舆情量化策略的数据清洗：从“安妮·海瑟薇效应”看文本噪声识别

文本里出现了一个熟悉的词，情感分析模块识别出几个积极表达，实体匹配又恰好找到一个上市公司。所有局部判断似乎都说得通，组合起来却可能指向一笔毫无依据的交易。安妮·海瑟薇与伯克希尔·哈撒韦的同名关系，正是这类问题中最容易被引用的例子：一个是演员，一个是公司，二者共享同一个英文姓氏，却分属完全不同的语义场景。

如果系统只把“Hathaway”当作一个关键词，而没有继续判断它在文本中究竟指向谁，那么一则娱乐新闻就可能被错误地归入金融实体，继而影响相关性评分、情感因子，甚至触发后续策略信号。

这类现象通常被称为“安妮·海瑟薇效应”。这里的“效应”并不意味着演员新闻真的能够稳定推动伯克希尔·哈撒韦股价上涨，也不意味着某个具体行情一定由文本误读造成。更准确的说法是：它被认为展示了实体混淆、语义歧义与数据筛选偏差如何共同制造出看似合理的错误关联。

舆情量化最先要解决的，不是“这条消息利好还是利空”，而是“这条消息到底在说谁”。

安妮·海瑟薇效应：量化算法的语义陷阱与数据误读

安妮·海瑟薇效应之所以有代表性，是因为它把一个在人类语境里很容易察觉的笑话，变成了机器系统中的真实工程问题。

英文新闻标题中可能出现“Hathaway”。如果后续流程只进行关键词检索，系统首先知道的只是一个字符串，而不是一个完整实体。这个字符串既可能出现在演员姓名中，也可能出现在伯克希尔·哈撒韦公司名称中，还可能出现在其他人名、地名、机构名或品牌名称中。

对于人类读者来说，“安妮·海瑟薇出演新片”和“伯克希尔·哈撒韦发布财报”之间的区别非常明显。前一句包含演员、电影、出演等词，后一句包含公司、财报、股东等词。可是，传统的关键词策略并不理解“演员”和“公司”之间的类型差异。它只负责寻找词语是否出现，至于词语之间的关系，往往需要另外一套机制判断。

更复杂的情况来自情感分析。娱乐报道可能包含“获奖”“回归”“热门”“期待”等积极表达。如果系统先判断这些词具有正面情绪，再根据其中出现的“Hathaway”把文本归到金融标的，就会形成一条错误链路：

1. 文本中出现目标关键词；

2. 文本整体呈现正面情绪；

3. 关键词被误认为对应目标公司；

4. 新闻被赋予较高的金融相关性；

5. 正面情绪进入舆情因子；

6. 策略将其理解为潜在利好。

每个步骤单独看都不一定完全错误，真正的问题在于它们之间缺少语义约束。系统没有确认“被讨论的主体是谁”，也没有确认“主体与标的之间是否存在经济关系”。

这也是为什么，不能简单地把安妮·海瑟薇效应解释成“某位演员的新闻导致伯克希尔·哈撒韦上涨”。这种说法把相关性直接写成了因果关系，既不符合严谨的市场分析，也掩盖了案例真正有价值的地方。更稳妥的表述是：部分被观察到的关联，可能与同名实体混淆、样本筛选方式或市场背景有关；无论具体价格波动如何，案例都提示我们检查文本识别链条是否存在错误。

关键词相同，不代表实体相同

在舆情数据里，至少要区分四个层次：

• 字符串相同：文本中出现了相同的字母或汉字。
• 提及相同：这些字符串在句子中承担相近的指代作用。
• 实体相同：多个提及确实指向同一个人、机构或产品。
• 事件相关：该实体与目标金融标的之间存在足够明确的事件关系。

关键词匹配通常只覆盖第一层。命名实体识别负责向第二层和第三层推进，实体消歧则进一步确认它对应知识库中的哪个节点。相关性评分要解决的，则是第四层：即使识别出了正确实体，也不能默认它与目标标的有关。

例如，新闻中出现“巴菲特”，不一定就与伯克希尔·哈撒韦的投资决策有关。它可能是一篇历史访谈，也可能是对某个慈善项目的回顾，或者只是社交媒体用户用名人语录进行类比。实体出现本身只能说明“被提到”，不能自动说明“具有交易价值”。

