網(wǎng)絡(luò)輿情對金融市場的影響研究：一個文獻綜述

歐陽資生，李虹宣

（湖南工商大學 財政金融學院，湖南 長沙410205）

一、引 言

2018年中國第42次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展狀況統(tǒng)計報告》調(diào)查顯示，截至2018年6月30日，中國互聯(lián)網(wǎng)網(wǎng)民規(guī)模達8．02億，普及率為57．7%；手機網(wǎng)民規(guī)模達7．88億，網(wǎng)民中使用手機上網(wǎng)人群的占比達98．3%。隨著計算機技術(shù)及手機設(shè)備的快速發(fā)展，便捷的上網(wǎng)環(huán)境促使越來越多的人們通過微博、博客及股吧等網(wǎng)絡(luò)平臺獲取各類信息，并交流各自的觀點?；ヂ?lián)網(wǎng)由原始的信息發(fā)布平臺逐漸演變成網(wǎng)絡(luò)媒體以及用戶傳遞獲取信息的主要載體，成為信息發(fā)布、共享、交流、互動的社交網(wǎng)絡(luò)，進一步成為網(wǎng)絡(luò)輿論發(fā)生、發(fā)酵和爆發(fā)的平臺。網(wǎng)民既是網(wǎng)絡(luò)輿情的受眾，也成為網(wǎng)絡(luò)輿情的傳遞者，網(wǎng)絡(luò)輿情的傳播也由依靠傳統(tǒng)專業(yè)媒體渠道向公共媒體與自媒體并行傳播發(fā)展，這種開放的信息交流渠道能夠?qū)W(wǎng)民的情緒、態(tài)度及行為產(chǎn)生影響，進而影響金融市場。

中國金融網(wǎng)絡(luò)輿情具有出現(xiàn)快速、消退迅速及常有反復的特點，經(jīng)常因某篇報道或帖子大熱產(chǎn)生關(guān)于投資的網(wǎng)絡(luò)輿情信息，又由于網(wǎng)絡(luò)熱點的層出不窮而快速消散，之后又因為新的事由而再次爆發(fā)。關(guān)于網(wǎng)絡(luò)輿情對金融市場的影響已成為行為金融學研究的重要方向。中國《證券時報》、《中國證券報》、《上海證券報》等主流財經(jīng)報道能夠較全面權(quán)威地反映國家經(jīng)濟政策以及金融市場變動的相關(guān)信息，引導投資者們對金融市場變動趨勢產(chǎn)生初步判斷，進而影響投資者的情緒及行為。由于中國投資者自身專業(yè)知識不足，且在獲取信息時面臨金融市場的信息不對稱，導致投資者對于外界消息缺乏辨別力，但投資者的投資行為卻易于受到外界消息的影響，因此網(wǎng)絡(luò)輿情可能給金融市場帶來嚴重影響。投資者通過在股吧、微博、博客、微信等平臺瀏覽獲取相關(guān)信息，并通過綜合分析各類信息來優(yōu)化自己的投資決策以最終反饋成對金融市場的直接預(yù)期，這些信息通過影響投資者情緒進一步影響投資行為。另一方面，投資者根據(jù)總結(jié)的信息分享自己的觀點，進而影響他人的投資行為。因此各交流平臺中以主觀形式存在的輿情信息是影響投資者決策的重要因素，進而影響金融市場的穩(wěn)定。

鑒于此，本文回顧了國內(nèi)外網(wǎng)絡(luò)輿情對金融市場影響的相關(guān)研究。首先對網(wǎng)絡(luò)輿情的測度方法進行了歸納闡述，然后在總結(jié)歸納網(wǎng)絡(luò)輿情測度方法的基礎(chǔ)上，分別探討了網(wǎng)絡(luò)輿情對股票市場、衍生金融市場以及金融市場穩(wěn)定性的影響，最后對未來研究方向進行了討論，以期為進一步的研究提供參考。

