然而，训练数据窗口是否足够完美？为了实际应用，我们必须确定训练数据窗口的长度，以获得令人满意的结果。我们保留了测试数据集，同时将训练数据集从半年扩展到五年，半年是用于确定最佳训练窗口大小的步长。对于每个训练窗口，我们使用预测模型XGB-OR进行保持测试。为了确认稳健性，我们将测试数据窗口移到早期，即2017年1月至2017年6月，使用相同的培训窗口。如图3所示，相对准确度表明，要充分利用在线评论，需要三年以上的数据。0.5 1 1.5 2.5 3 3.5 4 4.5 5培训窗口（年）-0.100-0.075-0.050-0.0250.0000.0250.0500.0750.100相对精度XGB-OR\\U 201701-201706 XGB-OR\\U 201707-201712 XGB-10TI\\U 201707-201712图3：不同培训窗口长度的保持测试精度。相对准确度表示不同训练窗口的预测准确度与预测数据集的随机值之间的差异。此外，我们还对财务技术指标进行培训窗口选择。从图3可以看出，XGB-10TI 201707-201712线表明，只有当训练数据的长度为半年时，准确度才会优于随机值，这与短期方法中的技术分析一致（De Bondt和Thaler，1985；Jegadeesh和Titman，1993；Menkhoff，2010）。对于2017年1月至2017年6月的预测期，不存在从滑动窗口派生的训练子集，其精度高于随机值；因此，我们不显示图3.6中的对应行。

讨论我们的方法的出色表现，尤其是与基于技术指标的解决方案相比，意味着在线评论在长期预测股票回报方面的意外力量。特别是，喂食超过FoodGarmentApplicationWinestor 020406080100准确度排名（a）部门排名GarmentAppliance FoodWinestor 0.00.20.40.60.81.0用户比例或普通银金钻石（b）用户比例图4：部门排名和用户级别比例。三年来获得最令人满意准确度的数据表明，onlinereviews从本质上捕捉到了品牌声誉和客户忠诚度方面的特征。在消费市场中，客户不使用Explore and Exploit算法购物，而是习惯于从熟悉的品牌购买产品。考虑到品牌建设需要很长时间Meenaghan（1995）；Urde（2003），消费者需要时间来树立对新品牌和消费习惯的态度。同时，客户态度对企业的影响是持久的，这一发现得到了地标研究经典结果的支持（Aksoy等人，2008；Mittal等人，2005）。具体而言，人们已经意识到，在线评论的负面影响可能持续20个月，这非常接近我们理想的培训数据窗口（Luo，2009）。事实上，从理论角度来看，我们的研究结果也为现有文献增添了新的内容：在长期回报预测中，品牌声誉或忠诚度特征可能是一个很好的指标，这在以前的研究中被忽略了。在我们的数据集中，不同股票的预测精度可能会有所不同，因为品牌声誉或客户忠诚度的影响在直觉上是不同的。正如我们的数据集所述，我们从四个行业部门收集了102家公司的评论。

我们计算所有单一公司的准确度并对其进行排序。从排序列表中，我们为每个公司分配排名位置，并绘制按部门分组的排名框图。如图4（a）所示，葡萄酒行业以最高的最低和中等排名超越所有其他行业；这意味着，对于葡萄酒行业的所有企业，我们的模型实现了相对较高的长期预测精度。为了确定这种差异的原因，假设高级别用户产生的信息更有价值（Zhu和Zhang，2010），我们计算了每个部门中每种类型用户的比例。有四种类型的用户，即普通用户、白银用户、黄金用户和钻石用户。如图4（b）所示，葡萄酒行业的钻石用户比例最高，超过50%，钻石和黄金用户的比例约为80%，这证实了我们的猜测。这些结果提醒我们，不同股票的预测绩效可能会破坏之前仅对市场指数进行预测的效果，这意味着有必要建立面向单个股票的预测解决方案。特别是在实际情况中，大多数量化交易算法都基于单个股票而非指数，尤其是在没有指数交易金融工具的国家。0.00 0.02 0.04 0.06 0.08 0.10过滤返回0.600.620.640.660.68精度图5：移除不稳定样本以测试性能稳健性。确定收益率正负程度的分界点可以重塑训练和测试集的建立，从而影响预测性能的评估（Wang等人，2019年）。为了更全面地展示绩效评估，还进一步讨论了关于更多切点的扩展。

