去10至15年里，金融市场对新闻变得愈发敏感。这种现象在最近的金融危机和主权债务危机期间，以及之后的动荡时期尤为明显。传统来讲，固定收益市场会更关注与全球宏观经济相关的新闻。然而，自最近一次金融危机以来，股票市场也更加关注政策制定者和央行的行动，因为他们会在解决这些经济危机中发挥关键作用。通常情况下，投资者面临着一项艰巨的任务，即监控所有新闻，同时对于可能影响其策略的新闻事件，他们需要评估其重要程度。自然，对特定新闻事件的解读和其重要程度的判定是一个主观且棘手的问题。因为，在投资者分析新闻事件将如何影响市场及其策略这一主观过程中，他们可能在很多方面被误导。

举个例子，欧洲央行的新闻事件对股市产生了重大影响。2012年7月26日，欧洲央行行长马里奥·德拉吉发表讲话称“……欧洲央行准备不惜一切代价保护欧元。相信我就足够了。”欧洲股票市场不仅在德拉吉讲话当日就出现了强势反弹，而且在他讲话后的几周、几个月（甚至几年）内的收益都是非常好的，如图1所示。市场在较长时期内都受此事件影响，这是因为经济学家和市场参与者花了数月时间才完整把握了德拉吉讲话传达的信息和情绪。对欧洲央行来说，这是一个宝贵的机会，因为他们当时正在应对欧元危机。

为了把控海量的新闻，我们开发了一种新方法来监控全球新闻流。我们的研究对象不是单个新闻，而是按周整合后的每周新闻，我们每周收集大约10万条新闻。在这项研究中，我们分析与个股或宏观经济相关的新闻，以及其他可能影响全球金融资产的话题，而这些话题每天都在汤森路透（Thomson Reuters）的“全球新闻”板块中发布。观察新闻情绪是分析和理解新闻内容的一种方法。此处的情绪，是指某一新闻行文的语气以及读者对此语气的理解。积极情绪指文章描述了一个惊喜或者观点是积极的。一篇文章中的积极情绪可能来自通常观点下的好消息，或者来自一个比先前预期更好的结果。例如，如果美国的前瞻性企业信心调查公布的采购经理人指数（PMI）好于预期，即使该值很低，市场也通常会认为这是积极的，而股价往往会因这类消息而上涨。这种股市上行可以归因于发布的PMI数据所带来的积极情绪。而消极情绪恰好相反，如果公布的数据比预期的糟糕，或者数据从通常观点下来看不佳，那么新闻情绪将普遍是负面的。

通过分析新闻情绪，我们可以评估汤森路透发布的世界各地的新闻报道。我们开发了一种过滤新闻情绪数据噪声的方法，并将其应用于战术性资产配置的投资决策上。据我们所知，我们是第一个在这样一个全球和整体的基础上研究新闻情绪数据，以便在全球股票市场上构建一个投资策略，并将其实施为一个战术性资产配置框架。

相关研究

Kahneman和Tversky（1979）以及席勒（1981）等人的研究表明，金融市场的行为是非理性的，而不是理性的。然而，对理性或非理性的感知可能是相互交织的。事实上，Kurz（2010）指出，非理性和理性可以紧密联系在一起，私有信息下的市场行为不同于具有共同信息的不同理念下的行为。尽管许多人可能认为一些投资者的行为完全非理性，但可能在这些投资者自己看来，他们的行为是理性的。

De Bondt 和Thaler（1985）以及Cutler等人（1989）的研究表明，股票市场会对新闻做出反应，这并不一定意味着市场参与者总是非理性的。此外，Barberis 等人（1998）发现，股票价格对新闻的反应过度和反应不足是市场不理性的原因之一，因为这些新闻只有先缓慢地进入投资者的头脑，然后才会影响股票价格，就像德拉吉2012年的那次讲话一样。具体来说，Klibanoff等人（1998）研究了《纽约时报》的头版，并报告说，一个国家的新闻影响该国的基金价格。随后的许多研究都考虑到了网络信息和新闻对股票的影响。Tetlock在2007年的研究是量化文本分析领域的一项开创性研究，它是首批使用“词袋算法”（bag-of-words algorithm）从《华尔街日报》的一个专栏构建定量新闻情绪评分系统的研究之一。研究表明，从媒体的高度悲观中可以预测到股市下跌。