二、網(wǎng)絡(luò)輿情測度方法研究

目前，國內(nèi)外關(guān)于網(wǎng)絡(luò)輿情測度的研究多集中于社會學及新聞學相關(guān)領(lǐng)域，而對于金融網(wǎng)絡(luò)輿情測度的相關(guān)文獻較少。結(jié)合相關(guān)文獻，本文從技術(shù)層面分析網(wǎng)絡(luò)輿情指數(shù)的構(gòu)建，可分為數(shù)據(jù)采集、關(guān)鍵詞選擇及輿情度量三個方面闡述相關(guān)的研究現(xiàn)狀。

（一）輿情數(shù)據(jù)采集

關(guān)于輿情數(shù)據(jù)的采集，一方面通過相關(guān)搜索引擎直接獲得計數(shù)或者圖像數(shù)據(jù)，以此作為輿情數(shù)據(jù)進一步研究相關(guān)問題。Hamid與Heiden通過谷歌搜索引擎關(guān)于關(guān)鍵詞“dow”的每周搜索量作為投資者關(guān)注度的度量指標，并通過經(jīng)驗相似模型研究投資者關(guān)注度與股市之間的關(guān)系［1］。Andrei與Hasler（2015）通過搜集測量Twitter上的投資者情緒狀態(tài)分布情況，作為輿情分析。孟雪井等通過百度搜索引擎獲取各關(guān)鍵詞的搜索量，以此作為投資者情緒變動的測度指標，進而通過因子分析方法構(gòu)建對滬市變動具有預(yù)測作用的投資者情緒指數(shù)［2］。

另一方面則是利用文本數(shù)據(jù)采集獲取相關(guān)數(shù)據(jù)，常用網(wǎng)絡(luò)爬蟲或網(wǎng)站公開API等方式獲取報刊、微博以及股吧平臺等相關(guān)數(shù)據(jù)，之后利用自然語言處理方法獲取結(jié)構(gòu)化數(shù)據(jù)進行研究。Rao與Srivastava（2014）應(yīng)用程序編程接口 API，在Twitter抓取道瓊斯工業(yè)平均指數(shù)（DJIA）等13只大型科技股的推文信息，共獲取超過400萬條相關(guān)文本。Al-Nasseri與Ali由DJIA索引確定公司范圍，應(yīng)用API抓取所列公司一年間在StockTwits上與股票有關(guān)的所有新聞，通過數(shù)據(jù)處理最終獲得超過28萬條與股票相關(guān)的推特信息［3］。王夫樂與王相悅通過新浪微博開發(fā)平臺對每日微博數(shù)據(jù)進行抓取，之后對數(shù)據(jù)進行清洗獲取文本數(shù)據(jù)［4］?？紤]到API存在使用次數(shù)及頻數(shù)限制等缺點，Leitch與Sherif通過編寫python代碼爬取100家公司的相關(guān)推文，共獲取大約1．7萬條文本數(shù)據(jù)以構(gòu)建輿情指標［5］。孟勇與常靜爬取了2010年1月到2017年8月期間新浪財經(jīng)股票板塊下大盤評述專欄里的所有文章，共計11萬條文本數(shù)據(jù)，對其進行相應(yīng)處理［6］。

（二）關(guān)鍵詞選擇

關(guān)于關(guān)鍵詞選擇，可通過主觀選詞法和模型選詞法兩種方法來確定關(guān)鍵詞的選取。主觀選詞法受研究者自身研究經(jīng)驗以及現(xiàn)有研究條件影響較大，由研究者參考相關(guān)研究并結(jié)合實際情況確定關(guān)鍵詞。Bandhakavi等在通用情感詞典（GPEL）基礎(chǔ)上擴展特定領(lǐng)域情感詞典，并將其應(yīng)用于情感特征提取［7］。汪昌云和武佳薇利用中國主流財經(jīng)媒體報道中的正負面詞匯數(shù)據(jù)，并借助《現(xiàn)代漢語詞典》等多本詞典及知網(wǎng)中文信息結(jié)構(gòu)庫等詞庫，構(gòu)建了中國財經(jīng)媒體領(lǐng)域的正負面詞庫［8］。

