隨著互聯網科技的發(fā)展,利用數據挖掘手段不僅可以構建投資者高頻情緒指標,也有助于深入研究投資者情緒與股票市場運行之間的內在聯動性。選取2009—2018年共2 198個交易日樣本,運用爬蟲軟件挖掘股票市場大盤評述的網絡數據,采用自然語言處理技術進行文本分析,構建了投資者情緒日度指標,利用DCC-GARCH模型研究了投資者情緒、市場超額收益率和市場流動性之間的時變相關關系。實證結果發(fā)現:投資者情緒與市場超額收益率和流動性間存在時變相關性,動態(tài)條件相關系數總體為正;投資者情緒與市場超額收益率和流動性間的動態(tài)條件相關系數具有長期記憶性,并且會受到宏觀經濟變量的影響;相比于牛市,熊市環(huán)境中股票市場的運行對投資者情緒的變動更為敏感;相對于月度數據,更高頻的日度指標在刻畫情緒與股票市場的相關程度時,能捕捉到即時、準確的信息。這些結論對于深入理解投資者情緒與股票收益和流動性的聯動機理有一定意義。 

【文章來源】：北京理工大學學報(社會科學版). 2019年05期 北大核心CSSCI

【文章頁數】：13 頁

【部分圖文】：

“大盤評述”數據處理流程市場運行數據來源Python自然語言處理

?（Hownet）情感詞典和臺灣大學簡體中文情感極性詞典（NTSUSD）作為基礎情感詞典語料庫。將SnowNLP中的positive（negative）詞典、知網（Hownet）和NTSUSD的正（負）面評價詞語、正（負）面情感詞語詞典的積極與消極詞匯分別消重后進行組合，由此獲得訓練數據。接著，對這些數據集中加以訓練，并利用詞庫匹配法對所有樣本數據逐條進行量化處理，獲得取值區(qū)間為[0，1]情緒值。由于部分文本內容中沒有情感詞匯，這會導致少量分類結果中含有情緒值為0.5的中性類別的量化結果，針對中性類別的內容，利用Python編寫程序，安裝jieba并在Python中導入NLTK資料庫，對這些內容進行分詞后，跟蹤統(tǒng)計排名前1000的單詞和雙詞，把單詞和雙詞一起作為特征，重新構建訓練需要的數據格式，為積極文本賦予“pos”，為消極文本賦予“neg”，形成一個新字典，再次利用SnowNLP將這些原始信息重新進行劃分。本文最終獲得94726個樂觀文本和47044個悲觀文本。圖2展示了“大盤評述”文本內容的獲取和處理流程。3.市場運行數據來源實證分析中涉及的市場超額收益率、市場流動性數據、宏觀經濟變量數據均來源于萬德（WIND）金融數據庫，為確保數據的準確性，對這些市場交易數據又通過瑞思金融數據庫以及國家統(tǒng)計局網站進行了分批核實。（二）變量指標設計1.投資者情緒投資者情緒是本文核心解釋變量，借鑒楊曉蘭等[15]148的思路，基于量化得到的當日樂觀/悲觀帖子數構建投資者日度情緒指數，所得情緒值介于（0，0.5]

。（二）協整檢驗與滾動回歸1.E-G兩步法采用E-G兩步法對投資者情緒與其他兩個變量分別進行全樣本的協整檢驗，以驗證各變量間是否有長期穩(wěn)定的均衡關系。第一步，對各變量進行標準化處理以消除變量差異的影響，再將市場超額收益率和股票流動性對投資者情緒按照方程yt=c+βxt進行OLS回歸，結果如式（9）和式（10）所示，其中括號內的為t統(tǒng)計量r=0.2851***sentiment（9）（13.9368）illiq=-0.1419***sentiment（10）（-6.7191）圖3上證指數投資者情緒1.20.80.40.0-0.4-0.8-1.2上證指數投資者情緒2009201020112012201320142015201620172018年份上證指數超額收益率2009201020112012201320142015201620172018年份6420-2-4-6-8-10圖4上證指數股票超額收益率表1變量描述性統(tǒng)計結果表2變量平穩(wěn)性和自相關性檢驗結果變量均值最大值最小值標準差偏度峰度J-B投資者情緒0.0011.099-1.1570.177-0.0227.0081471.560市場超額收益率-0.6655.271-9.3921.462-0.7557.7982317.076市場非流動性0.0010.0090.0000.0012.47513.17911732.790變量ADFPP（C，T，K）平穩(wěn)性Q（5）Q（10）Q2（5）Q2（10）投資者情緒-26.480（0.000）-40.381（0.000）（100）平穩(wěn)222.670（0.000）256.770（0.000）20.186（0.001）26.692（0.002）市場超額收益率-44.768（0.000）-44.750（0.000）（100）平穩(wěn)11.180（0.048）26.182（0.003）524.060（0.000）763.220（0.000）市場非流動性-6.429（0.000）-57.467（0.000）（100）平穩(wěn)778.420（0.000）1

【參考文獻】：
期刊論文
[1]新聞話語方式對股價的影響——基于財經媒體類型的視角[J]. 鐘惠波,沈依琴,曾奕萌.  北京理工大學學報(社會科學版). 2018(03)
[2]中國股票網絡論壇的信息含量分析[J]. 段江嬌,劉紅忠,曾劍平.  金融研究. 2017(10)
[3]投資者情緒對股票流動性影響效應與機理研究[J]. 尹海員.  廈門大學學報(哲學社會科學版). 2017(04)
[4]網絡消費者信心指數和經濟增長的動態(tài)相關性研究[J]. 劉偉江,李映橋.  財貿研究. 2017(05)
[5]本地偏好、投資者情緒與股票收益率:來自網絡論壇的經驗證據[J]. 楊曉蘭,沈翰彬,祝宇.  金融研究. 2016(12)
[6]投資者行為如何影響股票市場流動性?——基于投資者情緒、信息認知和賣空約束的分析[J]. 劉曉星,張旭,顧笑賢,姚登寶.  管理科學學報. 2016(10)
[7]網絡論壇信息挖掘與投資者情緒測度——基于多元GARCH-BEKK模型分析[J]. 易洪波,歐云.  管理現代化. 2016(05)
[8]基于文本挖掘和百度指數的投資者情緒指數研究[J]. 孟雪井,孟祥蘭,胡楊洋.  宏觀經濟研究. 2016(01)
[9]投資者情緒對股價的影響——基于AH股交叉上市股票的實證分析[J]. 陸靜,周媛.  中國管理科學. 2015(11)
[10]投資者情緒影響下資本資產定價的區(qū)制性[J]. 謝軍,楊春鵬.  系統(tǒng)工程. 2015(01)



本文編號：2925089