李星洲

[摘要]文章運(yùn)用了行為金融學(xué)對(duì)投資者情緒的研究方法，探討投資者情緒對(duì)資產(chǎn)收益率的影響。文章闡述了投資者情緒對(duì)金融市場(chǎng)的影響，構(gòu)建了反映投資者情緒的指標(biāo)，將情緒指標(biāo)輸入神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)資產(chǎn)收益率方向，并在此基礎(chǔ)上構(gòu)建交易策略。

[關(guān)鍵詞]投資者情緒;神經(jīng)網(wǎng)絡(luò);資產(chǎn)收益率

[DOI]1013939/jcnkizgsc201928007

1課題介紹與文獻(xiàn)回顧

投資者情緒對(duì)資產(chǎn)價(jià)格的影響是金融領(lǐng)域最熱門、最具爭(zhēng)議的話題之一。傳統(tǒng)金融理論比如有效市場(chǎng)假說（EMH）認(rèn)為市場(chǎng)是有效的、完善的，投資者是理性的，所有的信息都已經(jīng)反映在當(dāng)前的股價(jià)上[1]。傳統(tǒng)金融理論試圖基于“市場(chǎng)參與者是理性”的這一觀念構(gòu)建模型來理解金融市場(chǎng)。當(dāng)投資者們收到新的信息時(shí)，他們會(huì)根據(jù)貝葉斯學(xué)習(xí)法則正確地更新他們對(duì)資產(chǎn)未來現(xiàn)金流與風(fēng)險(xiǎn)的預(yù)期，并基于新的預(yù)期做出符合主觀期望效用最大化的投資決策。然而，投資者受生活經(jīng)歷、社會(huì)背景、知識(shí)經(jīng)驗(yàn)、性格偏好等主觀因素的影響，他們?cè)谕顿Y中的行為并不完全遵守理性假設(shè)，或多或少表現(xiàn)出有限理性的特征。行為金融學(xué)認(rèn)為，某些金融現(xiàn)象可以通過一些市場(chǎng)參與者不完全理性的模型來理解。這個(gè)領(lǐng)域有兩個(gè)組成部分：限制套利和心理偏差。[2]限制套利（Limit of Arbitrage） 認(rèn)為理性交易者很難消除由不理性交易者造成的混亂。De Long 等（1990）的研究認(rèn)為市場(chǎng)中同時(shí)存在理性交易者和噪聲交易者，噪聲交易者基于錯(cuò)誤的主觀信念或與公司基本面無關(guān)的信息進(jìn)行交易。具有隨機(jī)誤判因素的非理性交易者通過妨礙套利交易者交易導(dǎo)致套利者無法消除非理性行為進(jìn)而影響資產(chǎn)價(jià)格。[3]心理學(xué)理論對(duì)完全理性的偏差進(jìn)行了分類，投資者基于對(duì)資產(chǎn)未來收益和風(fēng)險(xiǎn)的預(yù)期進(jìn)行定價(jià)時(shí)，由于過度自信、保守主義、處置效應(yīng)、從眾效應(yīng)等心理因素的影響，會(huì)導(dǎo)致投資者對(duì)資產(chǎn)價(jià)格產(chǎn)生認(rèn)知偏差，從而使股票偏離基本價(jià)值。[4]因此，投資者情緒是否是影響資產(chǎn)定價(jià)的風(fēng)險(xiǎn)要素是一個(gè)非常值得進(jìn)行理論探討和實(shí)證研究的問題。