模型選詞是基于機器學習的方法而言，將大量可能的關(guān)鍵詞全部納入，再根據(jù)算法自動確定最終關(guān)鍵詞。Manela與Moreira未預(yù)設(shè)關(guān)鍵詞，通過將一段時期內(nèi)所有文章中出現(xiàn)的詞頻做成一個高維向量，利用支持向量機的方法，將詞頻的高維向量擬合同期隱含波動率，并用所得回歸系數(shù)與詞頻向量計算新聞隱含波動率［9］。孟雪井等運用文本挖掘技術(shù)，分別在知網(wǎng)CSSCI文獻以“股票市場”為主題下載相關(guān)標題，獲取關(guān)鍵詞庫；在新浪微博話題信息中，以“股票市場”、“股票”、“證券市場”、“證券”、“大盤”等為微博搜索關(guān)鍵詞，利用清華自然語言處理的關(guān)鍵詞抽取平臺獲取詞庫；之后結(jié)合百度自身關(guān)鍵詞推薦系統(tǒng)，在綜合三大詞庫的基礎(chǔ)上確定中國投資者相關(guān)的網(wǎng)絡(luò)搜索關(guān)鍵詞［2］。王靖一與黃益平由和訊網(wǎng)上的新聞，使用Word2Vec模型獲得某個詞在語料庫的若干近義詞，以此擴展了適于金融科技領(lǐng)域的情感詞詞典［10］。

（三）網(wǎng)絡(luò)輿情的度量

對于網(wǎng)絡(luò)輿情的度量，主要通過構(gòu)造情感詞典法和機器學習法。構(gòu)造情感詞典法通用性較強，在所確認關(guān)鍵詞的基礎(chǔ)上，對金融網(wǎng)絡(luò)輿情進行綜合評價測度，且多集中于層次分析和模糊綜合評價法。游家興與吳靜通過人工閱讀對新聞報道的態(tài)度傾向做出判斷，將媒體情緒從悲觀到中性再到樂觀的不同態(tài)度傾向采用5級對稱計分法量化，并由低到高賦予不同分值［11］。王夫樂與王相悅將爬取的新浪微博內(nèi)容進行情緒分類定性，分為憤怒、恐懼、驚奇、悲傷和喜悅五個維度，之后將各類情緒的微博量作為權(quán)值，以情緒性質(zhì)的加權(quán)均值作為當日微博情緒［4］。王靖一與黃益平在金融科技語境下構(gòu)建情感詞典，根據(jù)正負向情感詞匯在文章中出現(xiàn)的頻數(shù)、正負向情感詞典中詞的數(shù)量等指標分別對報道中的情感詞賦予不同的權(quán)重，之后計算每篇報道中的正負情感指數(shù)，并通過直接加總獲得報道的凈情感指數(shù)［10］。另外，徐映梅與高一銘運用百度搜索引擎獲取與物價指數(shù)相關(guān)關(guān)鍵詞的搜索量時間序列數(shù)據(jù)，對數(shù)據(jù)進行篩選及降頻處理后，通過門限回歸方法構(gòu)建月度CPI輿情指數(shù)，并通過動態(tài)因子模型估計出了CPI高頻輿情指數(shù)［12］。

機器學習法在不同領(lǐng)域文本的情感傾向性評價研究中有較好表現(xiàn)，前提是它需要構(gòu)造訓練語料庫。Al-Nasseri與Ali對所列公司一年間在StockTwits上與股票有關(guān)的新聞的文本信息，使用樸素貝葉斯、決策樹和支持向量機（SVM）算法在 Weka軟件中訓練所選消息樣本，進而分析投資者意見分歧對股票收益和交易量的影響［3］。Pawar等結(jié)合遞歸神經(jīng)網(wǎng)絡(luò)（RNN）和長短期記憶單元（LSTM）方法對股票市場進行預(yù)測，并與支持向量機、隨機森林等傳統(tǒng)機器學習方法進行比較，討論了投資者情緒對股票趨勢變化的影響［13］。在對文本分類時，樸素貝葉斯分類器是一種基于概率的分類器，其與支持向量機對比能在保證較好分類效果的條件下簡化計算。金秀等通過貝葉斯分類算法，從質(zhì)化信息的“情緒基調(diào)”、量化信息的“張貼程度”和強度信息的“關(guān)注水平”三個維度構(gòu)建投資者情緒指數(shù)，并以極端收益視角為切入點研究投資者情緒與上證指數(shù)的關(guān)系［14］。