命名实体识别：把人名和机构名分开的核心步骤

命名实体识别是文本清洗进入语义理解阶段后的第一道重要关口。它的任务不是判断新闻利好还是利空，而是识别文本中的实体边界，并给实体加上类别标签。

常见类别包括：

• 人物；
• 组织机构；
• 上市公司；
• 地点；
• 产品；
• 品牌；
• 股票或指数；
• 日期与时间；
• 金融事件。

在安妮·海瑟薇效应中，理想的识别结果应当至少包含两种不同实体类型：

• “安妮·海瑟薇”：人物；
• “伯克希尔·哈撒韦”：组织机构或上市公司。

这一步看起来基础，却直接影响后面的实体链接、事件抽取和情感计算。如果人物被识别成公司，或者公司名称只被拆成普通词语，那么之后再复杂的模型也只能在错误输入上继续计算。

中文金融文本的实体边界并不稳定

中文环境下，命名实体识别有自己的麻烦。英文姓名通常通过空格、大小写和词形边界提供一定提示，中文文本则经常缺少清晰的分隔符。公司名称、产品名称、基金名称和普通词语之间，也可能存在边界模糊。

例如，“平安”既可能是公司名称的一部分，也可能只是普通形容词；“小米”可能指企业，也可能指一种食物；“长城”可能指汽车品牌、上市公司，也可能指地理景观。新闻标题为了简短，还会省略公司全称、行业背景和事件主体，进一步增加识别难度。

金融文本中还经常出现以下情况：

• 公司简称与全称交替出现；
• 股票代码代替公司名称；
• 同一家公司在不同市场使用不同代码；
• 品牌名称、母公司和子公司被混用；
• 机构名称在新闻中被缩写；
• 并购后旧名称仍然出现在历史报道中；
• 产品名称与公司名称共享核心词；
• 中英文名称在同一篇文章里混合出现。

因此，命名实体识别不能只依赖通用语料。一个在新闻领域表现不错的模型，换到公告、研报、社交媒体或盘口评论中，仍然可能出现明显的实体边界错误。

规则、词典与模型需要共同工作

实践中更可靠的做法，通常不是在“规则系统”和“机器学习模型”之间二选一，而是让它们承担不同任务。

领域词典适合处理稳定的名称集合，例如上市公司全称、证券简称、常见股票代码、交易所名称和指数名称。规则适合处理格式明显的内容，例如带有特定后缀的公司名称、股票代码格式和公告标题。模型则更擅长根据上下文判断一个词在当前句子中的实际含义。

例如，在下面两句话中，“华为”都被识别为组织机构并不困难：

• 华为发布新款手机，市场关注其供应链变化。
• 这家企业的设备被多家运营商采用。

但如果文本写成：

• “华为式管理”正在成为不少创业公司的讨论对象。

这里的“华为”仍然与企业有关，却不一定表示华为公司参与了事件。它可能只是一个类比对象。系统如果把所有出现公司名称的句子都当成公司新闻，就会高估相关性。

同样，“苹果”在“苹果公司公布服务业务计划”中显然是企业，在“苹果供应商进入备货周期”中则需要结合行业知识判断其是否间接指向公司生态，在“苹果价格上涨影响食品通胀”中则可能只是农产品。命名实体识别必须把上下文作为基本输入，而不能只看词本身。

识别准确率不是最终目标

命名实体识别常用精确率、召回率和综合指标评估，但离线指标并不能直接等价于策略收益。一个模型可能在通用测试集上表现很好，却在极少见的公司简称、突发事件和跨市场名称上失效。

更适合交易系统的评估方式，还应包括：

• 关键标的是否被漏识别；
• 同名实体是否被错误合并；
• 人物新闻被归入公司新闻的比例；
• 公司简称变化后的适应速度；
• 突发热点期间误报是否明显上升；
• 错误实体是否会进一步进入交易因子；
• 低置信度文本能否被及时拦截。

从策略角度看，漏掉一条边缘新闻未必会造成严重损失，但把娱乐新闻、广告内容或同名实体误判成金融事件，可能会在多个标的上重复发生。错误的频率、传播范围和后续放大机制，往往比单次识别准确率更值得关注。

实体消歧：把文本提及映射到正确节点

命名实体识别解决的是“这是什么类型的词”，实体消歧解决的是“它具体指向哪个对象”。

文本中的实体提及，通常要被映射到知识图谱或实体数据库中的具体节点。对于伯克希尔·哈撒韦，这个节点可能包含公司名称、股票代码、所属行业、交易市场、历史名称以及关联高管等信息。对于安妮·海瑟薇，节点则应属于人物类别，并包含影视作品、职业身份和公开活动等属性。

