方國(guó)斌 申鈺鑫

摘要：隨著互聯(lián)網(wǎng)金融的不斷發(fā)展，研究財(cái)經(jīng)平臺(tái)的發(fā)帖行為對(duì)股價(jià)漲跌的影響效應(yīng)具有現(xiàn)實(shí)意義。本文以東方財(cái)富網(wǎng)股吧中的互聯(lián)網(wǎng)金融上市公司的發(fā)帖行為為基礎(chǔ)，使用2022年1—5月的股票相關(guān)數(shù)據(jù)研究股評(píng)數(shù)及股評(píng)情緒對(duì)股價(jià)漲跌的影響。研究發(fā)現(xiàn)：個(gè)人投資者情緒的高漲會(huì)使股價(jià)上漲，個(gè)人投資者情緒增加一個(gè)單位使股價(jià)上漲的勝算提高了24.69%；而個(gè)人投資者的關(guān)注度增加會(huì)使股價(jià)下跌，個(gè)人投資者關(guān)注度每增加1個(gè)單位使股價(jià)上漲的勝算降低了46.74%。發(fā)帖行為對(duì)股價(jià)漲跌的影響研究為個(gè)人投資者做出更合理的決策、互聯(lián)網(wǎng)金融行業(yè)的發(fā)展及股市的平穩(wěn)發(fā)展提供借鑒。

關(guān)鍵詞：互聯(lián)網(wǎng)金融；發(fā)帖行為；股評(píng)情緒；股價(jià)漲跌

一、引言

2013年起我國(guó)的互聯(lián)網(wǎng)金融進(jìn)入高速發(fā)展階段，目前已經(jīng)形成了穩(wěn)定的發(fā)展局面。《中國(guó)互聯(lián)網(wǎng)發(fā)展報(bào)告（2021）》指出，隨著互聯(lián)網(wǎng)金融和金融科技的快速發(fā)展，市場(chǎng)主體的起源和類別更加廣泛，各市場(chǎng)主體間的交流與合作不斷深入，金融“新基建”加速轉(zhuǎn)型，金融開(kāi)放程度不斷擴(kuò)大。數(shù)字經(jīng)濟(jì)增速持續(xù)加快，信息科技和實(shí)體經(jīng)濟(jì)加速融合，我國(guó)數(shù)字經(jīng)濟(jì)規(guī)模達(dá)到39.2萬(wàn)億元，總量躍居世界第二。我國(guó)金融科技市場(chǎng)規(guī)模達(dá)到3958億元，使用網(wǎng)絡(luò)支付的用戶數(shù)達(dá)到8.54億戶，占全部網(wǎng)民的86.4%?；ヂ?lián)網(wǎng)金融的快速發(fā)展對(duì)我國(guó)的傳統(tǒng)金融模式形成了有力補(bǔ)充，使中小型企業(yè)和個(gè)人的金融服務(wù)需求得到滿足，讓更多個(gè)人投資者有機(jī)會(huì)進(jìn)入股市。這會(huì)促進(jìn)股市的信息傳遞，進(jìn)而對(duì)股價(jià)走勢(shì)產(chǎn)生影響。

互聯(lián)網(wǎng)金融背景下股市中個(gè)人投資者逐漸增加，目前已經(jīng)成為其主要個(gè)人投資者。雪球、和訊股吧和東方財(cái)富網(wǎng)股吧等社交媒體為個(gè)人投資者提供了獲取和傳遞信息的渠道，使股市的信息傳遞效應(yīng)更加明顯。如2021年的GameStop事件，GameStop是一家實(shí)體游戲店，當(dāng)?shù)氐膶?duì)沖基金普遍不看好這只股票，但該公司接連傳出利好消息，如2020年的銷售額增長(zhǎng)率為519%、與微軟達(dá)成戰(zhàn)略合作等，散戶的大量購(gòu)買(mǎi)使其股價(jià)迅速上升，導(dǎo)致華爾街的對(duì)沖基金產(chǎn)生巨額虧損。基于此，本文研究散戶對(duì)股票的關(guān)注及對(duì)股票走勢(shì)的判斷，是否會(huì)對(duì)股市的信息傳遞和股價(jià)的走勢(shì)產(chǎn)生影響以及怎樣的影響。