三、網(wǎng)絡(luò)輿情對股票市場的影響研究

關(guān)于網(wǎng)絡(luò)輿情對股票市場的影響是金融網(wǎng)絡(luò)輿情的主要研究方向之一，現(xiàn)有研究主要包括網(wǎng)絡(luò)輿情對股票收益、股票市場流動性以及市場效率三方面的影響。

（一）網(wǎng)絡(luò)輿情對股票收益的影響

現(xiàn)有研究發(fā)現(xiàn)，網(wǎng)絡(luò)輿情積極樂觀情緒較多，將對股市收益產(chǎn)生正向影響。Frijns等通過選取美國、英國、日本等五個國家的股市數(shù)據(jù)將股票收益分解為基本和非基本因素進行研究，發(fā)現(xiàn)投資者情緒解釋了收益中非基本因素的水平、方差和協(xié)方差，表明股票收益率是由投資者情緒驅(qū)動的［15］。Ryu等以韓國市場2000年到2015年制造公司每日股票價格和交易量為樣本數(shù)據(jù)，構(gòu)建回歸模型探討投資者情緒對資產(chǎn)收益的影響作用，亦得出高投資者情緒導致高收益的結(jié)論［16］。姚堯之等通過對股市交易數(shù)據(jù)集的分析，發(fā)現(xiàn)相對樂觀的投資者情緒將對當期收益產(chǎn)生顯著的正向影響［17］。宋順林與唐斯圓（2019）研究首日漲停板制度下，新股價值的不確定性將導致關(guān)注股市變動的投資者情緒更加樂觀，進而對IPO溢價產(chǎn)生正向影響。另外，研究者通過網(wǎng)絡(luò)輿情與股市收益標準差的關(guān)系研究網(wǎng)絡(luò)輿情與股市收益間的關(guān)系。Han與Li對中國市場的研究發(fā)現(xiàn)，投資者情緒標準差增大將促進股票市場超額收益增加，長期而言則影響效果反轉(zhuǎn)［18］。

另一方面，不同類型投資者對股票收益的影響程度存在差異。Ni等發(fā)現(xiàn)機構(gòu)交易與股票收益正相關(guān)，而個人交易與股票收益負相關(guān)，這表明機構(gòu)投資者的信息較之個人處于優(yōu)勢。Yang與Zhou研究發(fā)現(xiàn)投資者情緒對小股票超額收益的影響大于大股票，處于積極高漲情緒的投資者較之消極低落情緒者對股票收益的影響更顯著［19］。高大良等關(guān)于投資者情緒對股市平均相關(guān)性和收益之間關(guān)系的影響研究發(fā)現(xiàn)對于高漲的投資者情緒，股市收益與股市平均相關(guān)性顯著負相關(guān)；而情緒低落時，股市平均相關(guān)性與股市收益間的關(guān)系并不顯著。文鳳華等（2014）在研究投資者情緒與股市收益的關(guān)系中，將積極與消極情緒分開建立模型，由于在情緒低落時期理性成分對市場起主導作用，正面和向上變動情緒對股票收益存在正向影響，而負面和向下情緒變動則無明顯影響，進一步由線性和非線性回歸模型和VAR-GARCH模型研究發(fā)現(xiàn)網(wǎng)絡(luò)輿情對股票收益的影響存在非對稱性。Kumari與Mahakud以印度股票市場為研究樣本，通過VAR-GARCH模型分析投資者情緒與股票間關(guān)系，發(fā)現(xiàn)投資者情緒對股市波動具有顯著正向影響，且悲觀情緒較之樂觀情緒更易引起市場高度波動［20］。