然而，Tetlock的分析中只考虑了消极词汇，没有研究积极词汇对股票价格的影响。此外，在他的分析中也没有考虑上下文或完整的句子。在学界，研究人员又花了几年时间开发出复杂的算法，可以区分积极和消极的词汇，并同时考虑上下文。

Leinweber和Sisk在2011年的研究是少数几个考虑更复杂的新闻情绪检测方法的研究之一。汤森路透提供的一个叫做“新闻分析”的数据集，被认为是业内最先进的数据集。通过使用“新闻分析”，作者们很好地证明了更长时间的新闻情绪周期的存在，据此可以设计盈利性交易策略。

然而，Leinweber和Sisk只使用了2003-2010年的数据，仅将2010年作为样本外时期。尽管他们证实汤森路透的新闻情绪数据出现了“机制转变”（指系统在结构和功能上发生的大规模、突然和持续的变化），但遗憾的是，他们的分析只进行到2010年。此外，Leinweber和Sisk根据汤森路透定义的一些标准对新闻情绪数据进行了简单过滤。但是，他们无法构建出一个每年变化次数比他们当前策略调整次数更少的情绪信号（降低每年的调整频率可以降低交易成本且易于操作，尤其是对于战术性资产配置者）。虽然他们策略在样本外时期的alpha可以达到10%，但他们无法降低最大回撤和策略的波动性，而最大回撤在回测期达到了60%。虽然我们承认他们的研究在科学和理论上的重要性，但我们对他们结果的实际应用提出了质疑，因为如此频繁的配置调整和巨大的最大回撤会让投资者望而却步。

总的来说，投资者在面对新闻时有两个过程：首先，他们需要区分重要和不重要的消息；其次，他们需要消化新闻，评估其情绪基调，以及市场受此影响可能发生的变化。因此，我们想要表明，投资者需要很长时间（几周甚至几个月）才能从新闻中消化新闻情绪。关于这一现象的行为偏差是羊群效应，以及对新市场信息的反应过度和反应不足。在这项研究中，我们使用一种更为复杂的方法和最近的数据（至2013年），弥补了Leinweber和Sisk之前研究的缺陷，同时证明长期新闻情绪周期存在，并且可以用来制定投资策略。

战术性资产配置面临的挑战

战术性资产配置面临着几个挑战。首先，战术性资产配置者不能过于频繁地调仓，因为他们通常全权管理大额资产，并拥有庞大的客户基础。具体来说，这意味着持仓期通常需要保持3-6个月，而大多数战术性资产配置者的调整频率是每两周或每月一次。因此，最主要的问题是针对战术性资产配置，制定一个一年内不会调整过于频繁的量化策略。由此，战术性资产配置者面临的挑战是：从充满噪音的金融市场中，识别出大规模市场变动。就股票-债券模型而言，有必要确定股票何时会普遍上涨或下跌；该模型应能识别何时从股市转向债市，以及何时从债市转向股市。

传统的基于经济周期指标的宏观经济模型，如采购经理人指数(PMIs)、零售指数或工业生产指数，往往在预测股市趋势时要慢一拍，因为股市通常引领了经济周期。因此，我们尝试使用一个具有及时性和前瞻性的指标，如新闻情绪。新闻情绪之所以比工业生产指数等指标更具及时性，是因为新闻的发布是持续不断的，对突发事件的关注度和时效性都很高。而工业生产指数在发布的时候就已经有了一个半月的延迟。因此，最新的市场信息会更先出现在新闻中，而不是传统的宏观经济指标里。

此外，我们不仅要研究新闻本身，还要研究读者对新闻的解读，即新闻情绪。

所用数据

我们使用的新闻情绪数据来自汤森路透的“新闻分析”。这与Leinweber和Sisk在2011年使用的数据集相同。情绪动量的得分是通过一种语言算法获得的，该算法使用了“词袋方法”，也就是说，它根据预设的词典同时从文中检索积极和消极的词汇。此外，该算法还能考虑文章的上下文。这是通过训练一种学习算法来实现的。首先，将一些新闻文章交给数百名金融市场专家和经济学家，让他们分析文章的积极或消极情绪。然后将文章和专家分析结果交给算法去学习。每个专家都拿到了同样的文章，并被要求根据他们阅读完每篇文章后自己的看法，按照积极或消极给文章情绪打分。所有这些文章的情绪得分被输入到这个学习算法中，形成一个能在一个上下文框架内识别积极和消极情绪的自动分类器，而不是仅仅通过词袋算法分类。例如，情绪算法可以辨明否定词和肯定词的否定。在情绪分析中，“good”会被归类为积极，而“not good”会被归类为消极。