在上述模型中，我们使用零作为长期股票回报的分界点，这可能过于敏感，无法捕捉单个股票动态之间的显著差异。因此，为了降低灵敏度，Wang等人（2019）提出了一种基于simplethreshold的采样方法，以进一步测试我们方法的稳健性。确定τ为八周收盘收益的切点，其中τ∈ [0,0.1]的步长为0.001（Wang等人，2019年）。对于任何给定的τ，我们过滤掉返回值介于-τ和τ之间的观察值，然后进行保持测试。例如，如果τ=0.03，则选择收益率高于3%或低于-3%的样本进行预测测试。具体而言，收益率高于3%的样本标记为1，收益率低于-3%的样本标记为0。考虑到交易和影响成本，这种方法在现实世界中具有实用价值，只有在一定回报水平以上才视为可行。此外，显示阈值实验的目的是进一步评估我们模型的预测能力和可靠性。图5说明了τ与精确度之间的关系。在该图中，随着τ的增长，精确度呈现出普遍增加的趋势，这意味着我们的模型对于异常回报预测更为强大。我们的模型在样本大小n=14、506和τ=0.02时达到最小精度（59.86%），在样本大小n=9、070和τ=0.086时达到最大精度（68.75%）。然而，最小准确度仍然显著超过随机猜测，这表明我们的方法的性能是稳健的，可以广泛用于不同的实际场景。结论在本文中，我们检验了在线评论的预测能力。

使用JD上的大型客户产品评论数据集。我们发现，long-timereview数据在个人层面上积极预测了长期股票回报。同时，我们的模型中提取特征的新方法不同于早期的研究，并且在股票收益预测中被证明是有效的。本文的研究结果强调了消费者作为金融市场信息生产者的作用。与传统的信息中介（如技术指标）相比，消费者群体可以提供有关公司产品和客户态度的更持久的信息。综上所述，这些发现提供了证据，表明消费者群体的综合评论包含了长期股票定价的有价值信息。本研究存在不可避免的局限性。例如，由于JDs API的限制，不可能收集所有产品评论，尤其是为不再销售的历史产品生成的评论。因此，我们的模型中可能存在信息或生存偏差。此外，我们没有对onlinereviews中的文本进行过度的语义分析，事实上，这些文本可能包含股票预测的鼓舞人心的指标。以上两个限制都是我们未来工作中有希望的方向。致谢本工作得到了国家自然科学基金（71871006）和软件开发环境国家重点实验室基金（SKLSDE2017ZX-05）的资助。参考Saksoy，L.、Cooil，B.、Groening，C.、Keiningham，T.L.，2008年。股票市场客户满意度的长期评估。市场营销杂志72105–122。Arnold，E.J.，Price，L.L.，1993年。River magic：非凡体验和延伸服务体验。《消费者研究杂志》20，24–45。Bambauer Sachse，S.，Mangold，S.，2011年。通过负面的在线口碑传播稀释品牌资产。

零售和消费者服务杂志18，38–45。Baralis，E.、Cagliero，L.、Cerquitelli，T.、Garza，P.、Pulvirenti，F.，2017年。发现可用于日内交易的股票。信息科学40591–106。Belk，R.W.，1988年。财产和扩展的自我。《消费者研究杂志》第15期，第139-168页。Blum，A.L.，Langley，P.，1997年。机器学习中相关特征和示例的选择。艺术情报97245–271。卡布拉尔，L.M.，2000年。扩大公司和品牌声誉。兰德经济杂志，658–673。Chen，M.Y.，Chen，B.T.，2015年。一种基于随机计算的混合模糊时间序列模型，用于股票价格预测。信息科学294227–241。Chen，N.F.，Roll，R.，Ross，S.A.，1986年。经济力量和股市。《商业杂志》，383–403。Chen，Y.，Liu，Y.，Zhang，J.，2012年。第三方产品何时审查对企业价值的影响？企业可以做什么？媒体评论家和专业电影评论的案例。《市场营销杂志》76，116–134。Chevalier，J.A.，Mayzlin，D.，2006年。口碑对销售的影响：在线书评。《营销研究杂志》43345–354。Clemons，E.K.，Gao，G.G.，Hitt，L.M.，2006年。当在线评论遇到超分化时：对手工啤酒行业的研究。《管理信息系统杂志》23，149–171。Creamer，G.，Freund，Y.，2010年。通过boosting和expertweighting实现自动交易。量化金融10，401–420。De Bondt，W.F.，Thaler，R.，1985年。股市是否反应过度？《金融杂志》40793-805。丁，X.，张，Y.，刘，T.，段，J.，2014。《利用结构化事件预测股价变动：实证调查》，载《2014年自然语言处理实证方法会议论文集》（EMNLP），第1415-1425页。丁，X.，张，Y.，刘，T.，段，J.，2015。

