李管春做量化的人多半听过一句话：新闻里的信息早就反映在价格里了。可真正把新闻流接进数据库、跑完几轮事件研究之后，我的第一反应已经从“果然有效市场”变成了“为什么残留的定价错误还有这么多”。这套 Sentiment & News Alphas 系列里，第 1 章更多是处理情绪数据的整体框架，告诉你怎么把论坛情绪和新闻情绪分开看待；第 3 章会讲多因子组合层面的合成。而这一章，我想完整展开中间最容易被做成“黑盒”的部分——新闻 Alpha 的信号产生逻辑、文本工程、回测陷阱和执行细节。
我不打算把文章写成产品说明书，也不会给你一套“照着跑就能赚钱”的模板。能稳定赚钱的新闻策略，靠的是对数据生成过程和交易摩擦的持续理解，而不是某个情绪得分阈值。这篇文章适合已经做过基础量价因子、正准备往文本数据方向延伸的同行；也适合那些明明拿到新闻数据，却总觉得信号一实盘就失效的团队。下面这些内容，都是我实际调过数据、跑过回测、被滑点教育过之后沉淀下来的思路。
1. 新闻Alpha的产生逻辑：价格缺口来自注意力与解读的“迟到”
1.1 市场吸收信息的节奏并不像教科书写的那样快
有效市场假说里有个很方便的假设：信息一旦公开，价格会瞬间调整到位。真实情况完全不是这样。你把一条财报新闻推送出去之后，市场参与者需要时间做三件事：看到新闻、理解新闻、判断新闻与其他信息的关联。这三件事每一步都有摩擦。尤其是当一个交易日同时有几百条上市公司动态时，绝大多数新闻根本没有获得足够的注意力，更不用说被完整定价了。
从量化角度看，这种“注意力不足”恰恰是 Alpha 的来源。新闻 Alpha 的本质不是猜对利好利空，而是抓住“价格需要一段时间才能充分反映新信息”的窗口。这个窗口有时候只有几分钟，有时候能持续几天，取决于新闻类型、公告复杂度和当时市场情绪环境。很多人把新闻策略理解成抢快，觉得只要比别人早一秒拿到新闻就能赚钱。抢快确实是一种流派，但它只适用于少数标准化公告；更大的机会藏在那些需要认真解读、市场一时半会儿反应不过来的公告里。
1.2 新闻 Alpha 的三种真实来源
我习惯把新闻 Alpha 拆成三类来看，这样拆完，策略设计才不会眉毛胡子一把抓。
速度型 Alpha。消息发布后，如果价格还没完成调整，你比其他人更快地执行交易，就能赚到定价滞后的钱。这个窗口可能短到几十秒，尤其是那些有明确数值、能被机器直接读取的公告，比如财报营收、利润、分红方案。赚这类钱需要低延迟数据流和高速执行通道，普通散户和中小机构很难持续占优。
解读型 Alpha。新闻发布后，市场能看懂方向，但对幅度和持续性的判断会产生分歧。比如一家公司公告收购另一家公司，表面是利好，但收购价格是否合理、整合风险有多高、会不会引发增发摊薄，这些都需要交叉验证。如果模型能快速解析公告中的细粒度条款，同时结合历史可比交易的概率分布，就可以在情绪反应过度或不足时介入。这类 Alpha 的窗口比速度型长，从几分钟到几天都有。
被忽视型 Alpha。大量新闻会在发布当天根本没引起价格波动，不是因为信息不重要，而是因为市场注意力被其他热点事件吸走了。过两天资金重新关注到它时，价格才慢半拍地开始调整。这种延迟反应很难用单一事件研究捕捉，往往要靠群体层面的异象来体现。比如把一段时期内所有“低媒体报道量但高意外度”的新闻聚合在一起，统计上就能看到显著的后置漂移。
1.3 用概率框架而不是单次预测去理解新闻
单独看一条新闻，预测正确率可能只有 55%，这已经很了不起了。但在一百条新闻样本里，55% 的正确率完全足以构建正期望的策略，前提是你必须控制好单次下注金额和止损规则。很多团队在新闻策略上亏钱，不是因为模型不准，而是因为把单次预测当成确定性事件来交易。我习惯把新闻 Alpha 看作一个概率系统：信号触发后，统计上正期望大于负期望，但具体到某一次交易，亏损永远可能发生。抱着这种心态去设计仓位和止损，策略才可能活下去。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 新闻工程管线：原始语料、事件抽取和时间戳的硬功夫