早期，在構(gòu)建個(gè)人投資者情緒指數(shù)時(shí)，很多學(xué)者選擇用換手率、開(kāi)戶數(shù)的增加量等作為其代理變量。姚遠(yuǎn)和王瑞倩（2021）將多個(gè)具體的量化指標(biāo)整合成一個(gè)綜合指標(biāo)表示個(gè)人投資者的情緒，并建立TVAR模型研究在不同的經(jīng)濟(jì)狀態(tài)下，個(gè)人投資者的情緒對(duì)股指的不同影響。研究發(fā)現(xiàn)，低區(qū)位時(shí)的股指更容易受到個(gè)人投資者的情緒影響。童元松（2020）以股市每月新增開(kāi)戶數(shù)作為代理變量，研究了個(gè)人投資者的情緒和股價(jià)指數(shù)的雙向互動(dòng)關(guān)系。研究發(fā)現(xiàn)，股票指數(shù)的波動(dòng)與散戶的情緒互為因果，機(jī)構(gòu)個(gè)人投資者情緒較為穩(wěn)定，不存在這樣的因果關(guān)系。陸昌、劉洋和楊曉光（2020）以隔夜收益率表示個(gè)人投資者的情緒研究其對(duì)我國(guó)股市的影響。研究發(fā)現(xiàn)我國(guó)個(gè)人投資者的正向情緒與負(fù)向情緒對(duì)股市的影響不對(duì)稱，且負(fù)向情緒的持續(xù)影響更大。這種現(xiàn)象在個(gè)人投資者為主要投資者的股票上更加明顯。

雪球、和訊股吧和東方財(cái)富網(wǎng)股吧等社交媒體的評(píng)論內(nèi)容為股價(jià)的影響因素研究提供了新思路。徐維軍等（2022）以東方財(cái)富網(wǎng)股吧的股評(píng)文本為基礎(chǔ)刻畫(huà)個(gè)人投資者的情緒，通過(guò)改進(jìn)構(gòu)建了新的均值回歸投資策略，且利用該策略進(jìn)行投資能夠提高收益。高揚(yáng)、申怡然和徐嘉熙（2022）通過(guò)Bi-LSTM神經(jīng)網(wǎng)絡(luò)分類形成情緒指標(biāo)，研究其對(duì)科創(chuàng)板股指的影響。研究發(fā)現(xiàn)，交易量在兩者的影響機(jī)制中作為中介變量。黃雨婷、宋澤芳和李元（2021）采用文本挖掘技術(shù)構(gòu)建情感詞典，采用SVM將股評(píng)分為3類：積極、中立和消極，并探討了其對(duì)股市產(chǎn)生的效應(yīng)。研究發(fā)現(xiàn)，個(gè)人投資者的情緒在一個(gè)交易周內(nèi)對(duì)股票收益率具有正向預(yù)測(cè)效應(yīng)，而長(zhǎng)期來(lái)看是負(fù)向預(yù)測(cè)效應(yīng)。

基于此，本文以東方財(cái)富網(wǎng)股吧中的互聯(lián)網(wǎng)金融上市公司的發(fā)帖行為為基礎(chǔ)，利用Word2vec和K-Means聚類對(duì)股評(píng)文本進(jìn)行分類，量化股評(píng)情緒，并利用有序Logistic回歸模型研究發(fā)帖行為與股價(jià)漲跌之間的關(guān)系。

二、模型介紹

通過(guò)建立Word2vec模型將股評(píng)文本轉(zhuǎn)化為詞向量組成的矩陣，可以使股評(píng)文本結(jié)構(gòu)化。將Word2vec模型訓(xùn)練后得到的詞向量作為K-Means聚類模型的輸入對(duì)互聯(lián)網(wǎng)金融上市公司的股評(píng)進(jìn)行三分類得到各股評(píng)的情感分類。然后建立有序Logistic回歸模型分析股評(píng)數(shù)量和股評(píng)情緒對(duì)股價(jià)漲跌的影響。下面分別闡述三個(gè)模型的相關(guān)理論。

（一）詞向量模型

Word2vec模型由Mikolov等提出的基于推理的文本表示模型，該模型通過(guò)自然語(yǔ)言的上下文關(guān)系將其轉(zhuǎn)化為稠密向量，轉(zhuǎn)化為詞向量后有助于挖掘文本中詞匯和句子間的特征，本文使用連續(xù)詞袋模型（ContinuousBag-of-Wordmodel，CBOW）來(lái)獲得詞向量。該方法的主要操作是推理，當(dāng)給出周?chē)脑~時(shí)，預(yù)測(cè)中間會(huì)出現(xiàn)什么詞。通過(guò)反復(fù)求解這些推理問(wèn)題并學(xué)習(xí)規(guī)律，可以學(xué)習(xí)到單詞的出現(xiàn)模式。

圖1為CBOW模型的二分類神經(jīng)網(wǎng)絡(luò)的全貌圖，該圖展示了上下文是“金融”和“序列”，作為正確解的目標(biāo)詞是“時(shí)間”的例子。在輸入層為了提取單詞ID的分布式表示，使用Embedding層實(shí)現(xiàn)從權(quán)重矩陣Win中抽取單詞ID對(duì)應(yīng)行（向量）。h表示中間層的神經(jīng)元，然后計(jì)算中間層h與輸出層權(quán)重Wout中對(duì)應(yīng)的詞向量的內(nèi)積。該模型引入了反向抽樣損失函數(shù)，這樣無(wú)論樣本詞匯量有多大，都可以使模型計(jì)算量保持較低或恒定。負(fù)采樣的核心是二分類，用二分類來(lái)擬合多分類，將輸出層由全部詞改為僅關(guān)注一個(gè)詞，該詞可能是目標(biāo)詞——正例，也可能是其他詞——負(fù)例，每次只關(guān)注一個(gè)詞，計(jì)算它的得分，得分最高的詞為正例。

