用Python给新闻做情绪打分：舆情热度到底能不能预测涨跌？（附完整代码）

风险提示本文仅用于技术学习与策略验证不构成任何投资建议。股市有风险投资需谨慎。舆情与情感打分仅为分析工具不具备预测能力历史相关性不代表因果关系更不能据此交易请独立审慎决策。前言AI投研五大场景里最神秘也最容易被讲玄的就是舆情情绪分析。今天我不讲玄学直接给你一套能跑的通透方案用Python读取新闻标题 → 给每条打分 → 合成当日情绪值 → 和行情对比看看有没有关联。这套代码跑完你就明白情绪分析到底是怎么回事以及它到底靠不靠谱。一、思路拆解舆情打分是怎么做到的一句话把一段中文文本拆成词然后查每个词是积极还是消极最后加权求个总分。流程如下分词用jieba把标题切成词语情感字典准备一张积极/消极词典给每个词打正负分累计打分把所有词的分加起来得到该条新闻的情感值聚合一天所有新闻得分平均得到当日市场情绪二、环境准备pipinstalljieba pandas情感字典用开源通用词典如知网Hownet情感词典你也可以替换成金融领域情感词典。三、完整代码可直接复制运行importjiebaimportpandasaspd# ---------- 1. 极简情感词典演示用可替换为完整词典 ----------POSITIVE{大涨,涨停,利好,增长,突破,超预期,回暖,复苏,增持,分红,中标,盈利,加速,创新高,}NEGATIVE{大跌,跌停,利空,下滑,亏损,低于预期,暴雷,减持,处罚,退市,违约,商誉减值,下调,造假,}defscore_text(text):对单条文本做情感打分返回(得分, 积极词数, 消极词数)wordsjieba.lcut(text)score0pos_cnt,neg_cnt0,0forwinwords:ifwinPOSITIVE:score1pos_cnt1elifwinNEGATIVE:score-1neg_cnt1returnscore,pos_cnt,neg_cnt# ---------- 2. 合成当日市场情绪 ----------defdaily_sentiment(news_list): 输入当日新闻标题列表 输出当日情绪均值、积极占比、消极占比 rows[score_text(t)fortinnews_list]dfpd.DataFrame(rows,columns[score,pos,neg])df[positive](df[score]0).astype(int)df[negative](df[score]0).astype(int)return{新闻条数:len(df),平均情绪分:round(df[score].mean(),3),积极占比:round(df[positive].mean(),3),消极占比:round(df[negative].mean(),3),情绪倾向:积极ifdf[score].mean()0else消极,}# ---------- 3. 与行情做简单关联验证 ----------defcorrelation_check(sentiment_series,return_series): 输入多日情绪分序列、多日指数收益率序列 输出相关系数越接近1正相关越接近-1负相关0则无关 dfpd.DataFrame({sentiment:sentiment_series,ret:return_series})corrdf[sentiment].corr(df[ret])returnround(corr,3)# ---------- 4. 主流程演示 ----------if__name____main__:today_news[央行释放流动性利好 市场情绪回暖,多只个股涨停 板块加速上攻,某公司业绩下滑 股价大跌,行业利空 多家机构下调评级,]print( 当日市场情绪分析 )print(daily_sentiment(today_news))# 多日情绪与涨跌相关系数演示数值仅供示意真实需接入历史数据sentiment[0.8,0.2,-0.5,0.6,-0.3,0.1]returns[0.02,0.005,-0.03,0.01,-0.01,0.0]print(\n 情绪与涨跌相关系数(演示) )print(correlation_check(sentiment,returns))四、代码逐段解读情感词典目前是极简版。真正的金融舆情分析会用几百上千词的领域词典甚至用BERT类模型。score_textjieba分词 → 查词典 → 累计正负分。核心逻辑就这么简单。daily_sentiment把一天的新闻合并成一个情绪指标方便和行情对齐。correlation_check算情绪分和收益率的相关性——这是情绪有没有用的客观检验。五、关键结论舆情情绪到底靠不靠谱很多人神话舆情分析我直接给你客观结论短期相关性存在但很弱情绪分与当日/次日涨跌有轻度相关绝不是看了情绪就稳赚。它更适合做过滤与风控比如情绪极度悲观时降低仓位比用它追涨更稳。单条新闻无意义聚合才有信号看的是整体情绪的温度不是某条新闻的对错。容易踩坑词典不完备、样本偏差、情绪滞后都会让结论失真。结论舆情分析是辅助温度计不是水晶球。把它当作一个风控参考因子而不是交易指令。六、往真正的AI舆情进阶换更强模型用snownlp或HuggingFace的中文情感模型替代词典法。接入实时数据抓取公告、研报、股吧评论做全市场情绪指数。多因子结合情绪分 资金流 技术指标一起进模型才有意义。结尾互动你觉得市场情绪到底能不能指导交易跑通代码的评论区扣个1下一期安排资金流分析与主力追踪。风险提示本文为技术学习内容不构成任何投资建议。舆情分析存在局限与失效风险股市有风险入市需谨慎。