沒有緋聞的名人，不是名人；沒有「新聞熱度」的票兒，不是網紅票

來自專欄大數據解讀A股4 人贊了文章

首先和大家報告一聲，被全國人民口誅筆伐、新聞曝光率極高的「長生生物」（目前已經被風險警示，名字改為ST長生）目測要開始退市了。上周提到「這樣的股票還是早些退市吧」，其實把握不大，畢竟法律還沒有相應的條文、從歷史上看也沒有先例。

但，歷史從來都是用來被打破的！7月27日晚上，證監會發布《關於修改<關於改革完善並嚴格實施上市公司退市制度的若干意見>的決定》，明確「涉及公眾健康安全領域」的違法行為，可以進行退市處理。特事特辦，此舉算是送長生生物最後一程，退市板上釘釘，拜拜。

過去這一周的長生生物新聞呈現爆炸性傳播，尤其是經過上周末兩天的發酵，周一、周二數據更是「爆表」級別，我們在主要股票社交平台上統計的新聞熱度數據如下：周一周二上千級別的新聞熱度，甩開身後的第二名一倍的數據量，到周五，新聞熱度有所降溫，但仍然是佔據了榜首的位置。

讓我們觀察上面的3張圖，除了長生生物系由於疫苗事件上榜的幾隻股票外，還有幾個股票也一直在榜單上：工商銀行、中信證券、招商銀行、建設銀行、國泰君安。其實不僅僅是這一周，其他的一些時間，這些股票也常年霸佔top10。

嗯，問題來了，要是這麼繼續統計下去，有效信息很低，總是這幾隻股票，還怎麼玩？

最簡單的方法，把這幾個股票去掉不就好了嘛？但這麼干，對這些股票不公平，萬一某一天有相關的勁爆新聞，就看不到，而且去掉這一批，下一批還是持續佔據，怎麼辦？所以正確的姿勢是：用數學利器來對統計結果進行過濾~

我們觀察這一批股票。其實發現很多都是金融行業的公司，那我們就可以設想，是不是可以把行業這個因素去除掉？怎麼去？這裡就要用到一個數學小技巧，用最小二乘求回歸係數：

左邊是新聞熱度數據，右邊是28個行業數據（選取申銀萬國的行業分類），前面的β是待求解的係數，行業呢，只有2個取值（0和1），0代表這個股票不是這個行業，1代表是這個行業，最後一個是殘差項。公式的左邊是新聞熱度數據、右邊是這隻股票是否屬於這個行業，取所有股票的數據，大概3500多隻，求解28個β係數。用最小二乘（Excel、Matlab、Python）都很容易實現，一條命令就可以了。

之後，我們用新聞熱度減去，求得殘差項作為這隻股票新的新聞熱度：這裡的解釋是，這部分殘差就是不能被行業變數解釋的新聞熱度（對新聞熱度數據，做了規一化處理，所以數量變小）：

這麼一調整，我們再來看top10，工商銀行被剔除出去，進來了一些新的股票萬科A、分眾傳媒，感覺好一些。但金融類的公司還是比較多。這時候，我們可以考慮是不是和公司大小也有關係，大公司，正常情況下新聞自然比較多，小公司相比就少很多。於是我們把公司大小的變數（總市值 A股到底多有錢？——解讀總市值因子 ）引入，上面的公式變為：

這裡依然採用了上面的方法，引入總市值的因子（中間做歸一化、取對數），用殘差代替，看看什麼效果：

這樣一看，感覺好很多，蓮花健康、華塑控股都是最近有漲停的妖股、*金亞涉嫌欺詐發行股票，萬科A的姚老闆最近正在減持股票，美的集團最近正在回購公司股票，都是一些熱點的新聞。Top10的統計內容更加多樣，小股票、不同行業的股票都能入選，這樣才是一個比較合理的統計。

除了上面從橫截面（多隻股票）的角度出發，還有一個方法是從單只股票入手，計算過去N個交易日平均新聞數量、標準差，然後結合當天的新聞數量進行統計。

最後聯想到的一點，這次針對長生生物快速修改法律條文的行為，除了是因為影響範圍廣，還有一點就是目前A股市場需要形成一套完整的退市流程。在之前的一篇文章中提到，