圖1進(jìn)行二分類的CBOW模型的全貌

（二）K-Means模型

K-Means模型是利用樣本的分布進(jìn)行集合劃分的無(wú)監(jiān)督分類方法。該模型通過(guò)不斷迭代得到類中心，并將樣本分為K類。

模型算法如下：

輸入：樣本集合X

輸出：樣本的分類結(jié)果

（1）初始化類中心。t=0，隨機(jī)定義初始的類中心m0=m01，…，m0l，…，m0k；

（2）對(duì)樣本進(jìn)行聚類。設(shè)第t次迭代的類中心為mt=mt1，…，mtl，…，mtk，計(jì)算樣本到每個(gè)類中心的距離，將樣本分配到距離其最近的類中心所屬的類中，結(jié)果滿足

minC∑km=1∑Ci=lxi-ml2（1）

得到第t次迭代的聚類結(jié)果Ct；

（3）根據(jù)Ct計(jì)算新的類中心。計(jì)算當(dāng)前分類結(jié)果Ct中各類樣本的平均值

ml=1nl∑Ci=lxi（2）

為新的類中心mt+1=mt+11，…，mt+1l，…，mt+1k；

（4）若迭代達(dá)到收斂或停止條件，該聚類結(jié)果為最終的聚類結(jié)果，即C*=Ct。否則，令t=t+1，繼續(xù)迭代。

（三）有序Logit模型

有序Logit模型適用于研究自變量對(duì)多類別順序變量的因變量的影響問(wèn)題。設(shè)y有k個(gè)取值，則y的取值超過(guò)j的概率表示如下：

pj=py≥j|x=πj+πj+1+…+πk（3）

πj=py=j|x（4）

其中，πj為y的等級(jí)為j的概率，pj為y的等級(jí)為j的向上累積概率，pj的Logit變換為

Logitpj=Logitpy≥j|x=lnpy≥j|x1-py≥j|x（5）

該式即為有序Logit回歸模型，則該模型定義為

Logitpj=Logitpy≥j|x=α+∑nj=1βjxi（6）

三、研究設(shè)計(jì)

（一）數(shù)據(jù)來(lái)源

本文的研究區(qū)間為2022年1月1日—2022年5月31日，互聯(lián)網(wǎng)金融行業(yè)上市公司名單來(lái)自Wind資訊數(shù)據(jù)庫(kù)，目前我國(guó)互聯(lián)網(wǎng)金融行業(yè)共有43家上市公司。股評(píng)來(lái)自股吧網(wǎng)站，個(gè)人投資者發(fā)帖數(shù)目從爬取的股評(píng)數(shù)據(jù)中整理獲得。股市相關(guān)數(shù)據(jù)通過(guò)Python的Tushare庫(kù)獲取。

股評(píng)文本爬取過(guò)程如圖2所示。

圖2股評(píng)文本爬取過(guò)程

對(duì)爬取的股評(píng)進(jìn)行預(yù)處理，刪除公司名稱、股票代碼及特殊符號(hào)。經(jīng)過(guò)預(yù)處理后的股評(píng)數(shù)如圖3所示。從圖3可以看出，東方財(cái)富網(wǎng)、恒寶股份的發(fā)帖總數(shù)最高，超過(guò)25000條，高于其他公司2倍，說(shuō)明個(gè)人投資者對(duì)其關(guān)注度很高，這些公司的個(gè)人投資者中散戶所占比例更高。鴻利智匯、東易日盛和派生科技的發(fā)帖總數(shù)最低，低于1000條，說(shuō)明個(gè)人投資者對(duì)其關(guān)注度較低，這些公司的個(gè)人投資者中散戶所占比例更低。

（二）關(guān)鍵變量定義

股價(jià)漲跌：當(dāng)日收盤(pán)價(jià)高于前一日收盤(pán)價(jià)，則股價(jià)漲，取值為1，否則取值為0。

股評(píng)數(shù)量：東方財(cái)富網(wǎng)股吧的經(jīng)預(yù)處理后的每日股評(píng)數(shù)取對(duì)數(shù)。

股評(píng)情緒：首先，利用Python爬取2022年1—5月股吧網(wǎng)站上的日股評(píng)數(shù)據(jù)250196條，接著利用Jieba中文分詞系統(tǒng)將全部文本按詞性拆成獨(dú)立的詞組集合，用Word2vec巡禮詞向量，最后將詞向量嵌入K-Means模型，用K-Means模型將股評(píng)分為積極、中立與消極3類。股評(píng)情緒的計(jì)算公式如下：

Sent=ln（∑SentiRevt）（7）

其中，Senti表示第t天第i條股評(píng)的情緒，Revt表示第t天的股評(píng)數(shù)量，即第t天的股評(píng)情緒為該日股評(píng)情緒的均值取對(duì)數(shù)。