在此数据集基础上，我们使用可量化的新闻情绪来预测股票市场。每一篇路透社的新闻都用积极{1}，中性{0}，或消极{-1}进行情绪类型编码。汤森路透是业内为数不多的情绪分类新闻提供商之一，不过也存在一些提供类似服务的公司。本研究使用的数据集包括高频（Tick数据）、来自汤森路透（Thomson Reuters）的有情绪评级的新闻片段，而这些新闻按照话题分类可以分成很多类。在这项研究中，我们筛选出了所有路透社发布的与个股和宏观经济相关的情绪新闻条目。有关我们所选新闻的话题的类别，请参见图2。然后我们将高频tick数据汇总为每日数据。在第一次汇总后，我们再次将每日数据汇总为不包括星期六和星期日的每周数据。因此，我们只考虑每周五天的工作日。这是因为周末的新闻主要是重述过去一周的市场事件，无法对未来一周的股市进行预测。从2003年1月到2013年12月，每周总计有超过10万条路透社新闻被根据情绪编码为不同类型。我们从汤森路透获取了MSCI全球指数和三至五年期美国政府债券指数数据，以及摩根大通现金美元指数。

数据分析

用CUSUM方法过滤新闻情绪数据中的噪音

为了更好地理解新闻情绪数据的特征，如前所述，我们将高频新闻情绪tick数据汇总为每日和每周数据。我们分别关注个股和宏观新闻情绪。图3展示了每日的新闻情绪，图4展示了每周的新闻情绪。正如这两个图所显示的那样，新闻情绪数据本质上是嘈杂的，尤其是每日新闻情绪。因此，我们需要一种方法，能够进一步过滤噪音，识别新闻情绪的长期趋势。

图5展示了个股和宏观新闻情绪的描述性统计。二者的均值和中位数都是正的，接近于0。单位根检验表明，个股和宏观新闻情绪数据序列都是平稳的。在图6中，我们显示了经过筛选的个股和宏观新闻的每周总数。正如Leinweber和Sisk所指出的，2007年的新闻情绪数据有一个“机制转变”，我们也可以在图6中看到，2007年个股和宏观新闻的总数显著增加。

只使用简单的新闻情绪数据本质上是困难的，因为我们会有太多的头寸转换，例如Leinweber和Sisk的研究结果。一种解决方案是进一步根据新闻数据的相关性、新颖性、强度进行过滤，并设置之前情绪因子每日分布的极端百分位数（5%和10%），这正是Leinweber和Sisk的操作。在Leinweber和Sisk的研究中，他们持仓20天，遵守设定在5%的止损规则和设定在20%的获利回笼规则。他们为任何单一头寸设置的上限是15%的资产净值。

尽管对某些投资者来说，该策略可行，但对战术性资产配置者来说就不可行了，并且对其他考虑风险收益比的投资者也不可行，因为他们会考虑策略的最大回撤。

Leinweber和Sisk的策略的最大回撤约为60%，对于大多数专业投资者来说过高了，特别是对于一个市场参与策略。此外，如果头寸持有期最多20天，则会导致每年至少18次头寸转换。我们想要构建一个策略，以降低这个频率、提升风险收益比、降低最大回撤，使其对专业投资者和战术性资产配置者都可行，并减少交易成本。如前所述，每年超过10到12次头寸转换的策略对于战术性资产配置并不适用。因此，我们需要设计方法来处理新闻情绪数据，使获得的情绪信号每年转换（对应着调仓）最多10或12次，也就是说，每月一次，以符合战术性资产配置者通常采取月度调仓的投资模式。

