吳軒藝

（貴州財經(jīng)大學(xué)，貴州 貴陽 550025)

0 引言

我國的資本市場具有“融資投資、市場定價、資源配置、產(chǎn)權(quán)管理”等多種樞紐功能，能夠有效推動實體經(jīng)濟、促進企業(yè)創(chuàng)新。黨的二十大報告中也論述：在實現(xiàn)中國式現(xiàn)代化的道路上，需要大力發(fā)展多層次資本市場,而資本市場的健康發(fā)展也能夠滿足投資者對實體經(jīng)濟多樣化的金融需求”。

在資本市場中，周期性的波動除了經(jīng)濟自身的周期性規(guī)律外，還有政治、外交、科技、產(chǎn)業(yè)結(jié)構(gòu)、情緒等諸多外因的影響，而股票市場作為其中之一，是與普通投資者聯(lián)系最為密切，參與度最高的資本市場。大量的股民常常帶著投機心理參與投資，而并不具備專業(yè)投資知識，隨著證券研報的出現(xiàn)，讓普通投資者在一定程度快速了解行業(yè)概況上發(fā)揮了巨大的作用。證券研報即證券研究報告，指的是證券公司為提供投資咨詢服務(wù)而發(fā)布的具有一定市場情緒偏好的報告。在信息大爆炸的時代，研報又細(xì)分為行研研報，個股研報，策略報告，新股研報，券商晨報，每日資訊等，根據(jù)中國結(jié)算官網(wǎng)發(fā)布的報告，我國股民數(shù)量已破兩億人次，除了專業(yè)機構(gòu)或公司能夠進行深入實地調(diào)查、獲得一手的投資資料外，絕大多數(shù)的投資者都是依靠各券商分析師發(fā)行的研報來作為投資的依據(jù)[1]。

但是投資者僅靠一兩篇研報并不能做出正確的投資行為，應(yīng)博采眾長，通過大量研報比較與分析，而由于其精力有限無法集體閱讀，必定就會產(chǎn)生“拍腦袋”決策投資行為；而實際投資活動中研報帶有滯后性，并且大多數(shù)普通投資者都追求短期投機，依研報投資決策的股民在風(fēng)雨突變的股市里其收益率也會大打折扣。從另一角度看，研報之所以依舊重要，主要因為研報是分析師花費大量的時間和精力查閱大量行業(yè)信息，深入市場多渠道采集樣本，通過大量深度思考而得到的研究結(jié)果，有其內(nèi)在的嚴(yán)密邏輯、獨特看法以及對行業(yè)本質(zhì)及規(guī)律性認(rèn)識的研究[2]。雖然對于普通投資者在大多數(shù)投資活動上具有時間差、低回報率的特點，但是對于創(chuàng)業(yè)者、在校畢業(yè)生以及經(jīng)濟愛好者等人群來講，研報是快速了解行業(yè)、判斷其發(fā)展前景、預(yù)測其經(jīng)濟走勢的利器。通過獲取海量研報的重點、熱點等相關(guān)信息快速知曉行業(yè)框架或行業(yè)前景，讓研報信息充分發(fā)揮其最大價值。