《事件驱动力预测的深度学习》，摘自：第二十四届国际艺术情报联席会议。段，J.，刘，H.，曾，J.，2013。基于分析师推荐行为的股票收益预测后验概率模型。基于知识的系统50，151–158。Efendi，R.，Arbaiy，N.，Deris，M.M.，2018年。基于模糊随机自回归时间序列模型的股市预测新方法。信息科学441113–132。Engelberg，J.，Gao，P.，2011年。寻求关注。《金融杂志》661461–1499。Faircloth，J.B.，Capella，L.M.，Alford，B.L.，2001年。品牌态度和品牌形象对品牌资产的影响。营销理论与实践杂志9，61–75。Fornell，C.，Morgeson III，F.V.，Hult，G.T.M.，2016年。客户满意度的股票回报率确实超过了市场：衡量营销无形资产的效果。《市场营销杂志》80，92–107。Freund，Y.，Schapire，R.E.，等人，1996年。使用一种新的boostingalgorithm进行实验，位于：icml，Citeser。第148-156页。Friedman，J.、Hastie，T.、Tibshirani，R.等人，2000年。加性logistic回归：boosting的统计观点（作者进行了讨论和反驳）。《统计年鉴》28337–407。Geva，T.，Zahavi，J.，2014年。结合市场数据和文本新闻的自动日内股票推荐系统的实证评估。决策支持系统57212–223。Godes，D.，Mayzlin，D.，2009年。该公司创造了口碑传播：来自现场测试的证据。营销科学28721–739。Grace，D.，O\'Cass，A.，2004年。检查服务体验和消费后评估。《服务营销杂志》18450–461。Gken，M.、zalc，M.、Boru，A.、Dosdoru，A.T.，2016年。整合元启发式和人工神经网络以改进股价预测。

ExpertSystems和应用程序44320–331。Hagenau，M.，Liebmann，M.，Neumann，D.，2013年。自动新闻阅读：使用上下文捕获功能基于金融新闻的股价预测。决策支持系统55685–697。哈里斯，L.，1986年。对股票收益的周和日内模式的交易数据研究。《金融经济学杂志》16，99–117。Hoch，S.J.，2002年。产品体验很诱人。《消费者研究杂志》29448–454。Hoch，S.J.，Deighton，J.，1989年。管理消费者从体验中学到的东西。《市场营销杂志》53，1–20。Holbrook，M.B.，2000年。我们时代文本中的千禧一代消费者：体验和娱乐。《宏观营销杂志》20178-192。Holmes，A.、Byrne，A.、Rowley，J.，2013年。移动购物行为：对态度、购物过程参与度和位置的洞察力。《国际零售与分销管理杂志》42，25–39。Hsu，C.M.，2011年。结合自组织映射和遗传规划的股票价格预测混合程序。具有应用程序的专家系统3814026–14036。Hu，N.，Pavlou，P.，Zhang，J.，2009年。识别和克服在线产品评论中的自我选择偏差。技术报告。工作文件，费城TempleUniversity。Huang，J.，2018年。客户最清楚：消费者利益的投资价值。《金融经济学杂志》128，164–182。Hu Off man，C.，休斯顿，M.J.，1993年。目标导向的经验和知识的发展。《消费者研究杂志》第20期，第190–207页。Jain，P.C.，Joh，G.H.，1988年。小时价格和交易量之间的依赖关系。《金融与定量分析杂志》23269–283。Jasemi，M.，Kimiagari，A.M.，Memariani，A.，2011年。一种现代神经网络模型，以日本烛台的古老投资技术为基础进行股票市场计时。