2.1 原始语料先分类：不是所有“新闻”都该进同一个池子
新闻数据源的质量差异非常大，如果你一开始就把所有文本倒进同一个情感模型，等于自己给自己埋雷。我做新闻 Alpha 的第一件事，是把语料分成三类。
第一类是法定披露和交易所公告，比如财报、业绩预告、股东权益变动、重大合同。这类文本结构清楚、时间戳精确、权威性高，最适合做事件驱动信号。缺点是文本模板化严重，真正有效的增量信息藏在数字和条款细节里，单纯做句子级情感分析会漏掉核心信息。
第二类是主流财经媒体的新闻报道。报道本身是对公告的二次加工，好处是已经有记者帮你提炼了重点，坏处是加工过程中会带入报道者的主观倾向，而且发布时间晚于原始公告。这类语料适合做“市场注意力”指标，来判断某条公告是否已经发酵。
第三类是社交平台和自媒体的讨论内容。它们的噪声更大，但反映的是散户情绪和注意力热点。做长周期反转或极端情绪信号时有一定价值，但不容易与单只股票的新闻 Alpha 直接挂钩，通常我会把它放在第 1 章聊过的独立情绪体系里，不与新闻信号混用。
如果不做分类就想让模型从混合语料中同时捕捉这些不同层次的信息，最终结果往往是哪个都抓不牢。
2.2 事件抽取的关键流程：主体映射、数值解析和公告去重
文本数据落库后，第一步不是跑情感模型，而是做主体映射。你需要把新闻里的公司名称、简称、股票代码、英文名、曾用名全部规整到同一个实体 ID 上。这一步看似简单，实际非常烦人，因为同一个公司在不同新闻里可能被写成全称、简称、代码甚至股票市场约定俗成的外号，如果主体映射出错，后续所有收益归因都会跟着错。
数值解析也同样重要。新闻 Alpha 的大部分有效增量信息，来自公告里可以对比的数字：营收、净利、利润率、订单金额、用户数、产能。我建议针对每类公告画一张“数字抽取模板”，把字段标注清楚，比如财报类新闻要抽取“营业收入”“归母净利润”“同比增速”“环比增速”几个核心字段。有了结构化字段，才有条件去计算真正的预期差。
公告去重经常被新手忽略，但它直接影响信号质量。同一份财报可能会被交易所网站、财经媒体、行情软件各发一遍，甚至同一家媒体还会发“摘要版”和“全文版”。如果每条都算独立新闻，同一个事件会产生一堆重复信号，回测时就会高估策略的交易频率和收益。我的做法是在事件主体和时间窗口双重维度上做相似度去重，往往用一个短时间窗口内同一公司主体的新闻组，再通过文本指纹或标题相似度，取最早发布且信息最完整的一条作为主事件。
2.3 时间戳是整个管线的分水岭
新闻数据的“时间”绝对不是一个简单字段。我踩过最大的坑之一，就是用数据库入库时间或媒体抓取时间代替真正的公告发布时间。很多数据库会把“数据落库时间”记为时间戳，但网络传输、数据提供商处理、本地解析都可能引入延迟。对于分钟级甚至秒级新闻策略来说，这种误差足以把正收益信号变成负收益。
标准做法是至少记录四个时间点：原始公告时间、新闻源首发时间、数据提供商送达时间、本地入库时间。回测时应该选取哪一个，取决于你的实盘触发机制。如果程序是监听数据提供商的推送消息来下单，那就必须用数据提供商送达时间或本地入库时间，而不是公告页面上的官方时间，否则回测里永远是“未来函数”。我见过不少团队把官方公告时间当作下单时间做回测，实盘却因为数据链路延迟一两个月就跑不出同样效果，根源就在这里。
时间戳还需要处理跨时区和跨交易日的问题。同一时刻在北京、香港、纽约对应不同的交易状态，如果新闻发生在午休时段或收盘后，价格反应可能会推迟到下一个交易日开盘，事件研究的窗口必须相应调整。
3. 情绪打分之后的关键一步：预期差和新闻类型分层
3.1 通用情感模型在新闻场景里的病根