伴隨著大數(shù)據(jù)的深入發(fā)展，除了大量對于結(jié)構(gòu)化數(shù)據(jù)的研究外，眾多文本性數(shù)據(jù)的分析技術(shù)也漸漸成熟。利用機器算法將語言文本進行挖掘、分類、抽取、識別、預(yù)測等又讓學(xué)者們發(fā)現(xiàn)了文本的其他重大信息。但是近年來文本數(shù)據(jù)挖掘分析多應(yīng)用在電商評論、社交媒體留言等方面，很少有學(xué)者將其文本挖掘與分析技術(shù)應(yīng)用于金融行業(yè)研報[3]。主要原因是其金融領(lǐng)域產(chǎn)生更多的是結(jié)構(gòu)化數(shù)據(jù)，如金融交易數(shù)據(jù)、歷年國內(nèi)生產(chǎn)總值、可支配收入支出等，因此大都從定量的角度去構(gòu)建量化交易策略、建設(shè)金融計量模型，探討經(jīng)濟數(shù)據(jù)關(guān)系等，而研報作為金融市場上為數(shù)不多的具有完整邏輯體系的非結(jié)構(gòu)化數(shù)據(jù)，其傳遞的信息量也具有巨大的參考價值，不只體現(xiàn)在投資領(lǐng)域，更多也體現(xiàn)在判斷行業(yè)規(guī)律以及預(yù)測行業(yè)發(fā)展前景上。并且隨著人工智能與互聯(lián)網(wǎng)的發(fā)展，人們獲取信息其背后都離不開機器對內(nèi)容的理解。文章將文本數(shù)據(jù)挖掘與分析應(yīng)用于金融領(lǐng)域的海量行業(yè)研報上，通過對非結(jié)構(gòu)化數(shù)據(jù)進行分析[3]，快速從大量研報中找到行業(yè)關(guān)注重點與方向，滿足人們挖掘信息的相關(guān)需求。

1 研究工具

閱讀分析單個或者少量的研報可以通過傳統(tǒng)的人工方法完成，但在如今爆炸似的研報信息面前，無法再單純地依靠人工整理實現(xiàn)。而伴隨著大數(shù)據(jù)應(yīng)運而生的機器學(xué)習(xí)卻能很好地解決該問題。Python是一種面向?qū)ο蟮慕忉屝陀嬎銠C程序設(shè)計語言，其語法簡潔清晰，承載的包和庫種類多樣，在文本挖掘領(lǐng)域有著廣泛的應(yīng)用。一般對于結(jié)構(gòu)性數(shù)據(jù)人們采用pandas、nump、matplotlib庫進行分析與統(tǒng)計，而對于中文文本分析并應(yīng)用廣泛的是jieba，collections，wordcloud，NetworkX等庫。

1) jieba是強大的Python分詞庫，主要用于中文分詞、關(guān)鍵詞提取、詞性標(biāo)注、詞位置查詢等。在中文里面，詞是最小的能夠獨立運動的且具有意義的語言成分；與西方語言不同的是，詞與詞之間沒有空格之類的標(biāo)志，因而jieba庫的分詞原理主要利用中文詞庫來確定漢字之間的關(guān)聯(lián)概率，也結(jié)合相鄰的字同時出現(xiàn)的次數(shù)越多，越有可能構(gòu)成詞語的規(guī)律來進行統(tǒng)計，找出基于詞頻的最大切分組合，同時在jieba中還可以自定義詞典，通過用戶添加任意詞組進行更加貼合情況的分詞。jieba 分詞主要有三種模式[4]：精確模式、全模式、搜索引擎模式。

2) collections 庫中的 Counter 計數(shù)器通常用于詞頻統(tǒng)計，可避免使用 for 循環(huán)來手動統(tǒng)計詞頻。Counter 主要對文本數(shù)據(jù)中重要詞匯進行迭代并將出現(xiàn)次數(shù)進行統(tǒng)計，最終返回一個字典，通過觀察詞出現(xiàn)頻次多少的變化，來確定熱點及其變化趨勢。

3) wordcloud是自然語言處理中常用的方法，可以比較直觀而又突出其重點，關(guān)鍵詞在詞云圖中凸顯的大小和區(qū)域，讓人在視覺上給予更多的關(guān)注。主要代碼如下：

表1 wordcloud代碼

4) NetworkX 是Python 編程語言中用于語義網(wǎng)絡(luò)分析的庫，其靈活的數(shù)據(jù)結(jié)構(gòu)和算法，可以輕松創(chuàng)建各種類型網(wǎng)絡(luò)圖來對語義關(guān)系進行分析，可視化展示也使其成為數(shù)據(jù)分析領(lǐng)域中不可或缺的工具之一。其基本原理是將文本數(shù)據(jù)轉(zhuǎn)化為語義網(wǎng)絡(luò)，從中提取出關(guān)鍵詞和關(guān)系，建立節(jié)點和邊的圖模型。