早在1936年凱恩斯時(shí)期，就已經(jīng)有研究人員分析了投資者情緒是否會(huì)影響資產(chǎn)價(jià)格。在這之后，Odean（1998）通過研究了1萬個(gè)股票賬戶，發(fā)現(xiàn)投資者心理偏差會(huì)影響投資者的決策，長(zhǎng)期持有虧損的股票投資者往往會(huì)過早地賣出獲利的股票。[5]Barber和Odean （2000）建立了“過度自信理論模型”，認(rèn)為投資者會(huì)因過度自信偏差導(dǎo)致過度交易進(jìn)而造成損失。[6]Scheinkman和Xiong（2004）的研究結(jié)合資產(chǎn)價(jià)格、交易量和波動(dòng)率建立了一個(gè)連續(xù)時(shí)間均衡模型，此模型指出投資者過度自信易導(dǎo)致對(duì)資產(chǎn)價(jià)格的分歧，在賣空的限制下，投資者分歧容易引起投機(jī)性交易從而造成資產(chǎn)價(jià)格的泡沫。[7]Brown和Cliff （2005）通過研究得出投資者的心理偏差在繁榮和蕭條階段具有不同的表現(xiàn)，具有推動(dòng)形成資產(chǎn)價(jià)格泡沫或者加劇經(jīng)濟(jì)衰退這一結(jié)論。[8]Stambaugh 等（2012）的研究則表明，投資者情緒對(duì)于長(zhǎng)期空頭投資策略具有顯著的負(fù)面影響。[9]Bake和Wurgler（2006）指出投資者情緒對(duì)股票收益率產(chǎn)生顯著的影響，投資者情緒低迷時(shí)，具有新股、市值低、高換手率及盈利較差等一種或多種特征的股票的收益率相對(duì)較高，而投資者情緒高漲時(shí)，具有上述特征的股票的收益率則相對(duì)較低。然而，檢驗(yàn)投資者情緒重要性的一個(gè)主要挑戰(zhàn)是，它不是直接可觀察的。在其影響性研究中，Baker和Wurgler（2006）構(gòu)建了一個(gè)新的投資者情緒指數(shù)（BW指數(shù)），該指數(shù)匯集了六個(gè)代表的信息，并發(fā)現(xiàn)高投資者情緒強(qiáng)烈地預(yù)測(cè)了橫截面的低回報(bào)率。然而，投資者情緒能否預(yù)測(cè)股票價(jià)格仍是一個(gè)懸而未決的問題，Baker和Wurgler（2006）注意到，投資者情緒對(duì)市場(chǎng)的可預(yù)測(cè)性在統(tǒng)計(jì)上并不顯著[10]。盡管行為金融學(xué)的學(xué)者已經(jīng)進(jìn)行了大量關(guān)于投資者情緒的研究，并建立了成熟的體系，但是目前鮮有研究關(guān)注利用市場(chǎng)情緒預(yù)測(cè)股票收益率并構(gòu)建交易策略。

因此，在文章中，構(gòu)建了一個(gè)預(yù)測(cè)分歧指標(biāo)來度量投資者情緒，以解釋股票市場(chǎng)的預(yù)期回報(bào)，宏觀經(jīng)濟(jì)指標(biāo)的真實(shí)值和預(yù)測(cè)值作為輸入數(shù)據(jù)，進(jìn)而使用機(jī)器學(xué)習(xí)方法來預(yù)測(cè)標(biāo)普500指數(shù)的收益率方向。

文章的其余部分組織如下：第二部分解釋了研究使用的數(shù)據(jù)和方法。第三部分介紹了研究搭建的模型，并進(jìn)一步討論了模型的結(jié)果。最后一部分將對(duì)這項(xiàng)研究進(jìn)行總結(jié)。

2數(shù)據(jù)介紹與方法說明

本研究使用的數(shù)據(jù)來自費(fèi)城聯(lián)邦儲(chǔ)備銀行。費(fèi)城聯(lián)邦儲(chǔ)備銀行（Federal Reserve Bank of Philadelphia）在專業(yè)預(yù)測(cè)調(diào)查（Survey of Professional Forecast）中提供不同經(jīng)濟(jì)變量的預(yù)測(cè)。本研究中使用的預(yù)測(cè)變量包括以下幾點(diǎn)。

（1）美國(guó)商業(yè)指標(biāo)，其中包含11個(gè)變量：名義國(guó)內(nèi)生產(chǎn)總值（NGDP）、國(guó)內(nèi)生產(chǎn)總值價(jià)格指數(shù)（PGDP）、企業(yè)稅后利潤(rùn)（CPROF）、失業(yè)率（UNEMP）、工業(yè)生產(chǎn)指數(shù)（INDPROD）、房屋開工率（HOUSING）、3月國(guó)債利率（TBILL）和穆迪Aaa評(píng)級(jí)企業(yè)債券收益率（BOND）。

（2）實(shí)際國(guó)內(nèi)生產(chǎn)總值及其組成部分，其中包含8個(gè)變量：實(shí)際國(guó)內(nèi)生產(chǎn)總值（RGDP）、實(shí)際個(gè)人消費(fèi)支出（RCONSUM）、實(shí)際非住宅固定投資（RNRESIN）、實(shí)際住宅固定投資（RRESINV）、實(shí)際聯(lián)邦政府消費(fèi)支出和總投資（RFEDGOV）、實(shí)際州和地方政府消費(fèi)支出和總投資（RSLGOV）、私人存貨投資的實(shí)際變化（RCBI）以及商品和服務(wù)的實(shí)際凈出口（REXPORT）。

