SDSU 團隊開發 ALERTA-Net：融合宏觀與社交資料預測美股波動

想要靠炒股賺錢的人，通常會分成兩派：一派天天盯 K 線圖做技術分析，另一派四處翻財報做基本面分析。但現實是，市場往往能在幾秒鐘內把這兩撥人同時打懵。

南達科他州立大學的兩位研究人員 Kaiqun Fu 和 Yangxiao Bai 聯手維吉尼亞理工大學和德州農工大學的研究者，試圖用 AI 解決這個老問題。他們開發了一個名為 ALERTA-Net 的深度神經網路模型，論文已釋出在 arXiv 上。這個模型不僅預測股價走勢，還能同時預測股市的波動幅度。

把 700 萬條推文和美聯儲資料餵給同一個網路

按研究團隊的說法，單純的技術分析太依賴歷史價格，一旦遇到突發事件就容易抓瞎，而且它假設市場是理性均勻的，很容易在交易訊號之間製造迴音室，最後徹底脫離現實經濟。而基本面分析雖然全面一些，卻往往只盯著金融市場本身，忽略了股市與宏觀經濟之間的共生關係。

更要命的是，現有的大多數預測模型只猜方向是漲還是跌，卻很少考慮波動的具體幅度。但在真實交易裡，漲 0.1% 和暴跌 10% 顯然完全是兩碼事。

ALERTA-Net 的做法是把多源異構資料揉在一起。研究團隊從全球行業分類標準中挑選了 41 支藍籌股，拉取了雅虎財經上跨度三年的歷史走勢，同時匯入了美聯儲的宏觀經濟歷史資料，以及搜尋引擎資料。

最關鍵的一環是社交媒體。團隊利用深度學習的資訊檢索技術，抓取了 X 平臺（原 Twitter）上討論這 41 支股票的超過 700 萬條推文。他們不僅統計推文的每日討論熱度，還對單條推文做了情感分析，並將情緒指標作為關鍵引數輸入模型。

實驗結果顯示，ALERTA-Net 在準確率上超越了業界熟知的 DP-LSTM 預測網路以及其他基準模型。Fu 表示，宏觀經濟資料的加入顯著放大了模型預測走勢和波動幅度的能力。

接下來他們打算把音訊和影片資料也塞進模型，甚至認為這套框架不僅能用於股票，未來還能拿來預測州際公路的交通擁堵等待時間。

為什麼重要

對散戶或量化交易者來說，值不值得現在就指望它發財？答案顯然是否定的。這篇論文目前還停留在學術預印本階段，模型回測針對的是 41 支流動性極好的藍籌股，且嚴重依賴歷史推文回溯，離能夠跑在實盤環境裡實時處理高頻行情還有很長的距離。

但從行業技術路徑來看，這個研究指出了一個關鍵方向：單一維度的量化模型正在快速被淘汰。現在的市場情緒完全被社交媒體左右，一條推文或論壇帖子就能在極短時間內擊穿傳統技術指標，把情緒指標、宏觀利率和盤面資料統一建模，是未來對沖基金和量化機構必走的路徑。

我們認為，ALERTA-Net 最聰明的地方在於把方向預測和波動幅度預測捆綁在了一起。對於期權交易者和風控系統來說，波動率往往比單純的漲跌重要得多。

不過，它的隱患也很顯眼。X 平臺上的金融水軍、機器人刷屏和虛假資訊極其氾濫，一旦模型投入真實對抗環境，如何防止被惡意灌水的情緒資料操縱或產生幻覺，是這套架構未來必須跨過的一道坎。