再一方面，網(wǎng)絡(luò)輿情在不同時間頻率對收益率均存在正向的影響。Hamid與Heiden考慮到網(wǎng)絡(luò)輿情在不同階段影響的差異性，基于異構(gòu)自回歸（HAR）模型預(yù)測納入谷歌搜索量后的股票波動性，從短期、中期和長期三個時間頻率研究投資者關(guān)注對股票收益的影響關(guān)系［1］。姚堯之等構(gòu)建日度、周度及月度三種不同頻率的投資者情緒，利用MIDAS模型研究混頻投資者情緒對中國股市收益率及波動的影響，發(fā)現(xiàn)混頻情緒對當期收益率及其波動都存在顯著的正向影響，并進一步借助GARCHMIDAS模型發(fā)現(xiàn)混頻情緒能夠顯著影響收益的長期波動［17］。

（二）網(wǎng)絡(luò)輿情對股票市場流動性的影響

研究發(fā)現(xiàn)網(wǎng)絡(luò)輿情能夠提高股票市場交易量，促進市場的流動性。Liu（2015）運用格蘭杰因果關(guān)系發(fā)現(xiàn)，投資者情緒是市場流動性變動的原因，即當投資者情緒高漲時，市場交易量也會增加。劉曉星等（2016）發(fā)現(xiàn)高投資者情緒能夠促進市場流動性，并且中國投資者對股市的認知度存在差異，隨著投資者對股市相關(guān)消息認知能力的上升，股市的流動性相對減弱。另外，網(wǎng)絡(luò)輿情對股市流動性的影響強度在開盤前后存在差異。部慧等利用Granger因果檢驗、瞬時Granger因果檢驗、跨期回歸分析等方法探討投資者情緒對中國股票交易量的影響能力，發(fā)現(xiàn)投資者情緒對股票交易量有當期影響，且開盤后交易時段的股評情緒對日交易量的影響較之開盤前更顯著［21］。

另一方面，研究發(fā)現(xiàn)投資者積極情緒和消極情緒對股市流動性的影響效果存在差異。楊曉蘭等通過本地偏好、投資者情緒對股市的影響研究，發(fā)現(xiàn)本地關(guān)注對股票交易量的正向影響在積極情緒下較之消極情緒影響程度更大［22］。石廣平等基于2006年1月至2015年12月數(shù)據(jù)，利用TVP-SV-SVAR模型分析了投資者情緒、市場流動性對股市泡沫的動態(tài)影響效應(yīng)，發(fā)現(xiàn)牛市中樂觀的投資者情緒對市場流動性的影響較之熊市中悲觀投資者情緒的影響更為顯著。另外，投資者情緒分歧對股市流動性亦存在影響。Siganos等引入投資者情緒分歧的概念，測量20個國家每日積極情緒和消極情緒間的分歧程度，發(fā)現(xiàn)情緒分歧越大，人們對前景和風險的看法就越不同，此時市場交易量越大，伴隨高流動性［23］。

再一方面，有些學者從投資者關(guān)注度以及網(wǎng)絡(luò)輿情管理的角度探究網(wǎng)絡(luò)輿情與股市流動性的關(guān)系。吳璇等研究發(fā)現(xiàn)，對公司網(wǎng)絡(luò)輿情進行監(jiān)測管理可以促進公司股票的流動性，特別在公司面對負面輿情消息時，積極的網(wǎng)絡(luò)輿情管理能夠有效改善股票流動性［24］。孫書娜與孫謙利用雪球社區(qū)用戶的自選股信息構(gòu)建了日度超額雪球關(guān)注度指標，運用固定效應(yīng)面板模型對關(guān)注度和股市間的關(guān)系進行驗證，研究發(fā)現(xiàn)投資者關(guān)注在短期內(nèi)會對市場價格形成壓力并使交易量劇增［25］。