因此，我们面临的问题是寻找一种方法来提取新闻情绪数据中的噪声。有两种可能的方法：1）将汇总新闻的频率从每日降到更低；2）通过使用某种移动平均线来过滤噪音，以获得新闻情绪信号的长期动量。我们决定二者同时实施。首先，我们将新闻的汇总频率从每日调低到每周（正如前面所展示的）。同时，我们通过查阅有关频率过滤的相关文献，尤其是关于CUSUM（累积和）过滤方法的，构建了一个能从新闻情绪数据中提取噪声的方法。这些举措应该会降低策略的调仓频率，并基于新闻情绪确定某些长期市场机制。

CUSUM过滤方法由E.S.Page于1954年提出，该方法可以识别系统机制的变化，即检测时间序列类型的样本参数值的变化。该方法可以在工业生产过程中持续监控某种质量参数“θ”的变化，因为在机器生产流程中需要解决这类问题。一旦参数θ达到一定的阈值，就意味着系统发生了变化，并给出系统在恶化还是优化的相应信号。CUSUM过滤方法最初被用在制造业，目的是增加对系统控制过程的监测。有学者指出，CUSUM过滤方法的使用自诞生以来已得到广泛推广，并已被用于医学和气象学领域，评估商业或工业企业的运营状况，以及运用在金融市场。一些学者建议在金融市场中使用数据过滤技术进行交易。他们已经证明“控制图技术”可以用于侦测金融市场的“机制转变”，并且这些检测到的“机制转变”可以预测未来的资产收益。这种方法本质上是计算资产动量的一种方法，而动量是一种长期趋势。有学者发现，虽然将CUSUM方法应用于各种股指可以设计盈利的交易策略，但在考虑交易成本后，这些策略不再盈利。但其实，这些学者使用的交易成本相当高，为每笔0.75%。我们想要证明，通过使用CUSUM方法计算新闻情绪动量，即使考虑交易成本，也能制定可盈利的投资策略。

根据Page的理论，CUSUM在应用中可以有多种可选方案。我们关注其中的双边方案，因为我们想把它应用到金融市场，它在上行市场和下行市场中都能获得收益。实际上，双边方案就是简单地结合了两个单边过程：一个检测质量指数的提升，一个检测质量指数的恶化。因此我们有两个控制极限：控制上限 和控制下限 ，用于检测信号的双边变化。

控制上限定义如下：

控制下限定义如下：

其中， 为新闻情绪动量构成的时间序列， 为指数加权校准参数。通过CUSUM过滤方法得到的总信号为：

在2013年，有学者根据德国企业披露和路透社关于CDAX指数的新闻，对德国股市进行了一项研究。研究通过长达12周的新闻情绪动量，证明了长期新闻情绪周期的存在。研究表明，新闻情绪动量在4-6周的投资周期内具有最高、最稳定的准确性和收益率，为中期新闻情绪动量投资策略提供了强有力的依据。然而，该研究的一个缺点是，他们只采用了有限的新闻来源，没有考虑针对个股的新闻。而我们的研究采用了一个更大、更广泛的新闻情绪数据集，包括从2003年到2013年的宏观新闻和个股新闻，总计超过2000万个新闻片段。

此外，我们使用交叉移动平均线来计算2周和50周之间的新闻情绪动量，并使用一年的滚动窗口来生成样本外结果。我们对CUSUM方法得到的情绪信号进行了-100%到100%之间的归一化。

基于新闻情绪动量的战术性资产配置

基于上述方法，我们应用CUSUM方法对原始数据进行过滤，提取出新闻情绪数据动量，并构建了一个投资策略。CUSUM方法得到的情绪信号范围在-100%和+100%之间。高于0%的信号表示用CUSUM方法得到了一个积极的新闻情绪趋势，而低于0%的信号表示用CUSUM方法得到了一个消极的新闻情绪趋势。积极信号对应投资于该资产类别（即股票）的建议，而消极信号对应投资于债券的建议。这些信号能以各种方式在实践中被应用。如前所述，针对战术性资产配置的目的，我们希望构建一个基于新闻情绪动量的投资策略。自然，有许多方法来实现一个战术性资产配置策略，这取决于潜在的战略资产配置和对于跟踪误差设置的目标。