大多数通用情感分类模型会把“利润增长 50%”标记为强正面的积极新闻，但市场表现可能恰恰相反——如果分析师一致预期是增长 80%，这份“增长 50%”的公告在机构眼里就是一份利空。反过来，“净利润下降 20%”从文本角度很负面，如果市场原本预期下降 40%，实际数据落地后股价反而可能上涨。这是新闻 Alpha 和普通文本情绪分析最本质的不同：股价反应的不是文本里的绝对褒贬，而是公告结果与市场预期之间的差值。
我并不是说文本情感模型没有用。在缺乏数值字段的非结构化新闻里，情感方向仍然是重要的中间变量。但你需要意识到，它是“备选特征”，而不是“最终信号”。把模型输出的情感分直接线性映射到预期收益上，本质上忽略了金融资产定价最核心的预期机制。
3.2 把预期差拆出来才算真正变成信号
预期差的构造通常有三种数据来源。
第一种是分析师一致预期。针对财报和业绩预告，可以参考卖方分析师的一致预期数据，计算实际值比一致预期高或低几个百分比。这个数据最干净，但覆盖面可能有限，很多中小市值股票没有分析师覆盖。
第二种是历史时间序列预期。用公司过去几个报告期的数值增速做参照，构造一个“朴素预期”。这个方法覆盖面广，但对业务突变型公司不适用。比如一家公司去年因为一次性收益导致利润暴增，今年用同比外推就会产生严重误判。
第三种是隐含市场预期。通过公告发布前的股价走势或分析师上调下调行为反推市场已经计入了什么预期。这个方法最贴近真实交易，但需要你在事件发生前不断更新状态，工程复杂度明显更高。
比较实用的做法是把三种来源做成一个加权集成预期，再计算实际公告值与预期的标准化差值。只有把预期差作为核心解释变量，情绪方向才有资格作为辅助变量进入信号生成器。我经常开玩笑说，情绪是方向盘，预期差才是油门。
3.3 按新闻类型分层使用情绪值，而不是给所有新闻同一套系数
不同公告类型的市场反应机制差异极大。财报类新闻的核心变量是“数字超预期程度”，并购重组类新闻的核心变量是“交易条款对股东价值的摊薄或增厚”，股东增减持类新闻的核心变量是“套现动机和信号传递”，而宏观政策或行业政策类新闻则要看对上市公司盈利路径的直接传导。用同一个回归系数去处理所有新闻，本质上是在逼迫模型学习某种虚假平均，结果自然不稳定。
我在实际研究时会把新闻事件做成多个分桶，并为每个分桶单独训练或校准模型。财报分桶里的样本最多、信号最纯，适合优先做；并购重组分桶样本少但单笔影响大，需要谨慎处理换手率和事件窗口长度；股东增减持分桶则有明显的反向关系，内部人卖出不一定代表公司变差，但市场往往会先恐慌再修复。每类事件都有自己独特的漂移曲线，这个曲线又受市值、流动性、历史波动率影响。真正高质量的策略，是在这些分层结构中寻找“统计上被稳定重复的定价偏差”，而不是靠一条万能情绪线硬撑。
4. 新闻策略回测中的系统性偏差：四个几乎必踩的坑
4.1 回测偏差一：时间戳和价格快照错位
新闻策略回测最致命的错误之一，是收益计算窗口与实际信息获取时间不匹配。如果拿到的新闻发布时间点是当天 9:15，但回测系统用日线数据，默认把这根 K 线的全天收益都归属于这条新闻，那就等于允许策略“看见”开盘后半小时才形成的价格信息。日线级别的新闻策略大多是不可信的，即便它在回测里曲线漂亮得惊人，也要警惕这种时间错位。
解决办法是将价格数据切成分钟级甚至 tick 级。先确定策略实际收到新闻并触发下单的最早时间，然后从那个时间点之后开始计算收益。比较稳妥的做法是同时计算三种窗口收益：事件后 1 分钟收益、事件后 5 分钟收益、事件后 30 分钟收益，通过窗口衰减速度判断信号到底是被快速套利还是存在持续漂移。如果 1 分钟窗口收益为正，30 分钟窗口收益为负，说明策略必须在极短时间内完成交易，执行难度会大幅上升。
4.2 回测偏差二：隐含的未来信息
文本数据里特别容易混进“未来信息”。比如你用某一天的新闻标题去做情感标注，看起来数据时间没有问题，但如果你使用了公司后续发布的定期报告、分析师报告或新闻正文里提到的“全年回顾”等语句，模型可能在不知不觉中学习了未来信息。
