【原】用python进行金融市场文本数据的情感计算

推荐阅读

计算社会经济学

国务院政府工作报告(1954—2017)文本挖掘及社会变迁研究

文本大数据分析在经济学和金融学中的应用：一个文献综述

中文金融领域情感词典构建      

PyQuery: 爬虫界最简洁优雅的库

---

之前我依据一篇论文中的中文金融情感词典CFSD(chinese financial sentiment dictionary)，中文金融领域情感词典构建，整理成csv文件的情感词典。现在我们找点财经类新闻文本数据来做点简单的情感分析，

一、tushare介绍

tushare库是目前比较流行的开源免费的经济数据库，tushare有普通版和高级版，其中普通版无需积分就可以使用，而高级版需要使用积分才可使用。

tushare基础班提供了包括：

• 交易数据，如历史行情、复权数据、实时行情等

• 投资参考数据，如分配方案、业绩预告、限售股解禁、基金持股、新浪数据、融资融券

• 股票分类数据、行业、概念、地域、中小板、创业板、封校警示板生

• 基本面数据、股票列表、业绩报告（主表）、盈利能力、营运能力、偿债能力等

• 宏观经济数据，如存款利率、贷款利率、GDP数据、工业品出场价格指数、居民消费节各直属

• 新闻事件数据，如新浪股吧

• 龙虎榜数据

• 银行间同业拆放理论

• 电影票房

安装

1. !pip3 install tushare

Run

1. Collecting tushare

2. [?25l Downloading https://files.pythonhosted.org/packages/a9/8b/2695ad38548d474f4ffb9c95548df126e82adb24e56e2c4f7ce1ef9fbd01/tushare-1.2.43.tar.gz (168kB)

3. [K 100% |████████████████████████████████| 174kB 162kB/s ta 0:00:01

4. [?25hBuilding wheels for collected packages: tushare

5. Running setup.py bdist_wheel for tushare ... [?25ldone

6. [?25h Stored in directory: /Users/thunderhit/Library/Caches/pip/wheels/4b/28/7b/62d7a4155b34be251c1840e7cecfa4c374812819c59edba760

7. Successfully built tushare

8. Installing collected packages: tushare

9. Successfully installed tushare-1.2.43

10. [33mYou are using pip version 18.1, however version 19.2.3 is available.

11. You should consider upgrading via the 'pip install --upgrade pip' command.[0m

二、新闻数据

新闻事件接口主要提供国内财经、证券、港股和期货方面的滚动新闻，以及个股的信息地雷数据。但目前只有新浪股吧api的接口可用，其他的需要使用tushare高级版。

获取sina财经股吧首页的重点消息。股吧数据目前获取大概17条重点数据，可根据参数设置是否显示消息内容，默认情况是不显示。

参数说明：

• show_content:boolean,是否显示内容，默认False

返回值说明：

• title, 消息标题

• content, 消息内容（show_content=True的情况下）

• ptime, 发布时间

• rcounts,阅读次数

调用方法

1. import tushare as ts

3. #显示详细内容

4. newsdata = ts.guba_sina(show_content=True)

5. newsdata.head(10)

三、读取词典

之前制作的中文金融情感词典是csv文件格式，我们使用pandas读取

1. import pandas as pd

3. df = pd.read_csv('CFSD/pos.csv', encoding='gbk')

4. df.head()

我们将读取词典定义成函数

1. def read_dict(file, header):

2. """

3. file: 词典路径

4. header: csv文件内字段名，如postive

5. 读取csv词典，返回词语列表

6. """

7. df = pd.read_csv(file, encoding='gbk')

8. return list(df[header])

10. poswords = read_dict(file= 'CFSD/pos.csv', header = 'postive')

11. negwords = read_dict(file= 'CFSD/neg.csv', header ='negative')

12. negwords[:5]

run

1. ['闭门造车', '闭塞', '云里雾里', '拖累', '过热']

三、情感分析方法

这里我们对新闻content内容进行情感分析，分析的思路是统计content中正、负词的占比。我们会用到pandas的 df.agg(func)方法对content列进行文本计算。这需要先定义一个待调用的情感计算函数,注意有可能出现分母为0，所以定义的函数使用了try except捕捉0除异常，返回0

import jieba

1. def pos_senti(content):

2. """

3. content: 待分析文本内容

4. 返回正面词占文本总词语数的比例

5. """

6. try:

7. pos_word_num = 0

8. words = jieba.lcut(content)

9. for kw in poswords:

10. pos_word_num += words.count(kw)

11. return pos_word_num/len(words)

12. except:

13. return 0

2. def neg_senti(content):

3. """

4. content: 待分析文本内容

5. 返回负面词占文本总词语数的比例

6. """

7. try:

8. neg_word_num = 0

9. words = jieba.lcut(content)

10. for kw in negwords:

11. neg_word_num += words.count(kw)

12. return neg_word_num/len(words)

13. except:

14. return 0

对content列分别施行情感计算函数possenti，negsenti，将得到的得分赋值给pos、neg列

1. newsdata['pos']=newsdata['content'].agg(pos_senti)

2. newsdata['neg']=newsdata['content'].agg(neg_senti)

3. newsdata.head(10)

我们的数据中出现了pos和neg两个得分，我们还可以定义一个判断函数，判断文本的情绪分类。

• 当pos比neg大，判断为'正'

• 当pos比neg小，判断为'负'

这里不严谨，为了教程简单，没考虑相等的情况

1. newsdata['senti_classification'] = newsdata['pos']>newsdata['neg']

2. newsdata['senti_classification'] = newsdata['senti_classification'].map({True:"正", False:"负"})

3. newsdata.head(10)

总结

至此，简单的情感计算就实现了。大家使用本文时，要注意：

• 本文使用的情感词典是CFSD中文金融情感词典，大家可以用自己领域的词典，得到poswords和negwords

• 还有要注意的是情感计算函数（possenti和negsenti），有不同的算法就有不同的结果

• 正负面倾向判断，我这里比较粗糙，没有考虑相等的中性问题。

注意以上几点，本文的代码就可复用。不过再好的代码，前提是会python，会懂编程思维，知道如何写代码改代码，不然大家用起来也比较困难。广告再次袭来