（三）網(wǎng)絡(luò)輿情對股票市場效率的影響

網(wǎng)絡(luò)輿情能夠影響市場定價效率。汪昌云等研究發(fā)現(xiàn)媒體報道在提高IPO發(fā)行價的同時，降低了IPO抑價水平，進而提高了市場的定價效率［8］。酈金梁等利用回歸分析及Heckman兩階段模型對“百度股市通”選股數(shù)據(jù)樣本進行實證分析，發(fā)現(xiàn)“百度股市通”產(chǎn)生的輿論影響力，加速了信息融入市場的過程，提高了市場效率，并對股票價格產(chǎn)生影響，同時發(fā)現(xiàn)對網(wǎng)絡(luò)輿情發(fā)展的適度管理能夠提高市場效率［26］。田高良等研究發(fā)現(xiàn)上市公司重視和管理網(wǎng)絡(luò)輿情的發(fā)展能夠向市場傳遞公司的特質(zhì)信息，進而提高市場的信息效率，降低股價崩盤風險［27］。

網(wǎng)絡(luò)輿情通過影響投資者的情緒及行為，進而提高市場效率。Yang等研究發(fā)現(xiàn)，在高漲的股市情緒下投資者通常過高估計難以估值的股票價格，機構(gòu)投資者交易這些價格過高的股票進而提高股市效率［28］。適度的情緒可以促進市場效率，但過度情緒則會導致市場效率喪失。辛榮等（2016）通過進化博弈模型研究發(fā)現(xiàn)，噪聲交易者的適度樂觀情緒會增強其在股市的生存能力，進而促進市場效率，但過度樂觀則會導致市場效率的喪失。孟慶斌與黃清華研究發(fā)現(xiàn)賣空量越大，投資者能夠通過賣空反映其悲觀情緒或負面信息降低高估股價的風險，進而提高市場定價效率［29］。

四、網(wǎng)絡(luò)輿情對衍生金融市場的影響

衍生金融市場是基礎(chǔ)金融市場派生出來以衍生品為交易對象的市場，衍生品種類主要包括期貨、期權(quán)等。學者們從期權(quán)期貨進行研究發(fā)現(xiàn)，網(wǎng)絡(luò)輿情能夠解釋期權(quán)、期貨市場的收益變化，其在衍生金融市場具有重要的影響作用。

網(wǎng)絡(luò)輿情對期貨及期權(quán)市場價格具有影響作用。Yang等研究發(fā)現(xiàn)，看漲的股票情緒將對期權(quán)價格的預(yù)期產(chǎn)生正向影響，反之看跌的股票情緒將產(chǎn)生負向影響，股票情緒和期權(quán)預(yù)期情緒將導致期權(quán)價格偏離理性價格［28］。另外，投資者正負面情緒對衍生金融市場的影響具有不對稱性。Smales（2014）利用回歸模型分析2003—2012年期間新聞情緒與黃金期貨之間的關(guān)系，研究發(fā)現(xiàn)負面的新聞情緒較之正面情緒對黃金期貨回報的影響更大。Lin等則對投資者情緒與期貨和現(xiàn)貨市場定價之間的關(guān)系進行了研究，他們首先利用簡單回歸模型證明投資者情緒對現(xiàn)貨和期貨市場價格波動具有正面影響，之后利用向量誤差修正模型（VECM）研究發(fā)現(xiàn)在高情緒時期，期貨市場的短期主導作用顯著減弱，且投資者情緒對期貨市場的信息份額和各因素權(quán)重產(chǎn)生負面影響［30］。