这个问题在命名实体识别阶段也很隐蔽。如果实体识别的词典是后来建的，里面包含某家公司后来才改的新名称，你把这份词典应用回历史数据时，某些早期新闻里本来无法识别成该公司的事件就会被错误标记。同样，情感词典里如果包含“破产”“退市”这类词，而这个词是在某家公司暴雷之后才被收进词典的，历史新闻的得分就被污染了。每条文本特征都必须验证“在事件发生时该特征是否可见”。我会在数据管线上加一道时间穿梭检查，确保所有词典、模型、实体表都按当时可用版本回放。
4.3 回测偏差三：样本构建与幸存者偏差
建股票池时如果只选择当前仍上市的公司，那么所有被退市的股票都被自动排除在了样本之外。那些退市股票往往伴随着大量负面新闻，在新闻 Alpha 策略里正好是重要的空头样本，把它们排除会人为抬高多头收益、压低空头收益，让整个策略看起来更加“左侧有效”。更隐蔽的是新闻覆盖偏差：如果一个公司反复出现在新闻样本里，通常是因为它市值大、关注度高，这类股票的定价效率也高，新闻 Alpha 反而更难赚；而大量没有新闻覆盖的小股票，才是新闻信号真正能发挥作用的领域，但数据源里根本不包含它们。
解决样本偏差没有一招鲜的办法，我的习惯是分层抽样验证。把股票池按市值、成交额、证券研究覆盖度分成若干层，分别测试新闻信号在各层内的有效性。如果你发现信号只在大市值高覆盖度股票上有效，那大概率是数据源偏差造成的；如果信号在小市值低覆盖度股票上显著，反而更值得进一步深挖，只是执行时要注意流动性和冲击成本。
4.4 回测偏差四：交易可行性被高估
新闻策略回测中，信号触发时的市场微观结构往往和普通交易完全不同。重大利空公告可能直接带来跌停开盘或长时间停牌，重大利好可能导致股价瞬间涨停，买卖价差会扩大到平时的好几倍甚至几十倍。回测模型如果简单按收盘价或均价成交，收益曲线会严重失真。
我自己的经验是至少采用两层可行性过滤：第一层，排除新闻事件发生时处于停牌状态或被临时特停的股票；第二层，对事件后流动性骤降的股票做可交易性惩罚，比如以买入一档和一卖一档的中间价偏离程度来估算实际成交价格，而不是理想化的 VWAP。很多回测中的高收益新闻策略，只要加入这两层过滤，收益率就会明显下降，但这恰恰是真实的、可以用于实盘的收益预期。
5. 从信号到执行：新闻Alpha非常容易磨损的最后一公里
5.1 新闻后最初几分钟的处理噪声
新闻刚发布的最初几十秒到几分钟内，订单簿处于剧烈的重新定价过程。买卖盘会被快速撤掉又新增，成交价噪声非常大。如果信号一触发就立刻按市价单冲进场，极容易买在情绪尖峰上，随后价格小幅回撤就触发止损，结果两边挨打。
我的做法是把信号触发拆成“观察”和“执行”两个阶段。观察阶段先确认新闻内容和预期差方向的一致性，同时观察盘口挂单变化和价格是否出现有效突破或跌破。执行阶段再按算法单分批建仓，避免一次性吃光盘口流动性。这个思路本质上是在“抢速度”和“付滑点”之间找平衡，而不是天真的既要速度又要最优价格。不同类型的新闻要设置不同的观察等待时间和确认条件，比如标准化财报可以在数据解析完成后马上确认方向，而并购这类复杂公告则需要更长观察时间，让市场先消化一下结构信息。
5.2 滑点和停牌：回测假设往往太理想
新闻类事件发生时，股票的流动性特征与日常相比变化剧烈。很多平时买卖价差只有几个基点的股票，在重要公告后会瞬间拉宽到几十个基点，甚至出现短暂流动性断层。如果你回测时没有对极端情况建模，就会严重低估交易成本。我建议每一次新闻事件回测都额外做一次压力成本测试，把滑点参数调整到正常水平的 3 到 5 倍，看看策略收益是否还能覆盖成本。
停牌是另一个必须处理的现实问题。重大资产重组和重大行政处罚类新闻经常伴随停牌，复牌时间难以预测。回测模型如果不处理停牌区间，会把停牌时间段错误地排除在收益计算之外，但实盘时你的资金被锁在停牌标的上，完全丧失调仓灵活性。要把停牌概率作为风险控制的一个重要维度，尤其对高换手策略，尽量回避长期停牌风险较高的标的。
5.3 把执行算法和信号触发解耦