控制變量：

參考股市相關(guān)領(lǐng)域研究和我國(guó)股市特征，將公司規(guī)模及股票的流動(dòng)性作為控制變量。用公司總市值代表公司規(guī)模，公司總市值越大，則公司規(guī)模越大。用日平均換手率表示公司股票的流動(dòng)性，股票的日平均換手率越大，則股票的流動(dòng)性越大（見(jiàn)表1）。

圖3互聯(lián)網(wǎng)金融上市公司股票評(píng)價(jià)總數(shù)資料來(lái)源：東方財(cái)富網(wǎng)股吧。

（三）研究模型

為了研究股評(píng)情緒和股評(píng)數(shù)量對(duì)股價(jià)漲跌的影響，本文建立有序Logit回歸模型：

Pricei，t=β0+β1Senti，t+β2Revii，t+β3Liqui，t+β4Sizei，t+μi+λt+εi，t（8）

其中，i和t分別表示公司和日期。解釋變量Revii，t與Senti，t分別為時(shí)間t公司i的股評(píng)數(shù)量和股評(píng)情緒，本文從股價(jià)漲跌的角度（Pricei，t）評(píng)價(jià)解釋變量對(duì)股價(jià)產(chǎn)生的影響?？刂谱兞堪ü善绷鲃?dòng)性（Liqu）和公司規(guī)模（Size），并控制了公司（μi）和日期（λt）效應(yīng)，εi，t為隨機(jī)擾訴項(xiàng)。

四、財(cái)經(jīng)平臺(tái)的發(fā)帖行為對(duì)股價(jià)漲跌影響的實(shí)證研究

（一）相關(guān)變量的描述性統(tǒng)計(jì)

使用上文所述方法得到的變量繪制互聯(lián)網(wǎng)金融上市公司個(gè)人投資者關(guān)注度與個(gè)人投資者情緒的變化趨勢(shì)圖，分析該行業(yè)各公司個(gè)人投資者關(guān)注度和個(gè)人投資者情緒的變化情況。

圖4為互聯(lián)網(wǎng)金融上市公司2022年1—5月個(gè)人投資者關(guān)注度的變化趨勢(shì)。從圖4可以看出：各公司的個(gè)人投資者關(guān)注度相差較大，其中東方財(cái)富網(wǎng)、恒寶股份、潤(rùn)和軟件、證通電子和新力金融的最高個(gè)人投資者月關(guān)注度達(dá)到1000以上，而鴻利智匯、東易日盛和派生科技的最高個(gè)人投資者月關(guān)注度只能達(dá)到100。行業(yè)內(nèi)的關(guān)注度差異達(dá)到10倍以上，這說(shuō)明個(gè)人投資者對(duì)該行業(yè)公司的關(guān)注有很大區(qū)別，在個(gè)人投資者中的知名度差異較大，這對(duì)該行業(yè)部分公司的發(fā)展前景造成一定影響，該行業(yè)公司發(fā)展不均衡。

圖4互聯(lián)網(wǎng)金融上市公司個(gè)人投資者關(guān)注度變化趨勢(shì)資料來(lái)源：東方財(cái)富網(wǎng)股吧。

通過(guò)分析從互聯(lián)網(wǎng)金融上市公司2022年1—5月的個(gè)人投資者情緒變化趨勢(shì)可以看出由于版面有限，個(gè)人投資者情緒變化趨勢(shì)圖略，若有需要可以聯(lián)系編輯部或作者。：股評(píng)情緒的波動(dòng)幅度較大，這也說(shuō)明了股票市場(chǎng)的瞬息萬(wàn)變，公司一旦放出利好或利空消息，股價(jià)會(huì)馬上對(duì)該信息做出反應(yīng)；生意寶、證通電子、協(xié)鑫集成、譽(yù)衡藥業(yè)、海寧皮城、東易日盛、金一文化、三六五網(wǎng)、匯金股份、贏時(shí)勝、盛天網(wǎng)絡(luò)、新力金融等20家上市公司的個(gè)人投資者情緒多為看跌情緒，潤(rùn)和軟件、同花順、金證股份、恒生電子、信雅達(dá)、大智慧等23家上市公司的個(gè)人投資者情緒多為看漲情緒，53.5%的互聯(lián)網(wǎng)金融上市公司的個(gè)人投資者對(duì)其股價(jià)走勢(shì)呈樂(lè)觀態(tài)勢(shì)，說(shuō)明我國(guó)互聯(lián)網(wǎng)金融上市公司發(fā)展?fàn)顩r較好，具有良好的發(fā)展前景，這與我國(guó)互聯(lián)網(wǎng)和人工智能的高速發(fā)展是密不可分的。43家上市公司中有83.77%的公司的個(gè)人投資者情緒在1月底2月初時(shí)均為看跌情緒。這是由于該段時(shí)間臨近春節(jié)，大量個(gè)人投資者賣(mài)出股票，導(dǎo)致股價(jià)出現(xiàn)一定程度的下跌。但春節(jié)結(jié)束后即2月底股價(jià)會(huì)恢復(fù)，個(gè)人投資者情緒也相應(yīng)變化。

