用AI读懂股票新闻中的情绪：FinBERT模型实战笔记

作者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：这篇文章将和大家探讨如何用AI分析股票新闻情感。我会通过FinBERT模型和Python代码，手把手教你从获取新闻数据，分析情感倾向，并可视化结果。实测显示，这个工具能准确识别新闻中的正、负面和中性情绪，为投资决策提供数据支持。

一、为啥新闻情感分析很重要

你有没有发现，一条新闻就能让股价大起大落？这不是巧合，是市场的情绪在作怪。

作为一名量化团队负责人，我天天跟数据打交道。今天我要分享一个独门秘籍：用AI自动分析新闻情感，提前感知市场温度。

咱们今天的主角是苹果股票（AAPL），用的是一个叫FinBERT的AI模型。这个模型专门训练来理解金融文本，比普通的AI模型厉害多了。

二、FinBERT是什么 ？

FinBERT说白了就是个金融领域的AI专家。它在BERT的基础上，用大量金融文本重新训练过。

它的特长是：读懂金融新闻里的情绪。比如说：

• “苹果发布新iPhone，市场反响热烈” → 正面
• “苹果销量未达预期，分析师担忧” → 负面
• “苹果股价今日平盘报收” → 中性

同传统的贝叶斯、逻辑回归等传统模型比：

三、手把手实战教学

好了，理论不多说，咱们直接上手实操。我会一步步带你走完整个流程。

1 环境准备

首先，你需要安装几个Python库。打开终端，输入：

# 安装必要的库 pip install yfinance transformers torch pandas matplotlib

小贴士： 如果你用的是Jupyter Notebook，记得在命令前加感叹号：!pip install yfinance transformers torch pandas matplotlib

2 导入库

# 导入必要的库 import pandas as pd from transformers import pipeline, AutoTokenizer, AutoModelForSequenceClassification import matplotlib.pyplot as plt import yfinance as yf # 设置绘图样式 plt.style.use("dark_background")

3 加载FinBERT模型

这一步会自动下载FinBERT模型，可能需要一点点时间：

# 加载FinBERT模型 model_name = "ProsusAI/finbert"tokenizer = AutoTokenizer.from_pretrained(model_name)model = AutoModelForSequenceClassification.from_pretrained(model_name)classifier = pipeline("sentiment-analysis", model=model, tokenizer=tokenizer) print("模型加载成功！")

4 获取苹果股票新闻

用yfinance库获取苹果的最新新闻：

# 获取苹果股票新闻 ticker = "AAPL" dat = yf.Ticker(ticker) news = dat.news # 提取关键信息 df = pd.DataFrame([item for item in news]) columns_to_keep = ['title', 'summary', 'pubDate'] df = df[columns_to_keep] print(f"成功获取 {len(df)} 条新闻") print("\n前3条新闻预览：") print(df.head(3))

5 进行情感分析

这是核心步骤，用FinBERT分析每条新闻的情感：

# 对新闻摘要进行情感分析 df["sentiment"] = df["summary"].apply(lambda x: classifier(x)[0]['label']) df["confidence"] = df["summary"].apply(lambda x: classifier(x)[0]['score']) # 转换为小写df["sentiment"] = df["sentiment"].str.lower() # 显示结果print("情感分析结果：") print(df[["title", "sentiment", "confidence"]].head())

注意事项： 每次分析会消耗一定的计算资源，建议分批处理大量数据。

6 保存结果

# 保存分析结果 filename = f"{ticker}_news_sentiment.csv" df.to_csv(filename, index=False) print(f"结果已保存到 {filename}")

7 可视化结果

# 统计情感分布 sentiment_counts = df["sentiment"].value_counts() # 绘制柱状图 sentiment_counts.plot(kind="bar", title=f"{ticker} News Sentiment", color=["blue", "green", "red"])plt.ylabel("Count")plt.xticks(rotation=0)plt.tight_layout()plt.savefig(f"{ticker}_sentiment_counts.png")plt.show()

