迈向系统性日内新闻筛选：一种以流动性为中心的方法

新闻可以传达对金融资产的看空或看多观点。机构投资者需要基于文本数据自动评估隐含的新闻情绪。鉴于每天发布的大量新闻中大多为中性，我们提出一种系统性新闻筛选方法，以识别“真正”有影响力的新闻，从而更有效地开发新闻情绪学习方法。基于若干流动性驱动变量，包括波动率、换手率、买卖价差和订单簿规模，我们将每个 5 分钟时间区间关联到两种特定流动性模式之一。一种代表市场大部分时间所处的“平静”状态，另一种以相对较高的波动率和交易量为特征，描述由某些外生事件驱动的 regime。随后我们聚焦于流动性模式从前者切换至后者的时刻，并认为临近发布的新闻是有影响力的。作为示例，我们在这些筛选后的样本上应用朴素贝叶斯进行新闻情绪分类。我们表明，相较于原始数据集，筛选后的数据集能实现更有效的特征捕捉，从而在短期资产收益预测上表现更优。