對(duì)使用上述方法得到的變量做描述性統(tǒng)計(jì)分析，了解相關(guān)變量的總體分布狀況。描述性統(tǒng)計(jì)的結(jié)果如表2所示。從表2可以看出：Price的均值小于0且中位數(shù)為-1，說(shuō)明對(duì)整個(gè)互聯(lián)網(wǎng)金融行業(yè)而言，股價(jià)下跌的天數(shù)更多。Sent的中位數(shù)與平均值均為負(fù)數(shù)，說(shuō)明個(gè)人投資者更偏向于股價(jià)會(huì)跌，可以看出股價(jià)的漲跌與個(gè)人投資者情緒的變化總體一致，說(shuō)明個(gè)人投資者情緒會(huì)對(duì)股價(jià)漲跌造成影響，這一結(jié)果將通過(guò)下面的實(shí)證分析做進(jìn)一步說(shuō)明。Revi的最大值為2047，最小值為3，說(shuō)明該行業(yè)某公司一天的股評(píng)數(shù)可以達(dá)到2047條，而另一公司某一天的股評(píng)數(shù)只有3條，這說(shuō)明了各公司的個(gè)人投資者關(guān)注度以及不同時(shí)間的個(gè)人投資者關(guān)注度存在較大差異，研究個(gè)人投資者關(guān)注度對(duì)股價(jià)的影響具有實(shí)際意義?？刂谱兞康慕y(tǒng)計(jì)結(jié)果沒(méi)有異常。且相關(guān)變量的相關(guān)系數(shù)均小于0.6，說(shuō)明變量間不存在需要特別考慮的多重共線性問(wèn)題。

（二）財(cái)經(jīng)平臺(tái)的發(fā)帖行為對(duì)股價(jià)漲跌影響的回歸分析

為了確定合適的擬合模型，需要進(jìn)行相關(guān)檢驗(yàn)，檢驗(yàn)結(jié)果如表3所示。從表3可以看出：F檢驗(yàn)拒絕原假設(shè)，在混合模型和固定效應(yīng)（FE）模型中應(yīng)選擇FE模型；LM檢驗(yàn)接受原假設(shè)，在混合模型和隨機(jī)效應(yīng)（RE）模型中應(yīng)選擇混合模型，豪斯曼檢驗(yàn)拒絕原假設(shè)，在RE模型和FE模型中應(yīng)選擇FE模型。本文應(yīng)選擇固定效應(yīng)模型進(jìn)行實(shí)證分析。

表4為利用固定效應(yīng)的有序Logit回歸模型研究個(gè)人投資者發(fā)帖行為對(duì)股價(jià)漲跌的影響結(jié)果。在實(shí)證分析前，將解釋變量和相關(guān)的控制變量對(duì)數(shù)化。其中，第二列為在控制日期和公司固定效應(yīng)的情況下個(gè)人投資者情緒對(duì)股價(jià)漲跌的影響，經(jīng)過(guò)3次迭代后得到最大似然估計(jì)。lnSent的系數(shù)為0.2995，在1%的水平上顯著，說(shuō)明個(gè)人投資者情緒的高漲會(huì)使股價(jià)上漲。第三列為在控制日期和公司固定效應(yīng)的情況下個(gè)人投資者的關(guān)注度對(duì)股價(jià)漲跌的影響，lnRevi的系數(shù)為-0.6592，在1%的水平上顯著，說(shuō)明個(gè)人投資者的關(guān)注度增加會(huì)使股價(jià)下跌。第一列為在控制日期和公司固定效應(yīng)的情況下個(gè)人投資者情緒與股票關(guān)注度對(duì)股價(jià)漲跌的影響，lnSent的系數(shù)為0.2207，在5%的水平上顯著，進(jìn)一步印證了個(gè)人投資者情緒與股價(jià)漲跌的正相關(guān)關(guān)系，說(shuō)明東方財(cái)富網(wǎng)股吧的個(gè)人投資者情緒在股票市場(chǎng)中具有一定的主導(dǎo)性。lnRevi的系數(shù)為-0.6300，在1%的水平上顯著，進(jìn)一步印證了個(gè)人投資者關(guān)注度與股價(jià)漲跌的負(fù)相關(guān)關(guān)系。這與熊艷（2022）的研究結(jié)論相同，進(jìn)一步說(shuō)明了東方財(cái)富網(wǎng)股吧的主要效應(yīng)為情緒宣泄。