这种映射不是简单的查字典。因为同一个名称可能对应多个候选实体，而不同名称也可能指向同一个实体。系统需要根据上下文、实体类型、时间、来源和事件关系进行综合判断。

上下文是消歧的第一依据

如果文本中同时出现“主演”“导演”“电影”“颁奖礼”等词，那么“Hathaway”更可能指向演员。若文本中出现“股东”“财报”“董事会”“股票代码”等金融词汇，则更可能指向伯克希尔·哈撒韦。

可以把这种判断拆成几个维度：

• 类型一致性：人物词是否与人物实体匹配，公司词是否与机构实体匹配。
• 主题一致性：新闻主题属于影视、体育、金融还是政治。
• 句法关系：实体在句子中是主体、客体，还是被顺带提及。
• 时间一致性：事件发生时间是否与实体的公开活动相符。
• 来源一致性：财经媒体、娱乐媒体和社交平台的语境不同。
• 共现关系：实体附近是否出现具有区分度的词语。
• 事件一致性：实体是否参与了文本描述的事件。

例如，“安妮·海瑟薇与制片方签署新片合约”中，人物实体与电影事件高度一致；“伯克希尔·哈撒韦公布年度经营数据”中，公司实体与财务事件高度一致。若一篇文章只在开头提到某公司，后文完全讨论演员本人，那么系统就不应因为整篇文章共享一个词而把全文归入公司舆情。

同一篇长文里，实体可能不断切换

实体消歧的困难并不只发生在单句中。长篇报道经常同时讨论多个实体，文章前半部分讲某家公司，后半部分转向行业竞争者，最后又引用一位分析师的观点。如果系统只按照全文关键词计数，实体之间就会相互污染。

更稳妥的处理方式，是将文本拆成句子、段落或事件单元，再建立实体与局部上下文之间的关系。实体在每个局部单元中的角色不同，相关性也应分别计算。

共指消解也很重要。一篇报道可能先写“安妮·海瑟薇”，之后使用“这位演员”“她”或“主演者”来指代同一个人。如果系统无法识别这些表达之间的联系，就可能在后文重复计数，或者把代词错误连接到附近的公司实体。

在金融新闻中，共指问题还包括：

• “该公司”究竟指前一句中的母公司还是子公司；
• “这位高管”指董事长、首席执行官还是发言人；
• “该股”对应的是哪一家被提及的上市公司；
• “对手”指行业竞争者还是某个具体品牌；
• “集团”是否代表上市主体本身。

这些问题不会总是导致明显错误，却会改变事件归因和情绪聚合结果。

知识图谱不是永久正确的答案

知识图谱能够帮助系统获得实体的结构化背景，但它本身也会过期。公司可能改名、拆分、并购或退市，人物可能更换经纪公司，产品可能被重新命名，股票代码也可能因市场变化而改变。

因此，实体库至少需要维护以下信息：

• 当前名称与历史名称；
• 常用简称与别名；
• 股票代码和交易市场；
• 母公司、子公司与品牌关系；
• 关键人物与机构的关联；
• 实体生效时间；
• 数据来源和更新时间；
• 置信度与人工修订记录。

时间维度尤其容易被忽略。历史新闻中的公司名称，不能简单按照今天的实体关系回填；一位高管在任期内外的言论，也不应被同样归入公司的当前经营状态。对回测而言，使用未来才知道的实体关系，还可能引入隐性前视偏差。

消歧不是把一个词塞进数据库，而是确认它在当时、在这篇文章里、以什么身份参与了什么事件。

相关性评分机制：给低质量噪声设置阈值

即使实体识别和实体消歧都做对了，文本也不一定值得进入交易因子。

一条新闻可以准确提到某家上市公司，却只是旧闻转载、广告软文、无关背景介绍或投资者情绪的随手评论。实体出现说明“这家公司被提及”，相关性评分要判断的是“这条提及是否足以影响我们正在构建的指标”。