（3）消費(fèi)物價(jià)通脹率（CPI）。

（4）實(shí)際GDP下降概率（RECESS）。

每個(gè)變量包含個(gè)人預(yù)測(cè)和個(gè)人預(yù)測(cè)的中位數(shù)。在每個(gè)個(gè)人預(yù)測(cè)文件中，各列為不同的季度或年度預(yù)測(cè)，并且每列的根名稱都用“1”到“6”（季度預(yù)測(cè)）或“A”和“B”（年度預(yù)測(cè)）標(biāo)記。數(shù)字“1”表示進(jìn)行專業(yè)預(yù)測(cè)調(diào)查的季度之前的季度的預(yù)測(cè)。數(shù)字“2”表示進(jìn)行調(diào)查的當(dāng)前季度的預(yù)測(cè)。數(shù)字“3”至“6”分別代表本季度后第一、第二、第三和第四個(gè)季度的預(yù)測(cè)。字母“A”和“B”代表本年度和下一年度的年度預(yù)測(cè)。

本研究的最終目的是利用機(jī)器模型算法預(yù)測(cè)未來股價(jià)方向的變化。本研究使用神經(jīng)網(wǎng)絡(luò)算法（ANN）來構(gòu)建模型，神經(jīng)網(wǎng)絡(luò)是一個(gè)受構(gòu)成動(dòng)物大腦的生物神經(jīng)網(wǎng)絡(luò)啟發(fā)的計(jì)算系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)（ANN）建立在一組稱為人工神經(jīng)元的節(jié)點(diǎn)上，這些節(jié)點(diǎn)模擬生物神經(jīng)元的大腦。每一個(gè)連接，就像生物大腦中的一個(gè)突觸，都將信號(hào)從一個(gè)人工神經(jīng)元傳遞到另一個(gè)神經(jīng)元。人工神經(jīng)元接收信號(hào)，進(jìn)行處理，然后發(fā)送給其他人工神經(jīng)元[11]。

如圖1所示，一個(gè)神經(jīng)網(wǎng)絡(luò)有m個(gè)輸入數(shù)據(jù)且每個(gè)輸入數(shù)據(jù)都帶有權(quán)重W，人工神經(jīng)元的輸出由一個(gè)帶有輸入m和權(quán)重W的激活函數(shù)計(jì)算。每一個(gè)人工神經(jīng)元有一個(gè)閾值，只有當(dāng)激活函數(shù)發(fā)出的聚合信號(hào)超過閾值時(shí)，才會(huì)發(fā)送該信號(hào)。通常，不同的層可以對(duì)其輸入執(zhí)行不同類型的轉(zhuǎn)換。信號(hào)從第一層（輸入層）傳輸?shù)阶詈笠粚樱ㄝ敵鰧樱?，且輸入層和輸出層之間可能存在多個(gè)層。