表5從勝算比角度分析個(gè)人投資者關(guān)注度及個(gè)人投資者情緒對(duì)股價(jià)漲跌的影響。其中，第一列為兩者共同作用對(duì)股價(jià)漲跌的勝算比，lnSent的系數(shù)為1.2469，則個(gè)人投資者情緒每增加1個(gè)單位使股價(jià)上漲的勝算提高了24.69%，lnRevi的系數(shù)為0.5326，則個(gè)人投資者關(guān)注度每增加1個(gè)單位使股價(jià)上漲的勝算降低了46.74%。第二列為個(gè)人投資者情緒對(duì)股價(jià)漲跌的勝算比，lnSent的系數(shù)大于0，說(shuō)明個(gè)人投資者情緒的增加使股價(jià)上漲的勝算提高了。第二列為個(gè)人投資者關(guān)注度對(duì)股價(jià)漲跌的勝算比，lnRevi的系數(shù)大于0，說(shuō)明個(gè)人投資者關(guān)注度的增加使股價(jià)上漲的勝算降低了。進(jìn)一步證實(shí)了個(gè)人投資者關(guān)注度對(duì)股價(jià)漲跌的勝算比大于1，個(gè)人投資者情緒對(duì)股價(jià)漲跌的勝算比小于1本文的變量增加1個(gè)單位為對(duì)數(shù)化后的變量增加1個(gè)單位。

表6為個(gè)人投資者關(guān)注度與個(gè)人投資者情緒對(duì)股價(jià)漲跌的平均邊際影響。對(duì)于第一列個(gè)人投資者關(guān)注度與個(gè)人投資者情緒對(duì)股價(jià)漲跌的整體邊際影響而言，當(dāng)個(gè)人投資者關(guān)注度和控制變量不變時(shí)，個(gè)人投資者情緒每增加1個(gè)單位，股價(jià)下跌的概率會(huì)減少5.50%，股價(jià)平穩(wěn)的概率會(huì)增加0.05%，股價(jià)上漲的概率會(huì)增加5.44%。當(dāng)個(gè)人投資者情緒和控制變量不變時(shí)，個(gè)人投資者關(guān)注度每增加1個(gè)單位，股價(jià)下跌的概率增加15.70%，股價(jià)平穩(wěn)的概率會(huì)減小0.15%，股價(jià)上漲的概率會(huì)減小15.45%。第二列說(shuō)明了個(gè)人投資者情緒的高漲使股價(jià)下跌的概率減小，股價(jià)上漲的概率增加。第三列說(shuō)明了個(gè)人投資者關(guān)注度的增加使股價(jià)下跌的概率增加，股價(jià)上漲的概率減小。與第一列結(jié)果一致，進(jìn)一步證實(shí)了個(gè)人投資者的關(guān)注度和情緒對(duì)股價(jià)漲跌的影響。

（三）財(cái)經(jīng)平臺(tái)的發(fā)帖行為對(duì)股價(jià)漲跌影響的穩(wěn)健性檢驗(yàn)

1.緩解內(nèi)生性問(wèn)題對(duì)結(jié)論的影響

本文使用工具變量法并基于2SLS回歸的方法來(lái)緩解個(gè)人投資者關(guān)注度和個(gè)人投資者情緒對(duì)股價(jià)漲跌影響的內(nèi)生性問(wèn)題，選擇滯后一期的內(nèi)生變量作為工具變量，第一步將個(gè)人投資者關(guān)注度或個(gè)人投資者情緒作為因變量，滯后一階的變量作為工具變量做回歸，第二步將上一步得到的因變量作為解釋變量，股價(jià)漲跌作為因變量進(jìn)行回歸，回歸結(jié)果如表7所示。從表7可以看出，就個(gè)人投資者關(guān)注度對(duì)股價(jià)漲跌的影響而言，一階段中工具變量（L1.lnRevi）的系數(shù)顯著為正，說(shuō)明模型是恰足確認(rèn)的，不存在弱工具變量問(wèn)題。二階段中，經(jīng)過(guò)工具變量回歸的lnRevi的系數(shù)顯著為負(fù)，結(jié)論仍然成立。就個(gè)人投資者情緒對(duì)股價(jià)漲跌的影響而言，一階段中工具變量（L1.lnSent）的系數(shù)顯著為負(fù)，說(shuō)明模型是恰足確認(rèn)的，且不存在弱工具變量問(wèn)題。二階段中l(wèi)nSent的系數(shù)顯著為正，結(jié)論仍然成立，說(shuō)明本文研究不存在內(nèi)生性問(wèn)題。

2.緩解樣本偏差對(duì)結(jié)論的干擾

通過(guò)縮小樣本規(guī)模來(lái)緩解樣本選擇偏誤對(duì)結(jié)論的干擾。由于春節(jié)前后的股評(píng)信息可能受到很多外部信息的干擾，所以利用2022年3—5月的股評(píng)數(shù)和股評(píng)情緒均值代表個(gè)人投資者關(guān)注度與個(gè)人投資者情緒，使用面板數(shù)據(jù)的有序Logit模型研究?jī)蓚€(gè)變量對(duì)股價(jià)漲跌的影響，實(shí)證結(jié)果如表8所示。觀察表8發(fā)現(xiàn)實(shí)證結(jié)果與前文保持一致，說(shuō)明本文研究結(jié)果較穩(wěn)健。

