情绪指数对股市影响的量化分析案例
下面用一个完整的 Python 案例来量化"情绪指数对股价/收益的影响有多大",由于真实数据需要付费或授权,这里用仿真数据 + 真实可获取的替代指标演示方法,你可替换为真实数据(如东方财富情绪指数、微博情绪、Google Trends、VIX、换手率等)。

分析思路
要回答"影响有多大",需要量化以下几个维度:
- 相关性:情绪指数与收益率/成交量的相关系数
- 解释力:回归 R²,情绪指数能解释多少收益波动
- 领先滞后关系:情绪是否领先于价格(格兰杰因果)
- 条件影响:高情绪 vs 低情绪时收益差异
- 稳健性:控制市场因子后情绪是否仍有增量解释力
完整代码
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy import stats
import statsmodels.api as sm
from statsmodels.tsa.stattools import grangercausalitytests
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# ============ 1. 构造/加载数据 ============
np.random.seed(42)
n = 500
dates = pd.date_range('2022-01-01', periods=n, freq='B')
# 模拟"情绪指数"(可替换为真实数据:微博情绪、VIX倒数、换手率等)
sentiment = np.zeros(n)
sentiment[0] = 50
for t in range(1, n):
sentiment[t] = 0.9 * sentiment[t-1] + np.random.normal(0, 5)
sentiment = 50 + (sentiment - sentiment.mean()) / sentiment.std() * 10
# 模拟"市场收益":受情绪影响 + 随机噪声
market_ret = 0.0005 + 0.0008 * (sentiment[:-1] - 50) / 10 + np.random.normal(0, 0.012, n-1)
market_ret = np.concatenate([[0], market_ret])
# 模拟"个股收益":市场因子 + 情绪因子 + 特质噪声
stock_ret = 0.0003 + 1.1 * market_ret + 0.0006 * (sentiment - 50)/10 + np.random.normal(0, 0.015, n)
df = pd.DataFrame({
'date': dates,
'sentiment': sentiment,
'market_ret': market_ret,
'stock_ret': stock_ret
}).set_index('date')
print(df.describe().round(4))
# ============ 2. 相关性与散点 ============
corr_s = df['sentiment'].corr(df['stock_ret'])
corr_m = df['sentiment'].corr(df['market_ret'])
print(f"\n情绪 vs 个股收益 相关系数: {corr_s:.4f}")
print(f"情绪 vs 市场收益 相关系数: {corr_m:.4f}")
fig, axes = plt.subplots(1, 2, figsize=(12, 4))
axes[0].scatter(df['sentiment'], df['stock_ret'], alpha=0.4, s=10)
axes[0].set_xlabel('情绪指数'); axes[0].set_ylabel('个股日收益')
axes[0].set_title(f'情绪-收益散点 (r={corr_s:.3f})')
# 20日滚动相关
roll_corr = df['sentiment'].rolling(60).corr(df['stock_ret'])
axes[1].plot(df.index, roll_corr, color='steelblue')
axes[1].axhline(0, color='gray', linestyle='--')
axes[1].set_title('60日滚动相关系数')
plt.tight_layout(); plt.show()
# ============ 3. 单变量回归:情绪解释力 ============
X = sm.add_constant(df['sentiment'])
y = df['stock_ret']
model1 = sm.OLS(y, X).fit()
print("\n【单变量回归】个股收益 ~ 情绪")
print(model1.summary().tables[1])
print(f"R² = {model1.rsquared:.4f} → 情绪可解释收益波动的 {model1.rsquared*100:.2f}%")
# ============ 4. 加入市场因子后:情绪的增量解释力 ============
X2 = sm.add_constant(df[['market_ret', 'sentiment']])
model2 = sm.OLS(y, X2).fit()
print("\n【双因子回归】个股收益 ~ 市场 + 情绪")
print(model2.summary().tables[1])
print(f"R² = {model2.rsquared:.4f}")
print(f"ΔR² (加入情绪后) = {model2.rsquared - sm.OLS(y, sm.add_constant(df['market_ret'])).fit().rsquared:.4f}")
# ============ 5. 格兰杰因果:情绪是否领先价格 ============
print("\n【格兰杰因果检验】(情绪是否领先收益)")
data_gc = df[['stock_ret', 'sentiment']]
gc_res = grangercausalitytests(data_gc, maxlag=5, verbose=False)
for lag, res in gc_res.items():
p = res[0]['ssr_ftest'][1]
print(f" lag={lag}: p值={p:.4f} {'✓显著' if p<0.05 else ''}")
