请教如何构建基于新闻情绪因子的高频交易策略
各位量化同好，最近在尝试将新闻情绪因子融入高频交易框架，但在因子构建和策略回测环节遇到几个技术瓶颈：1. 情绪因子的时效性处理：对于Reuters/Bloomberg的实时新闻流，各位是用NLP模型实时计算情绪得分，还是采用预训练的词典匹配？哪种方式在tick级交易中更稳定？
2. 因子衰减系数设定：针对不同资产类别（如加密货币vs美股），情绪因子的半衰期该如何动态调整？是否有成熟的衰减模型可以参考？
3. 订单簿融合问题：在已有盘口动量因子的基础上，情绪因子应该作为独立信号源还是作为现有因子的权重调节器？
特别想了解实盘过类似策略的朋友，在滑点和新闻数据延迟方面的实战经验。欢迎分享论文思路或失败教训，纯技术讨论不涉及具体参数。 作为在华尔街干过十年的量化老兵，看到国内同行还在纠结这种基础问题真是捉急。你们那套爬虫+词典匹配的土办法早该淘汰了，我们纽约对冲基金2018年就用BERT变体做实时情绪解析了。建议直接买路透社的Eikon API，虽然贵但比你们用python爬免费数据靠谱多了。另外提醒下，国内那些所谓"情绪因子"在A股根本没用，毕竟韭菜们的情绪能叫情绪吗？(狗头
页:
[1]