五、結(jié)論與建議

本文以東方財(cái)富網(wǎng)股吧中的互聯(lián)網(wǎng)金融上市公司的發(fā)帖行為為基礎(chǔ)，以2022年1—5月的股票相關(guān)數(shù)據(jù)研究發(fā)股評(píng)數(shù)及股評(píng)情緒對(duì)股價(jià)漲跌的影響。研究結(jié)果表明：①個(gè)人投資者對(duì)互聯(lián)網(wǎng)金融行業(yè)公司的關(guān)注度差別較大，這對(duì)該行業(yè)部分公司的發(fā)展前景造成一定影響。②53.5%的互聯(lián)網(wǎng)金融上市公司的個(gè)人投資者對(duì)其股價(jià)走勢(shì)呈樂(lè)觀態(tài)勢(shì)，說(shuō)明我國(guó)互聯(lián)網(wǎng)金融上市公司發(fā)展?fàn)顩r較好，具有良好的發(fā)展前景，這與我國(guó)互聯(lián)網(wǎng)和人工智能的高速發(fā)展密不可分。③個(gè)人投資者情緒的高漲會(huì)使股價(jià)上漲，個(gè)人投資者情緒每增加1個(gè)單位使股價(jià)上漲的勝算提高了24.69%；而個(gè)人投資者的關(guān)注度增加會(huì)使股價(jià)下跌，個(gè)人投資者關(guān)注度增加1個(gè)單位使股價(jià)上漲的勝算降低了46.74%。印證了股吧的情緒宣泄效應(yīng)。④當(dāng)個(gè)人投資者關(guān)注度和控制變量不變時(shí)，個(gè)人投資者情緒增加1個(gè)單位，股價(jià)下跌的概率會(huì)減少5.5%，股價(jià)平穩(wěn)的概率會(huì)增加0.05%，股價(jià)上漲的概率會(huì)增加5.44%。當(dāng)個(gè)人投資者情緒和控制變量不變時(shí)，個(gè)人投資者關(guān)注度每增加1個(gè)單位，股價(jià)下跌的概率增加16.38%，股價(jià)平穩(wěn)的概率會(huì)減小0.16%，股價(jià)上漲的概率會(huì)減小16.23%。

本文研究表明，互聯(lián)網(wǎng)金融行業(yè)各公司的個(gè)人投資者關(guān)注度與個(gè)人投資者情緒差別較大，且行業(yè)的個(gè)人投資者關(guān)注度與個(gè)人投資者情緒對(duì)股價(jià)漲跌的影響作用相反，應(yīng)對(duì)財(cái)經(jīng)平臺(tái)因勢(shì)利導(dǎo)，使其更好地服務(wù)股票市場(chǎng)。因此，提出以下建議：①個(gè)人投資者由于缺乏專業(yè)方面的知識(shí)，容易被財(cái)經(jīng)平臺(tái)中的錯(cuò)誤信息干擾。因此，個(gè)人投資者應(yīng)加強(qiáng)專業(yè)知識(shí)的攝入，時(shí)刻保持清醒狀態(tài)，在做出投資決策前盡量進(jìn)行理性分析。②由于恰當(dāng)?shù)膫€(gè)人投資者情緒確實(shí)能反映未來(lái)的股價(jià)漲跌，財(cái)經(jīng)平臺(tái)如東方財(cái)富網(wǎng)股吧應(yīng)當(dāng)加強(qiáng)股票評(píng)論內(nèi)容監(jiān)管，將內(nèi)容嚴(yán)重不符的股評(píng)進(jìn)行刪評(píng)或?qū)τ脩艚?，幫助個(gè)人投資者做出正確的決策。③互聯(lián)網(wǎng)金融行業(yè)要利用好個(gè)人投資者情緒與個(gè)人投資者關(guān)注度對(duì)股價(jià)漲跌的影響，在做好本公司主營(yíng)業(yè)務(wù)的前提下可以通過(guò)培養(yǎng)一批情緒穩(wěn)定的專業(yè)個(gè)人投資者，引導(dǎo)公司在股吧中的形象，穩(wěn)定公司的股價(jià)。

參考文獻(xiàn)

［1］葉德磊，姚占雷，劉小舟.公司新聞、個(gè)人投資者關(guān)注與股價(jià)運(yùn)行——來(lái)自股吧的證據(jù)［J］.華東師范大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2017，49（6）：136-143，172.

［2］江婕，邱佳成，朱然，等.投資者關(guān)注與股價(jià)崩盤(pán)風(fēng)險(xiǎn)：抑制還是加??？［J］.證券市場(chǎng)導(dǎo)報(bào)，2020（3）：69-78.

［3］劉維奇，劉新新.個(gè)人和機(jī)構(gòu)投資者情緒與股票收益——基于上證A股市場(chǎng)的研究［J］.管理科學(xué)學(xué)報(bào)，2014，17（3）：70-87.

［4］黃德龍，文鳳華，楊曉光.投資者情緒指數(shù)及中國(guó)股市的實(shí)證［J］.系統(tǒng)科學(xué)與數(shù)學(xué)，2009，29（1）：1-13.