2 文本挖掘

2.1 數(shù)據(jù)爬取

利用爬蟲技術(shù)收集東方財富網(wǎng)上汽車整車行業(yè)近兩年的研報內(nèi)容，由于東方財富網(wǎng)的行業(yè)研報數(shù)據(jù)是儲存在同一個url 地址的表格中，爬蟲程序利用while 循環(huán)實現(xiàn)自動表格翻頁爬取[5]，將數(shù)據(jù)保存下來，部分代碼如下：

def yanbao():

count = 1

while count <= 25:

for i in range(1,2):

def get_data():

...

count = count+1

if count>=26:

Break

同時研報文本信息在‘報告名稱’所記載的網(wǎng)頁中，程序通過讀取表格中每一個‘報告名稱’中URL地址獲取其內(nèi)容，部分代碼如下：

driver=webdriver.Chrome()

data=pd.read_excel(r"D:/Users/python write/Python-cut/1.xlsx")

contents=[]

def get_contents():

for url in data[′報告名稱′]:

driver.get(url)

最后合并兩者內(nèi)容并以excl形式保存到本地，如表2所示：

表2 爬取文本信息

共獲取到2021年9月27日到2023年1月11日的1 171條行業(yè)研報文本數(shù)據(jù)，為了數(shù)據(jù)完整性，同時爬取了其日期、評級、評級變動、機構(gòu)名稱等信息。粗略地瀏覽一遍報告內(nèi)容，存在很多廢詞、標(biāo)點等無用信息，需要進一步處理。

2.2 詞頻與詞云

導(dǎo)入中文分詞jieba 庫，運用jieba.lcut()語句進行精確分詞，即把文本精確切開后，若經(jīng)過組合還能還原成之前文本同時不存在冗余詞，同時由于時代的發(fā)展會產(chǎn)生大量新詞，再加上金融領(lǐng)域會有一些特有專有名詞，于是構(gòu)建自定義詞典再進行分詞；然后為了不影響文本分析的進行，利用停用詞stopwords，將文本中沒有任何含義的詞篩選出來；最后從collections庫導(dǎo)入 Counter 用于詞頻統(tǒng)計，將之前處理好的文本中的詞進行累計計數(shù)，之后利用sort函數(shù)進行排序，將排序靠前的詞，即研報中提及次數(shù)最多的詞和詞頻數(shù)提取出來，部分?jǐn)?shù)據(jù)見圖1：

圖1 詞頻統(tǒng)計

詞云也叫文字云，將文本中的關(guān)鍵詞進行渲染以圖片形式呈現(xiàn)，更加直觀地了解文本主題。導(dǎo)入wordcloud 庫，圖片蒙版選擇一張本地自有圖片，最終將研報文本詞庫以詞云圖的形式呈現(xiàn)，見圖2。

2.3 語義網(wǎng)絡(luò)分析

基于語義網(wǎng)絡(luò)分析法，對汽車整車行業(yè)研報進行網(wǎng)絡(luò)分析和關(guān)系挖掘，語義網(wǎng)絡(luò)中的節(jié)點為主題，而邊則表示節(jié)點之間的關(guān)聯(lián)關(guān)系。以此了解研報中對整車行業(yè)做出的主題分析，重點領(lǐng)域介紹等，也可為研究整車行業(yè)的發(fā)展趨勢和政策制定提供參考。文章通過 networkx 等庫，構(gòu)造詞頻矩陣和 TF-IDF 矩陣，并計算相關(guān)系數(shù)，最終得到了詞共現(xiàn)分析網(wǎng)絡(luò)的可視化，可以更好地觀察和分析網(wǎng)絡(luò)結(jié)構(gòu)和特征，如圖3所示。

