Measuring news sentiment
新闻情绪的测量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。
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：摘要构建情绪时间序列，并明确开展消费者情绪预测和宏观变量的冲击响应分析。
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…
新闻情绪的测量
- 研究问题
- 如何从经济与金融新闻构建情绪时间序列，评价文本评分的准确性，并研究新闻情绪与消费者情绪及宏观变量的联系？
- 方法与思路
- 作者以人工标注文章比较情绪模型，结合词典与否定表达构建经济新闻专用评分模型，再开展预测和宏观冲击响应分析。
- 材料陈述的贡献
- 摘要称，专用模型比现成模型评分更准确；新闻情绪可预测调查情绪变化，正向情绪冲击伴随消费、产出和利率上升。
- 阅读关注点
- 应核对人工标签、训练测试划分及新闻样本代表性，尤其关注情绪冲击的识别方式和预测关系与因果解释之间的边界。
- 阅读边界
- 仅据所给出版社摘要，无法判断预测改进幅度或冲击识别可信度；新闻样本止于二〇一五年四月，后续时期表现未说明。
原文摘要
This paper demonstrates state-of-the-art text sentiment analysis tools while developing a new time-series measure of economic sentiment derived from economic and financial newspaper articles from January 1980 to April 2015. We compare the predictive accuracy of a large set of sentiment analysis models using a sample of articles that have been rated by humans on a positivity/negativity scale. The results highlight the gains from combining existing lexicons and from accounting for negation. We also generate our own sentiment-scoring model, which includes a new lexicon built specifically to capture the sentiment in economic news articles. This model is shown to have better predictive accuracy than existing “off-the-shelf” models. Lastly, we provide two applications to the economic research on sentiment. First, we show that daily news sentiment is predictive of movements of survey-based measures of consumer sentiment. Second, motivated by Barsky and Sims (2012), we estimate the impulse responses of macroeconomic variables to sentiment shocks, finding that positive sentiment shocks increase consumption, output, and interest rates and dampen inflation.