2018年AI基于深度学习市场风险偏好指数及应用分析报告（15页）.pdf

1、我们的研究方法是将基本面分析框架纳入深度学习领域。目前人工智能在互联网和制造业有着越来越广泛的应用，不管是应用领域的不断扩展还是深度学习算法的不断优化，都极大地改善了传统工作模式和思维方式。但金融领域尤其是证券研究行业目前还鲜有落地的应用案例。针对现存的种种问题，我们在此提出了一种将业界较为领先的深度学习算法应用到证券研究领域的切入方式。 我们将着眼点缩小至行业研究领域，并以券商行业为代表。将行业研究的基本面分析框架纳入深度学习领域。 我们使用券商行业基本面的分析框架，对收集到的新闻和文章内容，根据其所表达的全文内容信息，综合考量该文章内容对于券商行业的基本面是利好还是利空，并标记出

2、相应五点式评分，包括非常利空、利空、中性、利好和非常利好。 使用网络上从各新闻源爬虫获取的文章内容，形成 17500 篇文章样本，并对其逐一进行阅读和打分，形成深度学习模型的训练集和测试集。 我们采用 Hierarchical Attention Networks 深度学习模型，并对其进行训练，使其具备依靠基本面逻辑判断文章传达信息属于利好还是利空的能力。并将其结果进行输出。给予输出结果，我们进一步了探讨其应用的方式。我们将编制的深度学习-风险偏好指数与上证指数联合进行回测分析，目前发现该指数有两方面特点： 在回测的各历史阶段，都有比较好的市场背景解释能力。证明该风险偏好指数有一定的

3、合理性。 在市场上涨末期，该风险偏好指数具有较好的预警能力。当大盘指数上涨但风险偏好指数下降时，提示后市回撤风险，效果比较明显。本次专题研究首次尝试将行业研究的基本面框架纳入深度学习的技术领域，未来有着更为广阔的扩展空间： 本专题使用券商行业作为代理行业，但若有更为垂直的新闻源，理论上可以纳入任何板块的基本面分析框架从而输出针对不同行业的基本面舆情指数。  多行业综合后的风险偏好指数将可能提供更为客观的市场风险偏好测量。从而为风险偏好的观测开拓一条全新的路线。 随着模型学习到更多的信息，该舆情指数和风险偏好测度也将越发准确。 未来不断扩大新闻源，可以预期当我们每天用来计算舆情指数的新闻源进一步扩充之后，包括纳入类似微信公众号等众多自媒体平台内容以及社区内容后，将具备更好的市场代表性。