digital-finance-factor-pricing

KO | EN

gitlite — search

#javascript #python #hacktoberfest #react #ai #typescript #llm #go #golang #android #machine-learning #rust #deep-learning #linux

digital-finance-factor-pricing

★ 14 Open GitHub ↗

No description available.

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# 传统财务因子 vs 数字舆情因子：中国A股元件板块的定价能力比较

> **Traditional vs Digital Factors: Asset Pricing in China's A-Share Electronic Components Sector**
>
> 数字金融导论 Final Project · Shenzhen MSU-BIT University · 2025 Spring

---

## 📌 项目概述 | Overview

本研究以中国A股**元件板块**（MLCC + PCB + 电子元件，~60只股票）为样本，系统比较**传统财务因子**与**数字舆情因子**在资产定价中的表现差异。

核心问题：**NLP情感信号是否具有传统因子之外的增量定价能力？**

> This project compares traditional financial factors against NLP-based sentiment factors extracted from Eastmoney Guba (股吧) posts, using Fama-MacBeth regression, gradient-boosting ML models, SHAP analysis, and portfolio backtesting.

---

## 🧩 研究方法 | Methodology

| 模块 | 方法 | 说明 |
|------|------|------|
| **数据底座** | akshare API + 东方财富爬虫 | 财务指标 + 日线价格 + 股吧帖子 |
| **因子工程** | 7传统因子 + 5情感因子 | z-score 标准化、Panel 构建 |
| **线性定价** | Fama-MacBeth 两步回归 | 基准/受控/数字 三模型对比 |
| **非线性建模** | XGBoost + LightGBM + SHAP | 特征重要性、非线性交互 |
| **分组回测** | 5分位组合（含0.1%滑点） | 传统/数字/联合 三组对比 |
| **稳健性** | 子期间分析（牛/熊） | 2019-2021 vs 2022-2025 |

### 因子定义 | Factor Definitions

**传统因子 (A组)：**
ROE, ROA, 资产负债率, 流动比率, 速动比率, 毛利率, 净利率

**数字因子 (B组)：**
SENT_MEAN（季度平均情感分）, SENT_STD（波动率）, SENT_POS_RATIO（正面帖占比）,
SENT_NEG_RATIO（负面帖占比）, SENT_VOLUME（讨论热度）

---

## 📂 项目结构 | Project Structure

```
final/
├── main.py                    # 主程序入口（全流程管线）
├── config.py                  # 配置中心（参数/路径/因子定义）
├── data_loader.py             # akshare 数据拉取 + 本地缓存
├── factors.py                 # 因子工程 + Panel 构建
├── fama_macbeth.py            # Fama-MacBeth 两步回归
├── ml_models.py               # XGBoost + LightGBM + SHAP
├── backtest.py                # 分组回测（含滑点）
├── visualize.py               # 可视化（7图 + 5表）
├── sentiment_analyzer.py      # SnowNLP 情感分析
├── sentiment_crawler.py       # 东方财富股吧爬虫
├── stock_filter.py            # 股票过滤（ST/次新股）
├── generate_answers.py        # 期末复习答案文档生成
├── requirements.txt           # Python 依赖
│
├── data/
│   ├── prices/                # 60只股票日线数据 (CSV)
│   ├── financials/            # 60只股票财务指标 (CSV)
│   └── sentiment/             # 股吧帖子 + 情感分 (CSV)
│
├── output/                    # 图表 + 表格输出
│   ├── fig1~7_*.png           # 7张可视化图表
│   └── table*.csv             # FM回归表 + 回测绩效表
│
└── docs/                      # 论文 + PPT + 文档
    ├── 数字金融导论第二组小组论文.pdf
    ├── 项目完整大纲_终版.docx
    ├── Traditional_vs_Digital_Finance.pptx
    └── ...
```

---

## 🚀 快速开始 | Quick Start

### 环境 | Requirements

```bash
pip install -r requirements.txt
```

核心依赖：`akshare`, `pandas`, `numpy`, `statsmodels`, `xgboost`, `lightgbm`, `shap`, `snownlp`, `jieba`, `matplotlib`, `seaborn`

### 运行 | Run

```bash
# 全流程（含数据拉取 + 爬虫）
python main.py

# 跳过数据拉取（使用缓存）
python main.py --skip-fetch

# 跳过股吧爬虫
python main.py --skip-crawl

# 跳过机器学习
python main.py --skip-ml
```

---

## 📊 核心发现 | Key Findings

### Fama-MacBeth 回归

| 因子 | 平均溢价 | NW t-stat | p-value |
|------|----------|-----------|---------|
| 速动比率 | -15.91% | -2.54 | 0.011** |
| 流动比率 | +14.43% | +2.28 | 0.023** |
| 毛利率 | +1.23% | +1.63 | 0.104 |
| ROE | +1.09% | +0.53 | 0.595 |

> 流动性因子在元件板块有显著定价力，盈利因子定价力有限（与CH-3一致）。

### 分组回测（5分位）

| 组合 | 年化收益 | 夏普比率 | 最大回撤 |
|------|----------|----------|----------|
| Q1 (Low) | 12.15% | 0.34 | -29.87% |
| Q5 (High) | 18.07% | 0.47 | -33.90% |
| **Long-Short** | **3.82%** | **0.07** | **-22.99%** |

### 情感因子回测

| 指标 | 数值 |
|------|------|
| 方向正确率 | 4/6 (67%) |
| 年化收益 | +86.4% |
| 夏普比率 | 1.49 |
| 最大回撤 | -21.4% |

---

## ⚠️ 注意事项 | Notes

- 本项目为**课程作业**，不构成投资建议
- 数据来源：akshare (东方财富) + 东方财富股吧
- 样本期：2019Q1 – 2025Q4
- 行业范围：仅限元件板块，结论不可简单外推
- 滑点假设：0.1% 单边（实际交易成本可能更高）

---

## 📄 License

This project is released under the MIT License. See `LICENSE` for details.

Project materials are shared for educational and research purposes. Source data copyrights remain with their respective owners.

digital-finance-factor-pricing

Explore Similar Repositories

Was this content helpful?

Recent Feedback

Download README