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.