文本与 NLP
文本信号的来源
Section titled “文本信号的来源”新闻、公告、财报电话会、社交媒体、研报——文本能提供领先于数字的信号：语调的变化先于盈利的落地，措辞的模糊先于风险的爆发。但把文本变成可交易信号要过三道关：构造、对齐、衰减。
情绪词典：仍然难以被打平
Section titled “情绪词典：仍然难以被打平”Loughran–McDonald 词典把金融文本按情绪分类（正面/负面/不确定/诉讼词等），简单到极致却经常与复杂模型打平：
- 金融文本的信号本来就薄，模型复杂度的提升常常追不上噪声；
- 词典法可解释、免训练、不引入过拟合维度——在金融交叉验证的严格标准下，这是巨大优势；
- 中文金融文本需要专门的词典（如中文金融情感词典）与分词处理，直接翻译英文词典不可用。
构造信号的最小做法：公告/新闻的净情绪分数 = (正面词数 − 负面词数) / 总词数，按天聚合。
文本信号的前视风险全在对齐上：
- 时间戳用首次发布时刻，不是文章内标注的事件时刻；
- 盘后发布的消息只能进入次日信号——对齐错半天就是前视；
- 电话会文字稿的"修订版"与"实时版"内容可能不同，用实时版，见财务与公告数据的 as-of 原则。
大语言模型带来的新问题
Section titled “大语言模型带来的新问题”LLM 改变了文本信号的构造方式，也带来了新的前视来源：
- 训练数据包含未来：用 GPT 类模型给历史文本打分，模型训练语料里可能已包含"后来的结果"——打分是"事后诸葛亮"，这是极其隐蔽的前视；
- 知识截止日期：模型对截止日期后的事件一无所知，历史回测中"模型不知道后来发生了什么"与"模型提前知道了"两种错误都可能发生；
- 成本与非确定性：批量打分的 API 成本与版本漂移，需要固定模型版本并记录，见复现性。
文本信号衰减极快：一条新闻的 alpha 以小时计，一份电话会的 alpha 以天计。处理：
- 信号按小时级衰减建模，不假设全周有效；
- 词典与模型持续更新（新词、新事件类型），但更新本身也要留下版本记录；
- 与低频信号（另类数据概览）组合时注意时间尺度的错配。
量化中的用法
Section titled “量化中的用法”- 词典法为基线，复杂模型必须显著跑赢它；
- 时间戳一律用首次发布时刻，as-of 对齐；
- 历史回测禁用"知道未来"的 LLM 打分，或只用于模型语料截止之后。
- LLM 的知识截止日期是隐蔽的前视来源，历史打分自带前视
- 中文金融文本需要专门的分词与词典
- 文本信号衰减快，需要持续更新并记录版本