[ArXiv 2025] 情感与结构的共振：Node Transformer + BERT 重新定义股市预测

TL;DR

股市预测不再仅仅是历史价格的“连连看”。本文介绍了一种全新的混合架构，它将图学习（Graph Learning）的关联性与BERT 情感分析的洞察力相结合。通过对 S&P 500 跨越 43 年的数据验证，该模型在 1 日预测中达到了 0.80% 的 MAPE，不仅在常规行情下表现优异，更在财报披露等信息高敏感期表现出惊人的抗风险能力。

痛点深挖：为什么传统模型会“失效”？

金融市场并非孤岛。现有的预测方法通常存在两个致命瓶颈：

1. 独立性假设的谬误：传统的 RNN 或 vanilla Transformer 常将每只股票视为独立序列，但现实中，苹果的波动往往会波及整个科技板块。
2. 忽视“非理性繁荣”：单纯依靠开盘/收盘价（OHLCV）无法捕捉到社交媒体上散户的群体性恐惧或贪婪，而这些行为特征往往是股价非线性跳跃的诱因。

核心方法：Node Transformer 与情感融合

1. 股票市场即图（The Market as a Graph）

作者将股市建模为图 $G=(V,E)$，其中节点是股票，边代表它们之间的关系（行业所属、价格相关性或供应链耦合）。

• 可学习的边权重：不同于静态图，Node Transformer 会在训练过程中自动调整节点间的注意力，从而捕捉到动态变化的行业轮动逻辑。

2. BERT 微调：从推文看情绪

利用 bert-base-uncased 在金融专用语料库（MSE）上进行微调。模型能够识别诸如“Short”、“Call”、“Bear”等词汇在金融语境下的特殊含义。所得情绪分值通过多尺度指数移动平均 (EMA) 处理，分为 1 日（瞬时反应）、5 日（短期震荡）及 20 日（趋势信号）。

3. 自适应门控机制 (Adaptive Gating)

这是本文最“性感”的设计：模型不是生硬地叠加价格和情绪，而是引入了一个基于**波动率（VIX）**的门控。

• 逻辑直觉：在市场平稳期，技术指标占主导；当市场剧烈波动或情绪亢奋时，门控会向 BERT 提取的情绪信号倾斜权重。

实验结果：全方位的 SOTA 战绩

在与 ARIMA、LSTM、XGBoost 以及“BERT+LSTM”等 8 种基准模型的对比中，本模型展现了统治级的性能。

关键发现 (Abliation Insights)：

• 图结构的魔力：移除图结构建模会导致误差上升 15%，证明了捕捉“跨股票相关性”的必要性。
• 情感的催化作用：在财报季节，情绪信号能将误差额外降低 25%。

深度洞察：有限效率市场的曙光

从学术角度看，该研究挑战了“强有效市场假说”（EMH）。高性能的背后意味着，非结构化的文本数据确实包含了尚未被价格完全吸收的 alpha 信号。

然而，正如作者所警示的，该模型仍存在幸存者偏差（选取的 20 只股票均为现任标兵）。此外，高昂的计算开销（A100 环境下需 18 小时收敛）对于高频交易（HFT）而言仍有优化的空间。

总结

Node Transformer + BERT 的结合不仅是架构的堆砌，它是对**金融工程（图结构）与行为金融学（情绪分析）**的一次成功交叉。对于未来的量化策略，如何更高效地处理这种多模态异质数据，将是进入“AI 2.0 资管时代”的入场券。