相关性评分可以采用连续分数，也可以采用分级标签。关键不在于分数必须使用某个固定范围，而在于评分逻辑是否透明、阈值是否经过样本检验。

相关性的组成信号

一个较完整的评分系统，通常会综合以下因素：

• 实体在文本中的中心程度：公司是标题和导语的核心，还是只在背景段落中被顺带提及。
• 事件与公司经营的距离：财报、订单、监管、融资等事件通常比泛泛的名人活动更接近公司基本面。
• 上下文关系强度：实体是否与收入、成本、产品、客户、供应链、管理层等关键词形成有效关系。
• 来源质量：公告、监管文件、主流财经媒体和普通社交帖子，可靠性与可验证性不同。
• 时间有效性：同一消息的首次发布、二次转载和长期留存不应被重复计算。
• 文本原创程度：大量复制粘贴的内容可能造成舆情热度虚高。
• 情绪与事件的匹配程度：积极词汇是否确实描述公司事件，而不是描述人物、影片或其他主体。
• 市场相关性：新闻是否涉及当前市场、交易品种和投资范围。

“来源质量”不应被理解为简单地给某类媒体永久加分。社交媒体可能最先暴露突发风险，传统媒体也可能转载未经核实的消息。更实际的做法是把来源作为一个特征，同时结合后续验证结果动态更新权重。

阈值不是越高越好

设置阈值的目的，是把明显无关的背景噪声挡在策略之外，而不是把所有不确定性都删除。

如果阈值过低，系统会放进大量只包含公司名称的文本；如果阈值过高，间接但有价值的行业信息也可能被过滤。例如，一家核心供应商发生重大事故，新闻没有直接讨论上市公司，却可能对其生产和交付造成影响。若系统只保留标题中明确出现公司全称的文章，就可能漏掉这类信息。

阈值的选择可以通过历史标注集和策略回测共同评估。需要观察的不是单一准确率，而是不同阈值下的变化：

这张表不是为了给出一个固定答案，而是提醒我们：阈值本身也是策略参数，需要在不同市场、不同来源和不同时间段内检验。

不要把情感强度直接当成相关性

情感分析和相关性评分经常被放在同一条流水线上，但两者回答的是不同问题。

情感分析判断文本表达的是积极、消极还是中性态度；相关性评分判断文本是否与目标实体和目标事件有关。一篇娱乐报道可以具有非常强的正面情绪，却与某家金融机构完全无关。一则监管处罚公告可能语言极其平淡，但对公司而言具有很高的相关性。

因此，建议至少把两个维度分开保存：

• 实体相关性；
• 事件相关性；
• 情感方向；
• 情感强度；
• 来源可信度；
• 时间衰减；
• 是否原创；
• 是否重复出现。

只有在这些变量经过组合后，才适合生成舆情因子。否则，“正面情绪强度高”很容易被误写成“对股票的正面影响强”。

建立人工复核样本

自动评分系统不应只在上线前测试一次。对于低置信度文本，可以建立人工复核队列，定期抽取样本检查：

• 是否把人物识别成机构；
• 是否把品牌识别成上市主体；
• 是否把引用内容当成作者观点；
• 是否把历史背景当成当前事件；
• 是否重复计算同一条新闻；
• 是否因谐音、缩写和别名产生错误匹配。

人工复核结果可以反过来更新词典、规则和训练集。尤其是在突发事件期间，新闻语言会快速变化，原本表现稳定的实体识别系统可能突然出现大量新词和新别名。真正可维护的系统，不是上线后固定不动的模型，而是一套能够持续吸收错误案例的反馈机制。

舆情数据预处理的标准化流程：从清洗到特征提取

把实体识别、实体消歧和相关性评分串起来，才能形成一条可审计的舆情数据处理流程。一个适用于股票、期货及相关市场研究的基础流程，大致包括以下环节。

1. 原始数据接入

数据来源可以包括新闻、上市公司公告、监管文件、研究报告、论坛和社交媒体。接入时要记录原始发布时间、抓取时间、来源、作者、标题、正文、链接标识以及数据版本。

原始字段一旦丢失，后面就很难判断一条文本究竟是首次发布还是重复转载，也无法在策略出现异常时追溯问题来源。

2. 文本粗清洗

粗清洗主要处理格式问题，而不是急着删除所有看起来“不重要”的词。常见操作包括：

• 去除网页标签和脚本；
• 删除广告、导航栏和版权声明；
• 统一空格、换行和标点；
• 处理乱码与异常字符；
• 识别并保留必要的股票代码；
• 拆分标题、导语和正文；
• 标记引用、转发和转载内容；
• 记录删除前后的文本长度。