首先選取數(shù)據(jù)來輸入神經(jīng)網(wǎng)絡(luò)。應(yīng)用OLS回歸來挑選變量，并選取P值小于01且通過顯著性檢驗(yàn)的變量。OLS回歸中的因變量是標(biāo)普500收益率，解釋變量是前一個(gè)時(shí)期經(jīng)濟(jì)指標(biāo)的真實(shí)值、每個(gè)時(shí)期經(jīng)濟(jì)指標(biāo)的預(yù)測(cè)中位數(shù)值以及每個(gè)經(jīng)濟(jì)指標(biāo)不同時(shí)期的預(yù)測(cè)分歧。預(yù)測(cè)分歧是基于Güntay和Hackbarth（2010），Lopez-Salidoet 等（2017）和Bordalo 等（2018）的研究而構(gòu)建的捕捉情緒的變量[12-14]。在經(jīng)濟(jì)形勢(shì)較好時(shí)，投資者就會(huì)表現(xiàn)出過度自信，認(rèn)為以后的經(jīng)濟(jì)形勢(shì)會(huì)更好。因此，投資者愿意提供更多的資金，對(duì)利息要求較低，更多的項(xiàng)目可以融資成功。然而，實(shí)際情況往往沒有投資者預(yù)想得那么好，當(dāng)投資者意識(shí)到真實(shí)情況時(shí)，他們便會(huì)緊縮信貸，導(dǎo)致大量的項(xiàng)目融資失敗。投資者會(huì)進(jìn)一步認(rèn)為經(jīng)濟(jì)形勢(shì)要比想象得還差，因此更加嚴(yán)厲地緊縮信貸，進(jìn)而導(dǎo)致經(jīng)濟(jì)蕭條。因此，宏觀經(jīng)濟(jì)的循環(huán)內(nèi)生于情緒波動(dòng)，進(jìn)而導(dǎo)致了資產(chǎn)價(jià)格的變動(dòng)。由于在經(jīng)濟(jì)衰退和經(jīng)濟(jì)繁榮期間，人們對(duì)未來經(jīng)濟(jì)預(yù)期的分歧可能會(huì)較大，導(dǎo)致實(shí)際值與預(yù)測(cè)值的差變大，因此預(yù)測(cè)的分歧可能會(huì)在這些時(shí)期急劇增加。因此，認(rèn)為預(yù)測(cè)分歧可以衡量市場(chǎng)情緒，并將預(yù)測(cè)分歧定義為經(jīng)濟(jì)變量的個(gè)人預(yù)測(cè)值的標(biāo)準(zhǔn)差，其數(shù)學(xué)表達(dá)式定義為FD=std（FV），其中FD是某個(gè)變量的預(yù)測(cè)分歧（Forecast Dispersion），F(xiàn)V是某個(gè)變量的個(gè)人預(yù)測(cè)值序列。

3模型結(jié)果與討論

首先將使用OLS回歸挑選出合適的預(yù)測(cè)變量和預(yù)測(cè)分歧變量，其中，以“STD“為結(jié)尾的變量如NGDP4STD代表著變量NGDP4的預(yù)測(cè)分歧。

在經(jīng)過OLS回歸后，NGDP1， NGDP4STD， NGDP5STD， NGDP6STD， NGDPASTD， NGDPBSTD， PGDP2STD， CPROF4，CPROFA， UNEMP3， UNEMP4， UNEMPB，INDPRODB， INDPRODB， HOUSING5， HOUSING5STD， HOUSING6STD， HOUSINGBSTD， TBILLB， TBILL4STD， TBILLBSTD， BONDA，RGDP2， RGDP5， RGDP3STD， RGDP4STD， RGDPBSTD， RCONSUM6STD，RCONSUMBSTD，RNRESIN1STD， RRESINV6， RRESINVA， RRESINV2STD，RRESINV3STD，RSLGOV5STD，RSLGOVBSTD， RCBI1STD，RCBIBSTD， REXPORTA， RSLGOV5STD 和RSLGOVBSTD總計(jì)41個(gè)變量通過了統(tǒng)計(jì)檢驗(yàn)，因此將這些變量歸一化后作為輸入數(shù)據(jù)輸入ANN模型中。神經(jīng)網(wǎng)絡(luò)的最終輸出是一個(gè)二元制變量，1表示標(biāo)普500指數(shù)的收益率為正，0表示標(biāo)普500指數(shù)的收益率為負(fù)。本研究使用反向傳播演算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)的12層網(wǎng)絡(luò)（其中10個(gè)為隱藏層），每層包含2個(gè)節(jié)點(diǎn)。最后一層的激活函數(shù)為“sigmoid”函數(shù)，第一層和所有隱藏層的激活函數(shù)是“tanh”函數(shù)。另外，神經(jīng)網(wǎng)絡(luò)中的批尺寸為50，迭代次數(shù)為300次。

訓(xùn)練數(shù)據(jù)集包含1981年第三季度至2008年第四季度的數(shù)據(jù)，測(cè)試數(shù)據(jù)集包含2009年第一季度至2018年第二季度的數(shù)據(jù)。在訓(xùn)練數(shù)據(jù)集上的模型準(zhǔn)確率達(dá)到了8882%，在測(cè)試數(shù)據(jù)集上的預(yù)測(cè)準(zhǔn)確率達(dá)到8358%。根據(jù)預(yù)測(cè)，本研究構(gòu)建了如下圖所示的季度交易策略。

