AI情感分析预测股市 提升投资应对策略｜岭航未来
发布时间：13:30 2025-09-23 HKT
「市场非理性，但情绪有迹可寻。」这句话或许能概括当前金融科技中迅速发展的「情感分析」（Sentiment Analysis）应用。在股市预测中，传统分析多依赖技术指标与财报数据，如今借助人工智能（AI）与自然语言处理（NLP）技术，投资者可以从社交媒体、新闻标题、论坛言论中看透情绪波动。然而，目前相关技术在准确度上仍有其局限性。
笔者与研究团队近期发表于《Natural Language Processing Journal》的文献计量研究，分析了2010至2022年间223篇学术论文，旨在梳理情感分析应用于股市研究的发展趋势、研究主题与技术演进。研究显示，该领域正急速崛起，尤其中国、美国与印度在出版量与技术贡献方面处于领先地位。
情感分析属于典型的跨学科研究，融合语言学、心理学、金融学与电脑科学，并且与金融深度结合。在股市应用上，学者利用词典法、机器学习、深度学习，甚至近年风靡全球的大型语言模型（LLM）来分析情绪，这些模型能捕捉语意上下文与情绪倾向，并将非结构化文字数据（如微博、推特、财经新闻）转化为可供预测的指标。
在多个研究案例中，长短期记忆网络（LSTM）与卷积神经网络（CNN）被证实在股价预测上具有高度准确性。例如有研究将CNN分析投资者评论所产生的情绪分类后，再输入LSTM做价格走势预测，有效提升了预测效能并减少反应延迟。此外，FinBERT这类针对金融语境预训练的语言模型，亦能更准确地理解财经文本中的隐含情绪与风险暗示。
延伸阅读：「世界工厂」迁移？全球电子生产网络重构下的博弈｜岭航未来
情绪数据来源与应用
情绪数据主要来自3个途径：一是社交媒体，如微博、推特、StockTwits；二是财经新闻与财报；三是投资论坛或线上讨论区。这些数据经处理后，可以生成「情绪指数」，反映市场整体看好或看淡的情绪方向。这类指数已被证明能预测如标准普尔500指数、恒生指数等市场的短期走势，亦能反映重大事件如国际关系、政策变动等对市场信心的影响。
举例来说，有研究指，疫情期间推特上重要用户的情绪波动与美国股市的高低波动呈显著关联；另有团队则使用股民社群评论训练出情绪模型，有效预测苹果（AAPL）等个别股票的收市价格。这些证据证明，投资者的情绪不再是难以量化的「软数据」，而是可经过技术捕捉、分析与预测的有效信号。
大型语言模型如LLMs的兴起，标志着情感分析进入新阶段。与早期的词典法或简单分类器相比，LLMs具备强大语境理解与语义推理能力，可辨识新闻中微妙的情绪变化，对投资者的精准判断至关重要。这对量化基金与智能交易系统而言，亦是崭新的策略优势。然而，这些模型对于「新造字」、「讽刺语气」与「多义词」等语言特征仍有待进一步优化。此外，目前大多数研究未能针对不同行业、地域或股市阶段进行模型微调，使得情感分析在部分情境下准确度仍有限。
公众慎防「情绪泡沫」
情感分析虽强大，但公众仍须保持警觉。投资者一方面应培养辨识真假消息与极端情绪等「情绪噪音」的能力，避免在社交媒体渲染下盲目跟风，应从多元数据中辨别真实趋势；另一方面，监管机构亦应注意AI分析结果可能被不法分子操纵，如透过虚假情绪帐号制造市场假象。
笔者建议，未来的金融教育应加入情绪识别与AI模型原理的基本知识，使散户投资者可更理性地理解「大数据背后的情绪温度」。投资平台亦可考虑整合实时情绪雷达或风险预警系统，协助用户了解潜在风险点。情感分析的最终目标不是「预测未来」，而是提升人们对市场情绪的理解与应对策略，协助投资者在不确定的世界中作出更有信心的决策。
本栏欢迎院校学者投稿，分享个人学术见解及研究成果，1400字为限，查询及投稿请电邮︰[email protected]。
文：岭南大学数据科学学院副院长谢浩然、岭南大学数据科学学院助理教授李宗禧