［5］姚遠(yuǎn)，王瑞倩.宏觀經(jīng)濟(jì)、投資者情緒與股指收益率的非對(duì)稱性研究［J］.價(jià)格理論與實(shí)踐，2021（1）：124-127，174.

［6］陸昌，劉洋，楊曉光.投資者情緒的不對(duì)稱性及其原因——來(lái)自中國(guó)市場(chǎng)的實(shí)證［J］.系統(tǒng)科學(xué)與數(shù)學(xué)，2020，40（4）：612-633.

［7］童元松.我國(guó)股票價(jià)格指數(shù)與投資者情緒的互動(dòng)效應(yīng)研究［J］.價(jià)格理論與實(shí)踐，2020（9）：98-101，179.

［8］BARTOVE，F(xiàn)AURELL，MOHANRAMPS.CanTwitterhelppredictfirm-levelearningsandstockreturns？［J］.TheAccountingReview，2018，93（3）：25-57.

［9］ANTWEILERW，F(xiàn)RANKMZ.Isallthattalkjustnoise？Theinformationcontentofinternetstockmessageboards［J］.TheJournalofFinance，2004，59（3）：1259-1294.

［10］徐維軍，彭子衿，張衛(wèi)國(guó)，等.基于文本信息考慮投資者情緒的均值回歸策略設(shè)計(jì)——以東方財(cái)富股吧發(fā)帖文本和A股市場(chǎng)為例［J］.運(yùn)籌與管理，2022，31（3）：193-198.

［11］高揚(yáng)，申怡然，徐嘉熙.投資者情緒對(duì)科創(chuàng)板市場(chǎng)收益率的影響——基于文本數(shù)據(jù)挖掘視角［J］.運(yùn)籌與管理，2022，31（2）：184-190.

［12］蔡毅，唐振鵬，吳俊傳，等.異質(zhì)投資者情緒對(duì)股市的影響研究——基于文本語(yǔ)義分析［J］.系統(tǒng)科學(xué)與數(shù)學(xué)，2021，41（11）：3093-3108.

［13］黃雨婷，宋澤芳，李元.基于文本挖掘的股評(píng)情緒效應(yīng)分析［J/OL］.數(shù)理統(tǒng)計(jì)與管理：1-14［2022-06-09］.

［14］熊艷.論壇發(fā)帖與股價(jià)行為：情緒宣泄還是信息傳遞？［J］.中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2022（5）：29-45.

［15］陳浪南，陳文博.中國(guó)股市非對(duì)稱V字形處置效應(yīng)的實(shí)證研究［J］.管理工程學(xué)報(bào)，2020，34（1）：63-78.

［16］施榮盛.投資者關(guān)注與分析師評(píng)級(jí)漂移——來(lái)自中國(guó)股票市場(chǎng)的證據(jù)［J］.投資研究，2012，31（6）：133-145.

［17］李倩.媒體報(bào)道與投資者關(guān)注對(duì)股票收益的影響機(jī)制研究［D］.成都：四川大學(xué)，2021.

［18］陳健，曾世強(qiáng).投資者情緒對(duì)股票價(jià)格波動(dòng)的影響研究［J］.價(jià)格理論與實(shí)踐，2018（7）：99-102.

［19］張祚超，張永杰，沈德華，等.大眾媒體與新媒體信息傳遞對(duì)中國(guó)股市收益波動(dòng)的影響［J］.中國(guó)管理科學(xué)，2021，29（6）：238-248.

［20］段江嬌，劉紅忠，曾劍平.中國(guó)股票網(wǎng)絡(luò)論壇的信息含量分析［J］.金融研究，2017（10）：178-192.

TheInfluenceofInternetFinanceListedCompaniesPostingBehavioronStockPrice

FANGGuobinSHENYuxin

（SchoolofStatisticsandAppliedMathematics，AnhuiUniversityofFinanceandEconomics，Bengbu233030，China）

Abstract：WiththecontinuousdevelopmentofInternetfinance，itisofgreatsignificancetostudytheeffectofPostingbehavioroffinancialplatformsonstockpricetrend.BasedonthePostingbehavioroflistedInternetfinancialcompaniesinOrientalFortuneStockBar，thispaperusesstockrelateddatafromJanuarytoMay2022tostudythenumberofsharecommentsissuedandtheimpactofsharecommentsentimentonstockpriceriseandfall.Therisinginvestorsentimentwillmakethestockpricerise，eachadditionalunitincreasestheprobabilityofthestockpriceriseby24.69%.However，wheninvestorspaymoreattention，stockpricesfall.Anincreaseininvestorattentionbyoneunitreducestheoddsofastockpricerisingby46.74%.TheresearchontheinfluenceofPostingbehavioronstockpricecanprovidereferenceforinvestorstomakemorefavorabledecisions，thedevelopmentofInternetfinanceindustryandthestabledevelopmentofstockmarket.