一种方案是构建一个由股票（战术性资产配置对应的股票）和债券组成的投资组合，并让股票占比的波动幅度为+10%或-10%，具体根据新闻情绪的信号调整股票相对于债券的权重。另一种方案更加彻底，股票的减持信号对应100%持有债券（不持有股票），股票的增持信号对应100%持有股票（不持有债券）。一个中性的配置（作为基准）是50%投资于MSCI全球指数，50%投资于平均存期为3至5年的美国高级别政府债券。

在本文中，我们选择了简单且彻底的后一种方案：根据新闻情绪信号选择100%股票或100%债券。同时我们选用50%股票50%债券的配置作为基准配置。

从2004年8月到2012年，我们进行了新闻情绪策略的样本外回测。自2013年以来，该投资策略一直在进行实时模拟，可以作为真正的样本外测试。图7和图8分别用图形和表格展示了策略与基准的收益情况。在从2004年开始的测试时期内，新闻情绪策略在大多数年份里表现优于基准策略（MSCI全球指数50%+三至五年期美国政府债券50%）。从2004年8月至2013年12月这段时间，策略的年均总收益率为12.4%， alpha为每年7.3%。

投资组合的相关指标，如夏普比率或信息比率，能让投资者更好地了解与风险或波动性相关的投资策略的收益率。接下来我们考察策略的这些指标。

新闻情绪策略的夏普比率为1.5，信息比率为0.8，而基准策略的夏普比率只有0.7。在新闻情绪策略下，最大回撤大幅降低为-11%，而基准的最大回撤为-27%。在同一时间段，MSCI全球指数的最大回撤超过-50%。因此，这种新闻情绪策略不仅会相对基准产生显著的alpha值，而且还会大大降低股票-债券投资组合的风险。此外，该策略平均每年只需调整资产配置8次，少于要求的最多12次。这使得该策略对于主要按月投资周期工作的战术性资产配置者是可行的。

尽管已经证明，基于过滤后的新闻情绪数据的交易策略是有效的，但我们仍希望检验这些新闻情绪信号是否也能通过计量经济学的分析。因此，我们进行以下普通最小二乘（OLS）回归：

其中， 指的是MSCI全球指数的对数收益， 指的是新闻情绪经过CUSUM方法得到的信号， 是误差项，并且

其中， 指的是每周个股新闻情绪的原始数据， 指的是每周宏观新闻情绪的原始数据。图9的第一列为公式（4）的回归结果。CUSUM方法得到的情绪信号在5%水平上统计学显著，证明策略有良好结果。图9第二列为公式（5）的回归结果。原始新闻情绪变量的回归系数在统计学上也是显著的。总而言之，根据简单的计量经济学分析，用CUSUM方法得到的新闻情绪信号在统计上是显著的，并且可以用于构建有alpha收益的交易策略。

将这些结果与Leinweber和Sisk的研究结果进行对比，可以发现，在2010年，我们的新闻情绪策略比他们的策略收益高出约1个百分点。更重要的是，我们的策略能在较长时间内提供更高的平均收益，并且这一结论已经通过样本外回测，甚至是实时模拟测试。

同时，新闻情绪策略的最大回撤为11%，远低于Leinweber和Sisk策略的60%。此外，新闻情绪策略每年配置调整次数较少。因此，本文提出的新闻情绪策略对战术性资产配置者来说更稳健、更可行。

结论

新闻和新闻情绪常常影响金融市场和资产价格。投资者普遍能认识到这一点，但只有少数研究利用新闻情绪来预测市场走势，以此来制定alpha策略，更不用说在实操中用它进行战术性资产配置了。特别是，若要适用于战术性资产配置，策略每年的资产配置调整次数不能超过12次。为填补这一空白，我们从每周大约10万条新闻中，整合出个股和宏观经济的新闻情绪，并使用CUSUM 过滤方法来计算新闻情绪的动量。

无论是否扣除交易成本，我们的策略在2004年至2013年间的大部分年份都表现稳定。此外，该策略在风险控制方面是可靠的，其信息比率为0.8，最大回撤为-11%，而且平均每年的配置调整只有8次。这些发现证明了长期新闻情绪周期的存在，并且通过基于新闻情绪动量的投资策略可以利用之。同时，该策略对专业投资者和战术性资产配置者是都具有可行性。