表情符号、话题标签和特殊符号是否删除，需要根据数据源决定。对于社交媒体，表情可能携带情绪信息；对于公告和财报，特殊符号更多是格式噪声。统一删除并不一定是最优方案。

3. 去重与相似文本合并

同一条新闻可能被多家媒体转载，也可能在社交平台上被大量复制。若不做去重，舆情热度就会被传播次数代替，策略看到的不是“有多少独立信息”，而是“同一段文字被转发了多少次”。

去重可以结合标题相似度、正文指纹、发布时间、来源和段落重合率。完全相同的内容可以直接合并，轻度改写的内容则应保留传播信息，但不能按照完全独立的新闻重复计数。

4. 分词、归一化与词形处理

中文文本需要处理分词和词语归一化，英文或其他语言文本则需要采用相应的词形还原方式。公司名称、股票代码、行业缩写和产品名称通常不宜被随意拆开。

停用词也不能机械删除。普通情感分析可能会删除部分功能词，但金融事件判断依赖否定词、程度词和时间词。例如“未出现重大风险”“并非暂停交易”“可能导致成本上升”，如果删除“未”“并非”“可能”，模型就会把原意反过来。

5. 命名实体识别

在这一阶段，系统识别人名、机构、公司、产品、地点、时间和金融品种，并为每个实体保留字符位置和置信度。

保留位置很重要。后面做事件抽取时，需要知道谁是事件主体、谁是事件对象、谁只是引用来源。只保存“文本中出现了哪些实体”，会丢失大量结构信息。

6. 实体消歧与实体链接

将识别出的实体与标准化实体库匹配，并保留候选结果和匹配置信度。对于无法确定的实体，不要强行映射到最相似的节点。

低置信度可以采用三种处理方式：

• 暂时不进入交易因子；
• 进入人工复核队列；
• 作为低权重背景信息保留。

在回测中，必须确保当时使用的是当时可获得的实体库状态，不能用事后补全的知识替代历史信息。

7. 事件抽取

实体消歧之后，还要判断文本描述了什么事件。可以关注：

• 财报发布；
• 盈利预警；
• 订单或合同；
• 产品发布；
• 监管处罚；
• 高管变动；
• 并购重组；
• 融资与债务；
• 供应链中断；
• 诉讼与事故；
• 行业政策变化。

事件抽取能帮助系统区分“公司发生了什么”和“公司被谁提到了”。后者只是提及，前者才可能形成具有金融意义的信号。

8. 相关性与情感分别评分

在实体和事件确定后，再计算相关性、情感方向和情感强度。这里最好避免把所有分数压缩成一个不可解释的总分。

例如，一条文本可以是：

• 公司相关性高，情绪中性；
• 公司相关性低，情绪极强；
• 行业相关性高，公司直接相关性中等；
• 实体匹配不确定，情绪为正；
• 来源可信度高，但事件已经过时。

这些情况对策略的处理方式不同。保留分项特征，才能在回测和实盘中定位信号来源。

9. 时间聚合与特征生成

文本信号最终需要聚合到日、小时或更短的时间窗口。聚合时要注意：

• 同一事件的多篇报道不能无限叠加；
• 新闻首次出现与后续跟进应区分权重；
• 情绪持续时间不等于新闻持续时间；
• 不同来源之间可能存在时间延迟；
• 盘前、盘中和盘后信息的作用机制不同；
• 期货市场与股票市场的交易时段可能不同。

特征可以包括情绪均值、情绪变化速度、相关文本数量、独立来源数量、事件类别、来源分散度和高置信度实体占比。比起单纯统计正面文章数量，变化率和异常程度往往更有解释力。

10. 质量监控与回溯

上线后需要持续监控数据处理链路，而不是只看最终收益。可以观察：

• 每日实体识别数量是否异常；
• 某个实体的新闻量是否突然暴增；
• 低置信度文本比例是否变化；
• 去重率是否异常；
• 某类来源是否停止更新；
• 情感分布是否突然偏向一侧；
• 某个股票代码是否被大量错误匹配；
• 因子异常值是否集中出现在特定媒体或语言环境。