带应用程序的专家系统383884–3890。Jegadeesh，N.，Titman，S.，1993年。买入赢家和卖出输家的回报：对股市效率的影响。《金融杂志》48，65–91。Jones，C.P.，Litzenberger，R.H.，1970年。季度盈利报告和中期股价趋势。《金融杂志》25143–148。Kim，K.j.，2003年。使用支持向量机进行金融时间序列预测。神经计算55307-319。Kim，K.J.，Ahn，H.，2012年。同时优化用于财务预测的人工神经网络。应用智能36887–898。Li，L.，Leng，S.，Yang，J.，Yu，M.，2016年。股票市场自回归动力学：与分位数回归的跨国比较研究。2016年《工程中的数学问题》。Li，Q.，Wang，T.，Li，P.，Liu，L.，Gong，Q.，Chen，Y.，2014年。新闻和公众情绪对股票走势的影响。信息科学278826–840。Li，X.，Hitt，L.M.，2008年。在线产品评论的自我选择和信息作用。信息系统研究19，456–474。Liu，Y.，2006年。电影口碑：其动态和对票房的影响。《市场营销杂志》70，74–89。Long，W.，Lu，Z.，Cui，L.，2019年。基于深度学习的股票价格变动预测特征工程。基于知识的系统164163–173。Luo，X.，2009年。量化负面口碑对现金流和股价的长期影响。营销科学28148–165。罗，X.，张，J.，2013年。社交媒体营销中的消费者口碑和交易如何预测企业的价值？管理信息系统杂志30，213–238。罗，X.，张，J.，段，W.，2013。社交媒体和企业股权价值。信息系统研究24146–163。Malbon，J.，2013年。认真对待虚假的在线消费者评论。《消费者政策杂志》36，139–157。Martin，J.、Barron，G.、Norton，M.，2007年。

《选择不确定：高差异体验的偏好》，摘自：伦敦商学院跨大西洋博士会议。Meenaghan，T.，1995年。广告在品牌形象发展中的作用。《产品与品牌管理杂志》4，23–34。Menkhoff，L.，2010年。基金经理使用技术分析：国际证据。《银行与金融杂志》342573–2586。Mittal，V.，Anderson，E.W.，Sayrak，A.，Tadikamalla，P.，2005年。客户满意度的双重强调和长期财务影响。MarketingScience 24，544–555。Morgan，N.A.，Rego，L.L.，2006年。不同客户满意度和忠诚度指标在预测业务绩效方面的价值。营销科学25426–439。Nassirtoussi，A.K.，Aghabozorgi，S.，Wah，T.Y.，Ngo，D.C.L.，2015年。外汇市场预测新闻标题的文本挖掘：一种结合语义和情感的多层降维算法。具有应用程序的专家系统42306–324。Nayak，R.K.，Mishra，D.，Rath，A.K.，2015年。基于naive svm knn的印度基准指数股市趋势逆转分析。应用软件计算35670–680。OConnor，N.，Madden，M.G.，2006年。利用外部因素预测股票交换变动的神经网络方法。基于知识的系统5371–378。Pan，Y.，Xiao，Z.，Wang，X.，Yang，D.，2017年。混合频率抽样股票指数预测的多重支持向量机方法。基于知识的系统122、90–102。Parker，B.T.，2009年。品牌个性与品牌用户形象一致性的比较。《消费者营销杂志》26，175–184。Patel，J.、Shah，S.、Thakkar，P.、Kotecha，K.，2015年。利用机器学习技术的融合预测股市指数。具有应用程序的专家系统422162–2172。Plummer，J.T.，2000年。个性如何产生差异。《广告研究杂志》40，79–83。Preis，T.，Moat，H.S.，Stanley，H.E.，2013年。

