ACL 2020 · Semantic Models of Financial Markets

Stock Embeddings Acquired from News Articles and Price History, and an Application to Portfolio Optimization

Xin Du · Kumiko Tanaka-Ishii

将新闻对市场的影响从预测网络中分离出来，形成可抽取、可比较、可迁移的股票向量；同一表示既解释新闻与价格的关系，也能直接进入组合风险矩阵。

Paper · ACL Anthology Research · 复杂金融市场的语义模型

问题：预测模型不是市场表示

以新闻预测涨跌的神经模型把文本、价格与股票特异性混合在网络参数中。即使预测指标提高，也很难回答哪些新闻与哪些股票相关、不同股票为何具有共同风险，以及学到的关系能否迁移到预测之外的任务。论文因此将股票本身设为可学习对象：每只股票对应一个向量 $s_j$ ，其几何位置由新闻语义与价格运动共同监督。

这个选择还绕开了一个常被忽略的问题。短期价格预测在有效市场假设下极其困难，而用当天及邻近新闻解释已经发生的价格变化，更适合检验模型是否理解文本与市场之间的对应关系。论文明确区分了用于学习表示的 classification setting 与严格使用过去信息的 prediction setting；前者学习语义，后者只在下游组合模拟中用于评估。

股票向量如何选择新闻

每篇新闻被编码为 key-value 对 $(n_i^K,n_i^V)$ 。股票向量与 key 的内积形成注意力分数：

\operatorname{score}_{i,j}=(n_i^K)^\top s_j, \qquad \alpha_i^j = \frac{\exp(\operatorname{score}_{i,j})} {\sum_{i'}\exp(\operatorname{score}_{i',j})}.

value 向量按 $\alpha_i^j$ 聚合为股票在时刻 $t$ 的市场状态

m_t^j=\sum_i\alpha_i^j n_i^V.

因此，同一批新闻会为不同股票形成不同的市场状态。 $s_j$ 不依赖股票代码是否在新闻中出现，而是通过价格监督学习哪些文本模式与该股票相关；它相当于一个把金融符号接地到外部市场现实的参数。

股票独立分类器和共享分类器的结构比较 — 传统方法为每只股票训练分类器；论文共享分类器，并用股票嵌入保留个体差异。表示因此必须解释跨股票的共同新闻结构。

共享分类器解决小样本

按交易日建模时，每只股票只有数千个样本，独立训练容易过拟合。论文让所有股票共享价格运动分类器，将 $m_t^j$ 的序列输入 Bi-GRU，而股票特异性只通过注意力中的 $s_j$ 表达。相较逐股票模型，这一机制把分类器的有效样本扩大约 $50$ 至 $100$ 倍，并允许模型学习股票之间的相关结构。

实验使用 WSJ 与 Reuters/Bloomberg 两组新闻语料，分别覆盖约 $40$ 万和 $55$ 万篇标题；对应 $89$ 与 $50$ 只 S&P 500 股票。完整模型结合 classifier sharing 与新闻 key-value 双向量表示，在只有一年数据时仍能超过随机水平，在 Reuters/Bloomberg 全量数据上达到 68.8% 的平均分类准确率。消融实验表明，两种机制的结合比单独加权新闻更能抵抗小样本过拟合。

从表示迁移到现代组合理论

Markowitz 均值—方差模型最小化

\min_w w^\top\Sigma w, \qquad w^\top r=E,\quad w^\top\mathbf 1=1,\quad 0\leq w_j\leq 1.

标准风险矩阵 $\Sigma$ 来自历史收益协方差，容易受价格噪声和有限窗口影响。论文用股票嵌入之间的余弦关系构造风险矩阵，并与仅价格、Word2Vec、BERT 及简单文本—价格融合方法比较。组合每年只使用此前数据重新训练和配置，测试期与训练期严格分离。

WSJ 与 Reuters Bloomberg 数据上的组合模拟收益 — 左为 WSJ，右为 Reuters/Bloomberg。红色曲线和柱形为股票嵌入；在 Reuters/Bloomberg 上，其平均实现年收益为协方差基线的 2.8 倍。

股票嵌入在大多数预期收益约束下超过对照方法。Reuters/Bloomberg 数据上，嵌入组合的平均实现年收益为 35.5%，历史协方差基线为 12.7%，前者约为后者的 2.8 倍。WSJ 数据上的提升较小但仍为正。结果同时说明，仅把文本向量与协方差机械相乘并不稳定；有效信息来自以价格运动监督过的股票语义几何。

发现与边界

论文的核心贡献不是一项固定交易策略，而是把金融文本模型的中间知识变成可操作对象。股票向量可以被抽取、可视化并用于分类器之外的优化问题，这为后续尾部风险建模提供了接口。

结果来自历史数据上的年度滚动模拟，未计入交易成本、冲击成本和现实约束，不能直接解释为未来收益保证。classification setting 也使用了当天新闻，只承担表示学习与语义检验的作用。更重要的后续问题是：价格协方差描述常态波动，文本是否能系统补足罕见事件和结构变化所形成的尾部风险。

← 复杂金融市场的语义模型