如果某天舆情因子突然跳升，第一反应不应是寻找市场解释，也应先检查数据链路。错误可能来自网页结构变化、接口字段错位、公司简称更新、同名实体热点或重复抓取。

反事实测试：判断模型是否真的理解了文本

对这类语义陷阱，普通准确率测试还不够。一个实用办法是设计反事实样本，主动替换文本中的关键实体或上下文，观察模型输出是否按照预期变化。

例如，可以构造几组对照：

• 将“安妮·海瑟薇”替换为其他演员，观察公司相关性是否仍然异常；
• 将“伯克希尔·哈撒韦”替换为明确的公司全称和股票代码；
• 删除“电影”“主演”“颁奖礼”等娱乐语境词，观察实体置信度变化；
• 保留“Hathaway”但改变附近的金融词汇，测试模型是否真正使用上下文；
• 将正面情绪词换成负面词，确认情绪变化不会被错误实体关系放大；
• 把公司名称放在引用、否定和历史背景中，检查事件归因是否稳定。

如果模型无论上下文如何变化，都因为看到了“Hathaway”而给出类似金融信号，那么它依然是关键词系统，只是外面套了一层更复杂的模型。

反事实测试还有一个好处：它能把难以解释的错误变成可复现的样本。对于量化团队来说，可复现往往比“模型偶尔犯错”更重要。只有知道错误在什么条件下发生，才有可能修正词典、规则、训练数据或阈值。

回测中的数据泄漏：清洗也会制造虚假优势

舆情策略的数据清洗还涉及一个容易被忽略的问题：清洗过程本身可能引入未来信息。

例如，研究者使用今天维护完成的实体数据库，回头处理几年前的文本；或者根据后续行情表现，筛选出“最有影响力”的新闻来源，再用这套来源权重进行历史回测。这样得到的结果可能非常漂亮，但它并不代表当时真实可执行。

需要特别留意：

• 实体别名是否在当时已经存在；
• 新闻发布时间与抓取时间是否被混淆；
• 文章修改时间是否晚于首次发布；
• 事件标签是否使用了事后确认结果；
• 来源可信度是否由未来表现反推；
• 去重规则是否依赖后来出现的转载版本；
• 情感词典是否加入了事后才流行的表达。

数据清洗不是回测前可以随意进行的“准备工作”，它同样属于策略逻辑的一部分。清洗规则变化，等于信号定义变化；实体库变化，等于可用信息集合变化。只有把这些版本保存下来，回测结果才有可解释性。

收尾：数据清洗的另一面，是与不确定性相处

安妮·海瑟薇效应真正值得保留的，不是某个关于股价的传奇故事，也不是把娱乐新闻和金融行情强行编成因果关系，而是它对数据链路提出了一个朴素的问题：

当系统说“这条新闻与某家公司有关”时，它究竟凭什么这样判断？

如果答案只是某个字符串出现过，系统就还没有理解文本。如果答案是实体识别、上下文关系、事件类型、来源质量和时间信息共同支持的概率判断，那么它才开始接近可用的舆情量化。

这件事也提醒交易者，不要把模型输出误认为事实。实体识别会错，知识图谱会过期，相关性阈值需要调节，情感分析也可能被否定词、反讽和引用内容带偏。对不确定性最成熟的处理，不是强行给每条文本贴上确定标签，而是在无法确认时降低权重、延迟决策，或者干脆让它暂时不进入因子。

真正的数据清洗，清理的不只是字符和标签，也是模型面对不确定性时的过度自信。

舆情量化的核心竞争力，从来不只是抓取更多文本、训练更大的模型或增加更快的算力。更重要的是，系统能否知道哪些信息值得继续处理，哪些信息需要停在门外，哪些信号必须经过人工复核。

在交易系统里，噪声不会消失。新的同名实体会出现，新的简称会流行，新的谐音会进入社交媒体，旧的知识图谱也会慢慢失效。我们能做的不是建立一套永远不会犯错的规则，而是让错误尽量停留在靠前的环节，不要一路穿过实体识别、情感分析和策略执行，最后才以亏损的形式提醒我们。

对“how to check 舆情量化策略的数据清洗 从 安妮 海瑟薇效应 看文本噪声识别”这类问题，最有价值的答案也不在于找到一个固定阈值，而在于建立一套能被检查、能被回溯、能解释错误来源的流程。先确认文本在说谁，再判断它发生了什么，最后才讨论它是否可能影响市场。

这条顺序看起来慢，却比让关键词直接替我们下结论可靠得多。

Related reading: 量化策略回测指标的虚与实：如何看穿超高收益率背后的陷阱 and 线性模型与深度学习在量化交易中的博弈：简单与复杂的策略抉择.