策略實(shí)現(xiàn)了51236%的累計(jì)收益率，超過了標(biāo)普500指數(shù)的累計(jì)收益率35010%。

相比于其他研究的預(yù)測(cè)，使用宏觀經(jīng)濟(jì)指標(biāo)和情緒指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，從而預(yù)測(cè)資產(chǎn)收益率方向的方法表現(xiàn)稍好。Tsai和Chou （2009） 使用人工神經(jīng)網(wǎng)絡(luò)和決策樹算法預(yù)測(cè)臺(tái)灣交易所的股票，在測(cè)試數(shù)據(jù)集上得到了8108%的準(zhǔn)確率。[15]Neto 等（2010） 使用了人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)了巴西國(guó)家石油公司的收益率方向，并在測(cè)試數(shù)據(jù)集上得到了83%的準(zhǔn)確率。[16]Kara 等（2011） 使用了人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)算法預(yù)測(cè)伊斯坦布爾交易所的股票收益率方向，并在測(cè)試數(shù)據(jù)集上得到了7574%的準(zhǔn)確率。[17]Oliveira等（2013）在研究中添加了大量的財(cái)務(wù)變量（市盈率、凈資產(chǎn)收益率、賬面市值比和利潤(rùn)率等）和技術(shù)變量（股票收盤價(jià)、開盤價(jià)、最高價(jià)、最低價(jià)和成交量等）作為輸入數(shù)據(jù)，并在測(cè)試數(shù)據(jù)集上得到了9362%的準(zhǔn)確率。[18]因此，如果添加一些財(cái)務(wù)指標(biāo)和技術(shù)指標(biāo)并結(jié)合情緒指標(biāo)作為輸入數(shù)據(jù)，或許可以提高模型的預(yù)測(cè)準(zhǔn)確率進(jìn)而提升交易策略的累計(jì)收益率。

4結(jié)論

綜上所述，本研究試圖了解股票市場(chǎng)的投資者情緒，找出既能捕捉投資者情緒又能顯著影響股票收益的變量。本研究將宏觀經(jīng)濟(jì)變量真實(shí)值、預(yù)測(cè)值與預(yù)測(cè)分歧相結(jié)合，運(yùn)用神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)標(biāo)普500指數(shù)的價(jià)格變動(dòng)方向，并在此基礎(chǔ)上，構(gòu)建了基于預(yù)測(cè)的交易策略。然而，這項(xiàng)研究仍有局限性。雖然訓(xùn)練數(shù)據(jù)集的預(yù)測(cè)精度達(dá)到8882%，但測(cè)試數(shù)據(jù)集的預(yù)測(cè)精度下降到了8358%左右。此外，費(fèi)城聯(lián)邦儲(chǔ)備銀行（Federal Reserve Bank of Philadelphia）提供的數(shù)據(jù)是一個(gè)季度的時(shí)間序列，因此交易策略無法捕獲每日的股票回報(bào)。并且值得注意的是，并非本研究中的所有變量都可以使用，僅基于該模型構(gòu)建能夠盈利的交易策略也并不完全可靠。因此，方法與模型仍然存在改進(jìn)的空間，添加新的財(cái)務(wù)變量與技術(shù)變量和將該模型與其他方法相結(jié)合可能會(huì)得到更好的結(jié)果。

參考文獻(xiàn)：

[1] MALKIEL， BURTON GThe efficient market hypothesis and its critics[J]. Journal of Economic Perspectives， 2003， 17（1）：59-82

[2]THALER R Chapter 18 a survey of behavioral finance[J]. Handbook of the Economics of Finance， 2003，1（3）：1053-1128

[3]LONG J B D， SHLEIFER A， SUMMERS L H， et al Noise trader risk in financial markets[J]. Journal of Political Economy， 1990，98（4）：703-738

[4] BLOOMFIELD R JBehavioral finance[J]. SSRN Electronic Journal， 2006， 11（3）：429–437

[5] ODEAN TDo investors trade too much[J]. Social Science Electronic Publishing， 1998， 89（5）：1279-1298

[6] BARBER B M，ODEAN TTrading is hazardous to your wealth： the common stock investment performance of individual investors[J]. The Journal of Finance， 2000， 55（2）：773-806

[7] JOSE SCHEINKMAN， XIONG WHeterogeneous beliefs，speculation and trading in financial markets[J]. Lecture Notes in Mathematics（Springer-verlag）， 2004， 1847（1）：223-233

[8] BROWN G W ， CLIFF M TInvestor sentiment and asset valuation[J]. The Journal of Business， 2005， 78（2）：405-440

[9]STAMBAUGH R F ， YU J ， YUAN YThe short of it： investor sentiment and anomalies[J]. Journal of Financial Economics， 2012， 104（2）：288-302（下轉(zhuǎn)P15）