圖3 語義分析網(wǎng)絡(luò)圖

3 結(jié)果分析

文章發(fā)現(xiàn)在獲取的汽車整車行業(yè)研報文本數(shù)據(jù)中，除了本身關(guān)于汽車一詞提及多達(dá)8 314 次外，“同比”和“環(huán)比”一詞分別提及6 258 次和4 817 次，詞云圖也呈現(xiàn)出“銷量”“需求”等詞。說明研究報告大多數(shù)主要從各汽車企業(yè)銷售情況入手，比較其年月的銷量，分析市場需求。

同時詞頻中“增長”提及3 636 次，“新能源汽車”提及了2 426 次，“新能源車”提及1 197 次，“新能源”提及1 853 次，“政策”提及1 293 次，很明顯汽車行業(yè)主要發(fā)展前景集中在新能源車上，這也與我國綠色發(fā)展政策密不可分，國家一直堅持綠色發(fā)展之路，共創(chuàng)美好未來，并且從2020 年9 月就明確提出了2030 年“碳達(dá)峰”與2060年“碳中和”的目標(biāo)，新能源已經(jīng)被稱為第三次能源革命，新能源產(chǎn)業(yè)在未來會將是一片新藍(lán)海[6]，其中不乏大量的就業(yè)、創(chuàng)業(yè)機會。

研報中“智能”提及了2 091 次，詞云圖也直觀地看出“科技”“電動”等詞在文本中是重點。新能源車除了在綠色環(huán)保上下功夫更朝著智能化方向推進，不斷進行迭代與創(chuàng)新，推動著汽車產(chǎn)業(yè)鏈的變革。同時“零部件”一詞提及了2 218 次，在汽車產(chǎn)業(yè)上下游中零部件相關(guān)的產(chǎn)業(yè)鏈也是當(dāng)下關(guān)注的熱點。

“比亞迪”和“特斯拉”分別談及1 926 次、1 763次，結(jié)合其描述可以看出，兩家公司在新能源車行業(yè)銷量遙遙領(lǐng)先，作為行業(yè)標(biāo)桿，對其研發(fā)投入和發(fā)展規(guī)劃都值得關(guān)注和研究。

從詞頻圖上還可以看到，“風(fēng)險”“不及”“建議”等詞也多次出現(xiàn)，因為研報僅僅是提供一種投資建議，依然存在很多不確定性。畢竟每一個行業(yè)都會有周期性或者突發(fā)事件，如詞云中“疫情”一詞也出現(xiàn)其中，在詞頻中被談及到了1 573次，說明突發(fā)事件也會對汽車行業(yè)的發(fā)展造成相應(yīng)的影響。因而在預(yù)測行業(yè)前景或者做投資決策時，也需要考慮到相關(guān)的問題，防患于未然。

在語義分析網(wǎng)絡(luò)圖中，研報整體從新能源汽車、銷量、智能化、用車等主題來進行研報的擴展分析，在新能源汽車主題下，主要從企業(yè)角度，如著名的特斯拉、中國的吉利、長安、長城等車企來討論，其中有關(guān)注到該行業(yè)自主研發(fā)芯片、電動化的發(fā)展；其次對于汽車行業(yè)的現(xiàn)狀也有談及，如產(chǎn)業(yè)鏈、零售、消費、政策等主題；同時也有一部分談及了疫情對汽車行業(yè)銷量的影響；并且從增長、有望、提升主題詞看，研報整體對汽車整車行業(yè)的智能化、能源化是抱有積極態(tài)度的。

4 總結(jié)

文章通過Python技術(shù)對研報文本的挖掘與分析，從詞頻、詞云、語義網(wǎng)絡(luò)角度出發(fā)對汽車整車行業(yè)作了大致的梳理，明確了該行業(yè)發(fā)展方向、研究熱點以及龍頭企業(yè)等相關(guān)信息，提高了閱讀海量研報的效率和準(zhǔn)確度，為有研報閱讀需求的人們提供了更加高效的方案。