使用谷歌趋势量化金融市场的交易行为。科学报告31684。Ruan，Y.，Durresi，A.，Alfantoukh，L.，2018年。使用推特信任网络进行股票市场分析。基于知识的系统145、207–218。沙皮雷，R.E.，辛格，Y.，1999年。使用信任度预测改进了boosting算法。机器学习37297–336。Senecal，S.，Nantel，J.，2004年。在线产品推荐对消费者在线选择的影响。零售杂志80159–169。Sirgy，M.J.，1982年。《消费者行为中的自我概念：评论》。消费者研究杂志9287–300。史密斯，A.，1776年。国家的财富。Subrahmanyam，A.，Titman，S.，1999年。上市决策和金融市场的发展。《金融杂志》541045–1082。Sun，T.，Wang，J.，Zhang，P.，Cao，Y.，Liu，B.，Wang，D.，2017年。利用微博情绪预测中国股市的股价回报，参加：第1973届大数据计算与通信国际会议（BIGCOM），IEEE。第87-96页。Tang，J.，Alelyani，S.，Liu，H.，2014年。分类的特征选择：Areview。数据分类：算法和应用，37。Tang，Q.，Gu，B.，Whinston，A.B.，2012年。社交媒体中收入分享和声誉的内容贡献：一个动态结构模型。管理信息系统杂志29，41–76。Tellis，G.J.，Johnson，J.，2007年。质量的价值。营销科学26758–773。Tirnillai，S.，Tellis，G.J.，2012年。聊天真的重要吗？用户生成内容和股票表现的动态。营销科学31198–215。乌尔德，M.，2003年。基于核心价值的企业品牌建设。《欧洲市场营销杂志》371017–1040。Wang，H.，Lu，S.，Zhao，J.，2019年。在股票市场预测中聚合多种类型的复杂数据：一个与模型无关的框架。

基于知识的系统164193–204。Wang，R.J.H.，Malthouse，E.C.，Krishnamurthi，L.，2016年。手机购物如何影响客户购买行为：零售商视角，in：Lets GetEngagement！跨入市场营销参与时代的门槛。斯普林格，第703-704页。Wang，W.Y.，Hua，Z.，2014年。用于预测收益通知财务风险的半参数高斯copula回归模型，载于：计算语言学协会第52届年会论文集（第1卷：长篇论文），第1155-1165页。Xu，Q.，Bo，Z.，Jiang，C.，Liu，Y.，2019年。谷歌搜索指数真的有助于预测股市波动吗？来自波动率修正混合数据抽样模型的证据。基于知识的系统166、170–185。Ye，F.，Zhang，L.，Zhang，D.，Fujita，H.，Gong，Z.，2016年。提出了一种基于多阶模糊时间序列和技术分析的预测方法。信息科学367，41–57。Zhang，D.，Zhou，L.，Kehoe，J.L.，Kilic，I.Y.，2016年。什么样的在线评论者行为真正重要？言语和非言语行为对发现在线评论的影响。《管理信息系统杂志》33456–481。Zhang，L.，Aggarwal，C.，Qi，G.J.，2017年。通过发现多频率交易模式进行股价预测，摘自：第23届ACM SIGKDD知识发现和数据挖掘国际会议论文集，ACM。第2141-2149页。Zhang，X.，Zhang，Y.，Wang，S.，Yao，Y.，Fang，B.，Philip，S.Y.，2018年。通过异构信息融合改进股票市场预测。基于知识的系统143236–247。Zhou，L.，Lu，D.，Fujita，H.，2015年。通过领域知识和数据挖掘方法指导特征选择的公司财务困境预测模型的性能。基于知识的系统85、52–61。Zhou，L.，Si，Y.W.，Fujita，H.，2017年。

利用决策树结合改进的过滤特征选择方法预测中国上市公司的上市状态。基于知识的系统128、93–101。Zhou，Z.，Xu，K.，Zhao，J.，2018年。中国情感与股票故事：波动性、因果关系与预测。万维网21，1093–1116。Zhou，Z.，Zhao，J.，Xu，K.，2016年。网络情绪能预测中国股市吗？，参加：网络信息系统工程国际会议，Springer。第328-342页。Zhu，F.，Zhang，X.，2010年。在线消费者评论对销售额的影响：产品和消费者特征的调节作用。