Degree of Irrationality: Sentiment and Implied Volatility Surface

在这项研究中，我们构建了每日高频情绪数据，并使用VAR方法试图预测下一天的隐含波动率曲面。我们利用了2014年至2023年东方财富股票论坛的630,000条文本数据，并采用BERT和LSTM等深度学习方法构建了每日市场情绪指标。通过应用FFT和EMD方法进行情绪分解，我们发现高频情绪与平价期权的隐含波动率具有更强的相关性，而低频情绪与深度虚值期权的隐含波动率更强相关。进一步分析表明，隐含波动率曲面的形状包含了更丰富的市场情绪信息，不仅仅是市场恐慌。我们证明了将这种情绪信息纳入其中可以提高隐含波动率曲面预测的准确性。

本论文旨在利用深度学习方法构建每日市场情绪指标，并将其应用于预测隐含波动率曲面。同时，研究发现隐含波动率曲面的形状不仅仅包含市场恐慌的信息，而是包含更丰富的市场情绪信息。

本论文的关键思路是通过构建每日市场情绪指标，将其应用于预测隐含波动率曲面，并发现曲面形状所包含的更丰富的市场情绪信息。

本论文使用了630,000条文本数据，利用BERT和LSTM等深度学习方法构建每日市场情绪指标，并通过FFT和EMD方法进行情绪分解。研究发现高频率情绪与平值期权的隐含波动率更强相关，而低频率情绪则更强相关于深度虚值期权的隐含波动率。本论文还证明了将市场情绪信息纳入预测模型可以提高隐含波动率曲面预测的准确性。

在最近的相关研究中，有一些关于利用自然语言处理技术进行情感分析的论文，如《基于情感分析的股票市场预测研究》、《基于深度学习的股票市场情绪分析》等。