我见过不少由同一个人同时负责信号开发和算法执行的团队，最后往往会互相扯皮。信号研究的人觉得执行太慢，把 Alpha 都磨损掉了；执行开发的人觉得信号不稳定，经常发出没有逻辑的交易指令。比较好的工程习惯是把信号触发和执行决策做逻辑解耦：信号模块只负责输出“方向、强度、置信度、建议时间窗口”，执行模块根据当时市场微观结构决定“立即下单、等回踩再下、还是放弃本次信号”。这样一旦实盘效果和回测偏差过大，可以快速定位是信号质量的问题还是执行成本的问题。
触发后的限价单也要设一个“有效期”和“失效逻辑”。尤其在行情快速波动时，限价单长期挂在盘口容易被反向成交。实际操盘中，我倾向于把每笔新闻事件的持仓周期设置为分钟级到小时级，如果持仓后一段时间内价格没有按预期方向移动，说明事件已经被市场充分定价，要么主动离场，要么收紧止损线，避免把短线事件策略做成长线基本面策略。
6. 如果只让我保留三个习惯：验尸、分桶、交易前清单
6.1 给每条新闻信号做“事后验尸”
新闻策略如果只看最终净值曲线，你很难真正进步，因为它掩盖了不同事件类型之间的巨大表现差异。我在每个实盘周期结束后，都会把已经触发的新闻信号全部倒回去复盘，将每个信号划分为四类：预测正确且收益为正、预测正确但收益为负、预测错误但价格上涨、预测错误且价格下跌。只盯着看总体预测准确率是不够的，必须理解信号在哪些新闻类型、哪些市场阶段、哪些市值区间容易失效。
这种“事后验尸”不一定要写成复杂报告，做一张结构化表格就够：每条信号记下事件类型、预期差方向、情绪强度、触发到执行的时间差、进入后 5 分钟收益、进入后 30 分钟收益，再标记当时的市场环境。连续做一段时间后，信号失效的模式会自己浮出来。比如某类公告只在牛市环境中有效，在震荡市里胜率明显下降，那就可以增加一个市场状态过滤器，把不稳定阶段的信号直接过滤掉。
6.2 一个我经常用的分组回测法
除了按新闻类型分桶，我还复用一套“预期差分桶 + 漂移时长”的二维分组法。先把所有新闻按预期差的标准化数值从小到大分成五组，再按事件后的收益曲线形态分成快速反应、慢速漂移、长期反转三类。观察哪些组合的收益稳定性最高。这个方法的优势在于能直观看出信号的生命周期，帮助你为不同信号配置不同持有周期，而不是用同一个入场和离场规则去套所有新闻。
从分组结果里，你大概率会看到这样一条规律：越接近“硬数据”的新闻，比如财报中的核心财务数据，市场反应越快，需要更短的持仓周期和更精细的执行速度；越接近“软信息”的新闻，比如管理层语调或业务战略调整，市场反应越慢，更适合在信号触发后耐心等待低吸点位。把这个规律转换成持仓周期的差异化设定，比在因子层做复杂的择时参数寻优要有效得多。
6.3 交易前固定三问
最后分享一个我落在实盘流程里的小习惯。任何一条新闻 Alpha 信号，如果要转化为真实订单，在触发之前都要过一遍三问：第一，这条新闻的预期差方向是否明确且可量化？如果结论是模棱两可的“中性偏多”，那这单的风险要加三成看待。第二，事件发生时点距离当前时间是否足够近，中间有没有可能被其他参与者在数据链路上捷足先登？如果新闻已经在市场上流传超过一段时间了，宁可放弃也不要追单。第三，如果今天开仓后立刻遇到反向大幅波动，我的止损线和仓位上限是否能接受？如果答案是不能，那就缩减仓位或干脆不做这三问看着简单，但能帮你过滤掉相当一部分冲动交易。人很容易在一条重大利好新闻面前产生“这次必须上车”的错觉，而这三问，就是给这种错觉装上的安全带。
把一个新闻从文本变成交易决策，中间没有哪个环节是可以省略的。数据时间戳错了，后面全错；预期差没算对，情感再准也白搭；回测不处理微观结构，曲线再漂亮也不敢上实盘；实盘不控制执行秩序，赚来的 Alpha 也会磨损殆尽。这些东西本身不性感，甚至有点枯燥，但真正可复用的新闻 Alpha 就藏在每一层枯燥的校验功夫里。做这行的经验越久，我越觉得，新闻模型选什么算法、用多大的神经网络，并不是最重要的胜负手，最重要的永远是你对这个数据链路的每一个环节有没有保持足够的敬畏。