發(fā)布時間：2020-12-19 02:37

　　隨著互聯(lián)網(wǎng)科技的發(fā)展,利用數(shù)據(jù)挖掘手段不僅可以構(gòu)建投資者高頻情緒指標(biāo),也有助于深入研究投資者情緒與股票市場運行之間的內(nèi)在聯(lián)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(wǎng)絡(luò)數(shù)據(jù),采用自然語言處理技術(shù)進行文本分析,構(gòu)建了投資者情緒日度指標(biāo),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(guān)關(guān)系。實證結(jié)果發(fā)現(xiàn):投資者情緒與市場超額收益率和流動性間存在時變相關(guān)性,動態(tài)條件相關(guān)系數(shù)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(guān)系數(shù)具有長期記憶性,并且會受到宏觀經(jīng)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(shù)據(jù),更高頻的日度指標(biāo)在刻畫情緒與股票市場的相關(guān)程度時,能捕捉到即時、準(zhǔn)確的信息。這些結(jié)論對于深入理解投資者情緒與股票收益和流動性的聯(lián)動機理有一定意義。 

【文章來源】：北京理工大學(xué)學(xué)報(社會科學(xué)版). 2019年05期 北大核心CSSCI

【文章頁數(shù)】：13 頁

【部分圖文】：

“大盤評述”數(shù)據(jù)處理流程市場運行數(shù)據(jù)來源Python自然語言處理

?（Hownet）情感詞典和臺灣大學(xué)簡體中文情感極性詞典（NTSUSD）作為基礎(chǔ)情感詞典語料庫。將SnowNLP中的positive（negative）詞典、知網(wǎng)（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(xùn)練數(shù)據(jù)。接著，對這些數(shù)據(jù)集中加以訓(xùn)練，并利用詞庫匹配法對所有樣本數(shù)據(jù)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(nèi)容中沒有情感詞匯，這會導(dǎo)致少量分類結(jié)果中含有情緒值為0.5的中性類別的量化結(jié)果，針對中性類別的內(nèi)容，利用Python編寫程序，安裝jieba并在Python中導(dǎo)入NLTK資料庫，對這些內(nèi)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(gòu)建訓(xùn)練需要的數(shù)據(jù)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(nèi)容的獲取和處理流程。3.市場運行數(shù)據(jù)來源實證分析中涉及的市場超額收益率、市場流動性數(shù)據(jù)、宏觀經(jīng)濟變量數(shù)據(jù)均來源于萬德（WIND）金融數(shù)據(jù)庫，為確保數(shù)據(jù)的準(zhǔn)確性，對這些市場交易數(shù)據(jù)又通過瑞思金融數(shù)據(jù)庫以及國家統(tǒng)計局網(wǎng)站進行了分批核實。（二）變量指標(biāo)設(shè)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(dāng)日樂觀/悲觀帖子數(shù)構(gòu)建投資者日度情緒指數(shù)，所得情緒值介于（0，0.5]

。（二）協(xié)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(xié)整檢驗，以驗證各變量間是否有長期穩(wěn)定的均衡關(guān)系。第一步，對各變量進行標(biāo)準(zhǔn)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(jié)果如式（9）和式（10）所示，其中括號內(nèi)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(shù)投資者情緒1.20.80.40.0-0.4-0.8-1.2上證指數(shù)投資者情緒2009201020112012201320142015201620172018年份上證指數(shù)超額收益率2009201020112012201320142015201620172018年份6420-2-4-6-8-10圖4上證指數(shù)股票超額收益率表1變量描述性統(tǒng)計結(jié)果表2變量平穩(wěn)性和自相關(guān)性檢驗結(jié)果變量均值最大值最小值標(biāo)準(zhǔn)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(jīng)媒體類型的視角[J]. 鐘惠波,沈依琴,曾奕萌.  北京理工大學(xué)學(xué)報(社會科學(xué)版). 2018(03)
[2]中國股票網(wǎng)絡(luò)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(yīng)與機理研究[J]. 尹海員.  廈門大學(xué)學(xué)報(哲學(xué)社會科學(xué)版). 2017(04)
[4]網(wǎng)絡(luò)消費者信心指數(shù)和經(jīng)濟增長的動態(tài)相關(guān)性研究[J]. 劉偉江,李映橋.  財貿(mào)研究. 2017(05)
[5]本地偏好、投資者情緒與股票收益率:來自網(wǎng)絡(luò)論壇的經(jīng)驗證據(jù)[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(xué)學(xué)報. 2016(10)
[7]網(wǎng)絡(luò)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(xiàn)代化. 2016(05)
[8]基于文本挖掘和百度指數(shù)的投資者情緒指數(shù)研究[J]. 孟雪井,孟祥蘭,胡楊洋.  宏觀經(jīng)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(xué). 2015(11)
[10]投資者情緒影響下資本資產(chǎn)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