我用这个方法分析了最近30天的苹果新闻，结果很有意思：

从这个数据可以看出，最近媒体对苹果的整体态度还是比较积极的。正面的新闻主要集中在新产品发布和财报表现上。

五、进阶应用技巧

1. 监控多个股票

你可以把上面的代码改成监控多只股票：

# 监控多只股票 tickers = ["AAPL", "MSFT", "GOOGL", "TSLA"] for ticker in tickers: # 重复上面的分析流程 dat = yf.Ticker(ticker) news = dat.news if news: # 确保有新闻数据 df = pd.DataFrame([item for item in news]) df = df[['title', 'summary', 'pubDate']] df["sentiment"] = df["summary"].apply(lambda x: classifier(x)[0]['label']) df["sentiment"] = df["sentiment"].str.lower() # 统计情感分布 sentiment_dist = df["sentiment"].value_counts() print(f"\n{ticker} 情感分布：") print(sentiment_dist)

2. 设置情感预警

当负面新闻超过一定比例时，发送提醒：

# 情感预警系统def sentiment_alert(ticker, negative_threshold=0.3):    dat = yf.Ticker(ticker)    news = dat.news    if not news:        return f"{ticker} 暂无新闻数据"    df = pd.DataFrame([item for item in news])    df = df[['title', 'summary']]    df["sentiment"] = df["summary"].apply(lambda x: classifier(x)[0]['label'])    df["sentiment"] = df["sentiment"].str.lower()    negative_ratio = (df["sentiment"] == "negative").mean()    if negative_ratio > negative_threshold:        return f"⚠️ 警告：{ticker} 负面新闻占比 {negative_ratio:.1%}，建议关注"    else:        return f"✅ {ticker} 市场情绪正常，负面新闻占比 {negative_ratio:.1%}"# 测试预警系统print(sentiment_alert("AAPL"))

六、常见问题解答

Q1: 这个方法的准确率怎么样？

根据我的实测，FinBERT在金融文本上的准确率能达到86%以上，比通用模型高很多。但要注意，AI分析仅供参考，不能作为唯一依据。

Q2: 可以分析中文新闻吗？

目前这个模型主要针对英文文本。如果要分析中文金融新闻，可以考虑使用百度的ERNIE-Fin模型或者其他中文金融预训练模型。

Q3: 分析一次需要多长时间？

分析10条新闻大概需要30秒到1分钟，取决于你的网络速度和电脑性能。建议可以设置定时任务，每天自动运行分析。

Q4: 这个工具适合个人投资者吗？

非常适合！代码简单易懂，不需要太多编程基础。只要你对Python有基本了解，就能上手操作。

七、总结与展望

今天咱们学习了如何用FinBERT分析苹果股票新闻的情感倾向。这个方法不仅限于苹果，任何有新闻数据的股票都能用。

核心要点回顾：

• FinBERT是专门为金融领域训练的AI模型。
• yfinance库能轻松获取雅虎财经的新闻数据。
• 情感分析结果可以帮助我们理解市场情绪。
• 可以扩展到多只股票监控和预警系统。

除了利用FinBERT 进行新闻情绪分析外，我还尝试过把用其他方法进行股票情绪分析，将这个工具升级成实时监控面板，能自动追踪多只股票的情感变化等。有兴趣的朋友可以看看：

• 科技股预测新利器：NLP情绪分析与机器学习的完美融合（一）
• 科技股预测新利器：NLP情绪分析与机器学习的完美融合（二）
• 科技股预测新利器：NLP情绪分析与机器学习的完美融合（三）
• AI神器登场：实时分析股票情绪，助您精准投资！(附Web应用及源码)

如果你觉得这篇文章对你有帮助，记得分享给更多的朋友。有什么问题可以在评论区留言，老余会一一解答。让我们一起在量化交易的道路上越走越远！

 #AI金融 #FinBERT #情感分析 #股票分析 #Python教程 #量化交易 #人工智能 #数据分析

风险提示：投资有风险，入市需谨慎。本文仅供学习参考，不构成投资建议。