From Noisy News Sentiment Scores to Interpretable Temporal Dynamics: A Bayesian State-Space Model
从含噪新闻情绪分数到可解释的时间动态：贝叶斯状态空间模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以周度情绪序列的潜在动态、观测噪声和状态空间平滑为核心，直接支持时间序列分类，但未开展收益预测。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
从含噪新闻情绪分数到可解释的时间动态：贝叶斯状态空间模型
- 研究问题
- 新闻数量随周次和类别变化时，如何从精度不一的情绪均值中恢复潜在动态，并让不确定性反映信息供给差异？
- 方法与思路
- 作者建立贝叶斯状态空间模型，把周度情绪视为潜在过程的含噪测量，并以有效信息权重调整观测不确定性和更新强度。
- 材料陈述的贡献
- 摘要称，框架生成带不确定性的平滑情绪序列；多类别新闻应用显示潜在动态较相似，而观测噪声差异更大。
- 阅读关注点
- 应核对有效信息权重的定义、潜在过程和观测噪声的设定，以及低报道量时期的平滑强度与不确定性是否得到验证。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要定位为描述性监测，未给出预测验证、因果解释或金融收益证据。
原文摘要
Text-based sentiment indicators are widely used to monitor public and market mood, but weekly sentiment series are noisy by construction. A main reason is that the amount of relevant news changes over time and across categories. As a result, some weekly averages are based on many articles, while others rely on only a few. Existing approaches do not explicitly account for changes in data availability when measuring uncertainty. We present a Bayesian state-space framework that turns aggregated news sentiment into a smoothed time series with uncertainty. The model treats each weekly sentiment value as a noisy measurement of an underlying sentiment process, with observation uncertainty scaled by the effective information weight $n_{tj}$: when coverage is high, latent sentiment is anchored more strongly to the observed aggregate; when coverage is low, inference relies more on the latent dynamics and uncertainty increases. Using news data grouped into multiple categories, we find broadly similar latent dynamics across categories, while larger differences appear in observation noise. The framework is designed for descriptive monitoring and can be extended to other text sources where information availability varies over time.