網(wǎng)絡(luò)輿情對衍生金融的影響主要反映在其對期權(quán)、期貨波動的解釋力。Gong與Lin研究發(fā)現(xiàn)在構(gòu)建原油期貨波動模型時，加入投資者恐懼指標對波動性預(yù)測具有顯著的正向影響，可以幫助改善HAR模型的擬合效果［31］。Gao與Süss（2015）利用偏最小二乘法構(gòu)建投資者情緒，通過多元回歸分析發(fā)現(xiàn)投資者情緒能夠?qū)Τズ暧^經(jīng)濟和股價變動等相關(guān)影響之外的商品期貨價格聯(lián)動效應(yīng)提供額外的解釋力。并且積極和消極情緒對期貨收益的影響具有非對稱性，低勢頭或低期貨基礎(chǔ)的商品期貨對投資者情緒變化更為敏感。Seo與Kim在研究投資者情緒對期權(quán)隱含信息波動率預(yù)測能力的影響時，首先設(shè)定短期（每日或更高交易頻率）、中期（每周）及長期（每月及多月）三個時間頻率，之后借助HAR-RV模型對三個不同時間范圍內(nèi)的投資者情緒與標準普爾500指數(shù)下每日期權(quán)價格的變動關(guān)系進行分析，既利用投資者情緒在不同頻率所實現(xiàn)波動率的線性形式來捕捉波動率的經(jīng)驗記憶，以此持續(xù)性幫助預(yù)測未來期權(quán)價格的波動。同時，發(fā)現(xiàn)基于期權(quán)隱含信息波動率預(yù)測模型的有效性隨投資者情緒變動而變化，高情緒期間投資者情緒對期權(quán)交易回報的可預(yù)測性較之低情緒期間更強［32］。

五、網(wǎng)絡(luò)輿情對金融市場穩(wěn)定的影響

網(wǎng)絡(luò)輿情影響投資者情緒和行為，進而影響金融市場的交易情況，從而對金融市場的穩(wěn)定產(chǎn)生影響，同時投資者關(guān)注度越高引起的股市波動越大。Li等通過推特中推文間的持續(xù)時間來衡量投資者關(guān)注，通過資產(chǎn)類型、投資者的經(jīng)驗和投資方法劃分投資者，運用回歸模型研究發(fā)現(xiàn)不同性質(zhì)的投資者關(guān)注對金融市場波動的影響有所差異，其揭示了不同的資產(chǎn)收益和波動性［33］。Ruan與Zhang等首次建立了投資者關(guān)注對市場微觀結(jié)構(gòu)影響的數(shù)理模型，印證了更高的投資者關(guān)注會導致更強的股票市場波動，并且與不知情的投資者相比，受關(guān)注的個人投資者更有可能購買而不是出售［34］。童中文等以2007年第三季度至2015年第一季度滬深兩市14家上市銀行數(shù)據(jù)為研究樣本，運用SGMM和DGMM等模型研究媒體效應(yīng)對銀行系統(tǒng)性風險的影響，發(fā)現(xiàn)媒體報道數(shù)量越多，投資者情緒越悲觀，銀行發(fā)生系統(tǒng)性風險的可能性越小，對金融市場穩(wěn)定性的影響越小，反之亦然［35］。姚登寶（2017）基于2006年10月到2015年11月的月度數(shù)據(jù)，應(yīng)用TVP-SV-SVAR模型研究投資者情緒對金融市場穩(wěn)定的影響機制及其動態(tài)關(guān)系，研究發(fā)現(xiàn)投資者情緒和金融市場穩(wěn)定存在單向Granger因果關(guān)系，并且投資者情緒對金融市場穩(wěn)定的沖擊效應(yīng)逐年減弱且存在時滯效應(yīng)。

對于網(wǎng)絡(luò)輿情適當?shù)墓芾?，有助于維護金融市場的穩(wěn)定。游家興與吳靜以投資者情緒為中介，研究新聞媒體對金融市場運轉(zhuǎn)可能存在的負面效應(yīng)，新聞媒體對公司的正面報道一般會提高公司價值及并購價格，當報道所傳遞的媒體情緒越樂觀，新股發(fā)行抑價程度越大，而之后表現(xiàn)為長期弱市來糾正之前的價格［11］。劉海飛等（2017）通過建立線性和非線性回歸模型，發(fā)現(xiàn)微博信息質(zhì)量將對股價同步性產(chǎn)生影響，并且隨著信息質(zhì)量的提高呈現(xiàn)出非線性U型關(guān)系，即隨著社交網(wǎng)絡(luò)信息質(zhì)量水平的提升，股價同步性逐漸降到最小值，而后又逐漸提高。吳璇等研究發(fā)現(xiàn)，當公司面臨負面媒體輿論情緒或者出現(xiàn)壞消息時，積極的網(wǎng)絡(luò)輿情管理能夠改善股票流動性，進而維護金融市場的穩(wěn)定［24］。

