[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"project-92292":3},{"id":4,"name":5,"fullName":6,"owner":7,"repo":5,"description":8,"homepage":8,"htmlUrl":8,"language":9,"languages":8,"totalLinesOfCode":8,"stars":10,"forks":11,"watchers":11,"openIssues":12,"contributorsCount":12,"subscribersCount":12,"size":12,"stars1d":12,"stars7d":12,"stars30d":13,"stars90d":12,"forks30d":12,"starsTrendScore":12,"compositeScore":14,"rankGlobal":8,"rankLanguage":8,"license":15,"archived":16,"fork":16,"defaultBranch":17,"hasWiki":18,"hasPages":16,"topics":19,"createdAt":8,"pushedAt":8,"updatedAt":20,"readmeContent":21,"aiSummary":22,"trendingCount":12,"starSnapshotCount":12,"syncStatus":11,"lastSyncTime":23,"discoverSource":24},92292,"digital-finance-factor-pricing","lgz20061024-cmyk\u002Fdigital-finance-factor-pricing","lgz20061024-cmyk",null,"Python",102,2,0,40,42.43,"MIT License",false,"main",true,[],"2026-07-22 04:02:05","# 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\n\n> **Traditional vs Digital Factors: Asset Pricing in China's A-Share Electronic Components Sector**\n>\n> 数字金融导论 Final Project · Shenzhen MSU-BIT University · 2025 Spring\n\n---\n\n## 📌 项目概述 | Overview\n\n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。\n\n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？**\n\n> 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.\n\n---\n\n## 🧩 研究方法 | Methodology\n\n| 模块 | 方法 | 说明 |\n|------|------|------|\n| **数据底座** | akshare API + 东方财富爬虫 | 财务指标 + 日线价格 + 股吧帖子 |\n| **因子工程** | 7传统因子 + 5情感因子 | z-score 标准化、Panel 构建 |\n| **线性定价** | Fama-MacBeth 两步回归 | 基准\u002F受控\u002F数字 三模型对比 |\n| **非线性建模** | XGBoost + LightGBM + SHAP | 特征重要性、非线性交互 |\n| **分组回测** | 5分位组合（含0.1%滑点） | 传统\u002F数字\u002F联合 三组对比 |\n| **稳健性** | 子期间分析（牛\u002F熊） | 2019-2021 vs 2022-2025 |\n\n### 因子定义 | Factor Definitions\n\n**传统因子 (A组)：**\nROE, ROA, 资产负债率, 流动比率, 速动比率, 毛利率, 净利率\n\n**数字因子 (B组)：**\nSENT_MEAN（季度平均情感分）, SENT_STD（波动率）, SENT_POS_RATIO（正面帖占比）,\nSENT_NEG_RATIO（负面帖占比）, SENT_VOLUME（讨论热度）\n\n---\n\n## 📂 项目结构 | Project Structure\n\n```\nfinal\u002F\n├── main.py                    # 主程序入口（全流程管线）\n├── config.py                  # 配置中心（参数\u002F路径\u002F因子定义）\n├── data_loader.py             # akshare 数据拉取 + 本地缓存\n├── factors.py                 # 因子工程 + Panel 构建\n├── fama_macbeth.py            # Fama-MacBeth 两步回归\n├── ml_models.py               # XGBoost + LightGBM + SHAP\n├── backtest.py                # 分组回测（含滑点）\n├── visualize.py               # 可视化（7图 + 5表）\n├── sentiment_analyzer.py      # SnowNLP 情感分析\n├── sentiment_crawler.py       # 东方财富股吧爬虫\n├── stock_filter.py            # 股票过滤（ST\u002F次新股）\n├── generate_answers.py        # 期末复习答案文档生成\n├── requirements.txt           # Python 依赖\n│\n├── data\u002F\n│   ├── prices\u002F                # 60只股票日线数据 (CSV)\n│   ├── financials\u002F            # 60只股票财务指标 (CSV)\n│   └── sentiment\u002F             # 股吧帖子 + 情感分 (CSV)\n│\n├── output\u002F                    # 图表 + 表格输出\n│   ├── fig1~7_*.png           # 7张可视化图表\n│   └── table*.csv             # FM回归表 + 回测绩效表\n│\n└── docs\u002F                      # 论文 + PPT + 文档\n    ├── 数字金融导论第二组小组论文.pdf\n    ├── 项目完整大纲_终版.docx\n    ├── Traditional_vs_Digital_Finance.pptx\n    └── ...\n```\n\n---\n\n## 🚀 快速开始 | Quick Start\n\n### 环境 | Requirements\n\n```bash\npip install -r requirements.txt\n```\n\n核心依赖：`akshare`, `pandas`, `numpy`, `statsmodels`, `xgboost`, `lightgbm`, `shap`, `snownlp`, `jieba`, `matplotlib`, `seaborn`\n\n### 运行 | Run\n\n```bash\n# 全流程（含数据拉取 + 爬虫）\npython main.py\n\n# 跳过数据拉取（使用缓存）\npython main.py --skip-fetch\n\n# 跳过股吧爬虫\npython main.py --skip-crawl\n\n# 跳过机器学习\npython main.py --skip-ml\n```\n\n---\n\n## 📊 核心发现 | Key Findings\n\n### Fama-MacBeth 回归\n\n| 因子 | 平均溢价 | NW t-stat | p-value |\n|------|----------|-----------|---------|\n| 速动比率 | -15.91% | -2.54 | 0.011** |\n| 流动比率 | +14.43% | +2.28 | 0.023** |\n| 毛利率 | +1.23% | +1.63 | 0.104 |\n| ROE | +1.09% | +0.53 | 0.595 |\n\n> 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）。\n\n### 分组回测（5分位）\n\n| 组合 | 年化收益 | 夏普比率 | 最大回撤 |\n|------|----------|----------|----------|\n| Q1 (Low) | 12.15% | 0.34 | -29.87% |\n| Q5 (High) | 18.07% | 0.47 | -33.90% |\n| **Long-Short** | **3.82%** | **0.07** | **-22.99%** |\n\n### 情感因子回测\n\n| 指标 | 数值 |\n|------|------|\n| 方向正确率 | 4\u002F6 (67%) |\n| 年化收益 | +86.4% |\n| 夏普比率 | 1.49 |\n| 最大回撤 | -21.4% |\n\n---\n\n## ⚠️ 注意事项 | Notes\n\n- 本项目为**课程作业**，不构成投资建议\n- 数据来源：akshare (东方财富) + 东方财富股吧\n- 样本期：2019Q1 – 2025Q4\n- 行业范围：仅限元件板块，结论不可简单外推\n- 滑点假设：0.1% 单边（实际交易成本可能更高）\n\n---\n\n## 📄 License\n\nThis project is released under the MIT License. See `LICENSE` for details.\n\nProject materials are shared for educational and research purposes. Source data copyrights remain with their respective owners.\n","该项目研究中国A股电子元件板块（MLCC、PCB等约60只股票）中数字舆情因子相对于传统财务因子的资产定价能力。通过爬取东方财富股吧文本并用SnowNLP提取情感均值、波动率、正负帖占比及讨论热度等5个数字因子，结合7个传统财务因子，采用Fama-MacBeth回归、XGBoost\u002FLightGBM建模、SHAP可解释性分析及带滑点的五分位组合回测，系统评估两类因子的增量解释力与投资有效性。适用于金融学术研究、量化因子挖掘、舆情驱动策略开发及高校数字金融课程实践场景。","2026-07-08 04:30:00","CREATED_QUERY"]