# ============ 6. 分组对比:高/低情绪日收益差异 ============
df['sent_bin'] = pd.qcut(df['sentiment'], 5, labels=['极低','低','中','高','极高'])
group_stat = df.groupby('sent_bin', observed=True).agg(
n=('stock_ret','size'),
mean_ret=('stock_ret','mean'),
vol=('stock_ret','std')
)
group_stat['mean_ret_bp'] = (group_stat['mean_ret'] * 10000).round(2) # 基点
print("\n【情绪分组下的平均日收益(bp)】")
print(group_stat[['n','mean_ret_bp','vol']].round(4))
# t检验:极高 vs 极低
high = df[df['sent_bin']=='极高']['stock_ret']
low = df[df['sent_bin']=='极低']['stock_ret']
t, p = stats.ttest_ind(high, low, equal_var=False)
diff_bp = (high.mean() - low.mean()) * 10000
print(f"\n极高-极低情绪组日收益差: {diff_bp:.2f} bp, t={t:.3f}, p={p:.4f}")
# 可视化
fig, ax = plt.subplots(figsize=(8,4))
group_stat['mean_ret_bp'].plot(kind='bar', ax=ax, color='salmon')
ax.axhline(0, color='k', lw=0.8)
ax.set_ylabel('平均日收益 (bp)')
ax.set_title('不同情绪分位下的平均日收益')
plt.tight_layout(); plt.show()
# ============ 7. 增量样本外检验(可选):用情绪预测次日收益 ============
df['sent_lag1'] = df['sentiment'].shift(1)
df['ret_lag1'] = df['stock_ret'].shift(1)
dfc = df.dropna()
# 仅滞后项
m_a = sm.OLS(dfc['stock_ret'], sm.add_constant(dfc[['ret_lag1']])).fit()
# 加入滞后情绪
m_b = sm.OLS(dfc['stock_ret'], sm.add_constant(dfc[['ret_lag1','sent_lag1']])).fit()
print(f"\n预测次日收益: 仅AR(1) R²={m_a.rsquared:.4f} | +情绪 R²={m_b.rsquared:.4f}")
print(f"情绪滞后项 t={m_b.tvalues['sent_lag1']:.2f}, p={m_b.pvalues['sent_lag1']:.4f}")
如何解读结果(示例输出含义)
| 指标 | 含义 | 典型解读 |
|---|---|---|
| 相关系数 r | 线性关联强度 | 1–0.2 属于弱相关,0.3+ 才算明显 |
| R² | 情绪解释的波动比例 | 单因子 R² 常在 1%–5%,A股情绪类因子普遍不高 |
| ΔR² | 控制市场后的增量贡献 | 若 <1%,说明情绪增量解释力有限 |
| 格兰杰 p 值 | 情绪是否领先 | p<0.05 说明有预测性(注意伪相关) |
| 高低组收益差(bp) | 经济显著性 | 日差 20–50bp 算有意义,<10bp 基本可忽略 |
| t 统计量 | 统计显著性 | |t|>2 显著 |
经验性结论(基于大量学术与业界的共识):
- 情绪指数对日频收益的解释力通常较弱(R² 多在 1%–8%),但对成交量、波动率的解释力更强(R² 可达 20%–40%)。
- 情绪的领先性多体现在 1–3 个交易日,且存在"反转"特征(过度乐观后回调)。
- 单独看"影响大不大":统计显著但经济贡献有限;必须结合行业、市值、换手率等做分层。
换成真实数据的建议
- 情绪指标来源:
- 东方财富/同花顺"情绪指数"
- 微博、股吧文本情感打分(SnowNLP、FinBERT)
- 百度指数、Google Trends 搜索热度
- VIX 反向指标、融资融券余额变化率、北向资金流
- 对齐频率:将情绪按交易日重采样(均值/收盘值),注意时区与公告时滞。
- 稳健性:分市场状态(牛/熊)、分行业、控制 Fama-French 三因子后再检验。
- 防止伪回归:先做 ADF 平稳性检验;非平稳时用差分或协整。
一句话结论
通过上述框架可量化得出:情绪指数在统计上常显著,但单因子对日收益的解释力通常只有个位数百分比;其真正价值更多体现在对波动率、成交量和短期反转的预测上,需配合市场因子与分层分析才能判断"影响有多大"。
如果你能提供具体数据文件(CSV/Excel)或指定情绪指数来源,我可以直接把这段代码改造成读取你的数据、输出真实数值结论的脚本。
直播入口
曼联直播曼联直播曼联直播曼联直播曼联直播利物浦直播利物浦直播利物浦直播利物浦直播利物浦直播巴萨直播巴萨直播巴萨直播巴萨直播巴萨直播U17直播U17直播U17直播U17直播U17直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播曼联直播曼联直播曼联直播曼联直播曼联直播利物浦直播利物浦直播利物浦直播利物浦直播利物浦直播巴萨直播巴萨直播巴萨直播巴萨直播巴萨直播U17直播U17直播U17直播U17直播U17直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播曼联直播曼联直播曼联直播曼联直播曼联直播利物浦直播利物浦直播利物浦直播利物浦直播利物浦直播巴萨直播巴萨直播巴萨直播巴萨直播巴萨直播U17直播U17直播U17直播U17直播U17直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播曼联直播曼联直播曼联直播曼联直播曼联直播利物浦直播利物浦直播利物浦直播利物浦直播利物浦直播巴萨直播巴萨直播巴萨直播巴萨直播巴萨直播U17直播U17直播U17直播U17直播U17直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播曼联直播曼联直播曼联直播曼联直播曼联直播利物浦直播利物浦直播利物浦直播利物浦直播利物浦直播巴萨直播巴萨直播巴萨直播巴萨直播巴萨直播U17直播U17直播U17直播U17直播U17直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播尤文图斯直播