六、結(jié)論與展望

通過對網(wǎng)絡(luò)輿情對金融市場影響的相關(guān)研究進行梳理，發(fā)現(xiàn)對金融網(wǎng)絡(luò)輿情的研究主要圍繞網(wǎng)絡(luò)輿情對股票市場、衍生金融市場以及金融市場穩(wěn)定性等的影響，并且已經(jīng)形成系列成果。國內(nèi)外關(guān)于網(wǎng)絡(luò)輿情對金融市場影響的研究正在逐步受到重視，在未來的研究中至少在以下幾個方面還可進一步拓展。

第一，在金融網(wǎng)絡(luò)輿情指標構(gòu)建方面，現(xiàn)有文獻關(guān)于金融網(wǎng)絡(luò)輿情測度研究多側(cè)重于簡單使用網(wǎng)頁搜索量或主成分分析構(gòu)建投資者情緒作為替代變量，通過以上方法構(gòu)建的金融網(wǎng)絡(luò)輿情指標通常未能充分捕捉輿情事件信息。在針對金融市場網(wǎng)絡(luò)輿情指數(shù)的構(gòu)建上，關(guān)于網(wǎng)絡(luò)輿情數(shù)據(jù)庫范圍的界定，情感關(guān)鍵詞的確定以及進一步反映網(wǎng)絡(luò)輿情傾向指標的構(gòu)建還有待深入研究。對金融網(wǎng)絡(luò)輿情的研究需要在分析熱點事件和確定相關(guān)關(guān)鍵詞的基礎(chǔ)上，運用爬蟲等數(shù)據(jù)搜集技術(shù)及數(shù)據(jù)挖掘技術(shù)，通過對媒體報道、股吧及微博等平臺的挖掘，多維度構(gòu)建關(guān)于金融市場變動的網(wǎng)絡(luò)輿情指數(shù)。同時，由于對網(wǎng)絡(luò)輿情的合理管理，能夠提高市場效率，促進金融市場的穩(wěn)健運行，關(guān)于金融網(wǎng)絡(luò)輿情管理的研究也應(yīng)得到加強。

第二，在網(wǎng)絡(luò)輿情對金融市場影響的相關(guān)研究方面，國內(nèi)外相關(guān)文獻多從網(wǎng)絡(luò)輿情對股市收益、市場流動性、市場效率以及衍生金融市場的變動情況來反映金融市場的穩(wěn)定性。目前中國經(jīng)濟發(fā)展面臨的不確定沖擊明顯增加，系統(tǒng)性金融風險爆發(fā)的概率顯著上升，“牢牢守住不發(fā)生區(qū)域性和系統(tǒng)性金融風險這條底線”對實現(xiàn)中國經(jīng)濟發(fā)展穩(wěn)中求進總基調(diào)具有重要意義，可以預(yù)見分析研究網(wǎng)絡(luò)輿情對系統(tǒng)性金融風險的影響將是未來一段時期的研究熱點之一。

第三，在網(wǎng)絡(luò)輿情與金融市場關(guān)系的實證方法研究上，現(xiàn)有文獻關(guān)于變量間關(guān)系的研究多集中于同一時間頻率的方法研究，一方面較少考慮到網(wǎng)絡(luò)輿情在周、月、年不同的時間間隔長度對金融市場的影響效果存在差異，今后的研究可以考慮使用異構(gòu)自回歸（HAR）等方法，分析在不同的時間間隔網(wǎng)絡(luò)輿情對金融市場的影響差異；另一方面實證分析中經(jīng)常存在變量數(shù)據(jù)頻率不一致的情況，若簡單地采用均值方法將高頻數(shù)據(jù)低頻化或者使用插值法將低頻數(shù)據(jù)轉(zhuǎn)化為高頻數(shù)據(jù)，將不可避免地損失數(shù)據(jù)或使數(shù)據(jù)失真，在未來的研究中應(yīng)進一步借助混頻數(shù)據(jù)抽樣模型（MIDAS）等方法以有效避免以上問題。