社交媒體用戶互動與股票流動性研究

摘 要：本文以我國創(chuàng)業(yè)板市場中主流社交媒體網(wǎng)站東方財富網(wǎng)提供的主帖信息為研究對象，采用面板固定效應(yīng)模型實證檢驗了社交媒體用戶互動與股票流動性之間的關(guān)系，并利用文本分析技術(shù)從社交媒體信息中提取了五個不同的文本特征，實證分析了這些文本特征在社交媒體用戶互動與股票流動性關(guān)系上的調(diào)節(jié)效應(yīng)。實證結(jié)果表明：首先，社交媒體用戶互動對股票流動性具有顯著正向影響。其次，社交媒體文本的專業(yè)性、證據(jù)支持以及文本長度特征對用戶互動與股票流動性之間的關(guān)系均具有顯著正向調(diào)節(jié)作用。最后，社交媒體文本的迷霧指數(shù)以及語言強度特征對用戶互動與股票流動性之間的關(guān)系均具有顯著負向調(diào)節(jié)作用。本文結(jié)合當(dāng)下社交媒體迅猛發(fā)展的時代背景，使用社交媒體數(shù)據(jù)分析了股票市場流動的內(nèi)在機理，同時創(chuàng)新性地關(guān)注了不同的文本特征在社交媒體用戶互動與股票流動性上的調(diào)節(jié)效用，探索了不同文本特征對于影響投資者之間信息不對稱性的不同作用。

關(guān)鍵詞：社交媒體用戶互動;股票流動性;文本特征;調(diào)節(jié)效應(yīng)

中圖分類號：F830.9文獻標(biāo)識碼：A

文章編號：1000-176X（2020）06-0057-09

一、引 言

流動性是支撐金融市場健康運行的核心特性之一，反映了資產(chǎn)的交易能力和變現(xiàn)速度，是股票市場的生命力所在。Amihud 和Mendelson[1]認為，理想的金融市場應(yīng)當(dāng)具備高度的流動性，為投資者提供轉(zhuǎn)讓和買賣資產(chǎn)的機會，缺乏流動性的市場很可能導(dǎo)致交易無法進行，甚至喪失資本市場存在的意義。就投資者維度而言，流動性較好的市場能夠加強投資者參與交易的意愿，從而促進金融市場的繁榮健康發(fā)展;就市場維度而言，一個流動性較好的市場可以幫助投資者抵御外部風(fēng)險，從而降低金融市場的系統(tǒng)風(fēng)險。因此，在當(dāng)今社交媒體迅猛發(fā)展的時代背景下，關(guān)注社交媒體信息與市場流動性的關(guān)系以及其背后的影響機制，是一個極具重要的理論與實踐意義的議題。

我國股票市場是一個新興的證券市場，正處于不斷摸索和完善階段。趙濤和鄭祖玄[2]發(fā)現(xiàn)，相較于西方較成熟的股票市場而言，我國股票市場中機構(gòu)投資者占比較小、中小投資者占比較大，且大多數(shù)中小投資者缺乏信息獲取的渠道以及信息分析的能力，投資者之間的信息不對稱程度較為嚴重。較之主板而言，創(chuàng)業(yè)板成立時間較短，集中了一大批高風(fēng)險的創(chuàng)新型公司，信息披露體系及制度均不完善，投資者之間信息不對稱問題則更加嚴重。隨著數(shù)字技術(shù)的不斷發(fā)展，曹廷貴等[3]發(fā)現(xiàn)，互聯(lián)網(wǎng)降低了社會信息成本，減少了交易雙方的信息不對稱程度，大量涌現(xiàn)的社交媒體平臺使人們能擺脫傳統(tǒng)媒體的束縛，在拓寬股票信息披露渠道的同時，也更加快捷、高效地披露了股票相關(guān)信息。

增加信息披露可以有效地減少各方之間的信息不對稱程度，從而影響投資者的決策，進而對股票市場流動性產(chǎn)生影響，這個傳遞渠道在學(xué)界已經(jīng)被多維度證實[4-5]。具體而言，信息披露能夠降低投資者的預(yù)測風(fēng)險，從而提高股票市場的流動性[6]。社交媒體用戶互動是否會降低投資者之間的信息不對稱程度進而提高股票的流動性呢？同時，Assilaméhou 和Testé[7]提出的語言偏差理論認為，不同社會范疇的個體運用語言向他人傳遞信息時，語言的結(jié)構(gòu)化特點會表現(xiàn)出一定的差異性。也就是說，社交媒體用戶發(fā)布的信息普遍存在異質(zhì)性，例如，有的人傾向于以長篇大論以及舉例說明的形式發(fā)表看法，有的人則善于用寥寥幾句勾勒出中心思想;有的人傳遞信息時晦澀難懂，有的人則通俗易懂。如果社交媒體用戶之間的互動確實降低了投資者之間信息不對稱程度，進而對股票流動性產(chǎn)生一定影響，那么，互動中所產(chǎn)生文本的不同特征對減弱這些互動信息在投資者之間分布的不對稱程度是否會產(chǎn)生不同影響？鮮有文獻對這些問題進行深入探索。

為了填補這一研究空白，本文首先擬探究社交媒體用戶互動與股票流通性之間的關(guān)系。隨后，利用文本分析技術(shù)從社交媒體信息中提取了五個不同的文本特征（迷霧指數(shù)、專業(yè)性、證據(jù)支持、語言強度以及文本長度）擬實證檢驗不同的文本特征在用戶互動與股票流動性關(guān)系上的調(diào)節(jié)作用。相比以往的研究，本文的創(chuàng)新點與貢獻主要體現(xiàn)在以下三個方面：首先，不同于傳統(tǒng)金融領(lǐng)域?qū)τ诠善绷鲃有缘难芯浚疚慕Y(jié)合當(dāng)下社交媒體迅猛發(fā)展的時代背景，使用社交媒體數(shù)據(jù)，從投資者的視角分析了股票市場流動的內(nèi)在機理，一定程度上拓寬了原有研究的邊界。其次，本文創(chuàng)新性地關(guān)注了不同的文本特征在社交媒體用戶互動與股票流通性上的調(diào)節(jié)效用，探索了不同文本特征對于降低投資者之間信息偏差以及不對稱程度的不同影響，研究結(jié)果有利于深入理解投資者交易意愿的發(fā)生機制，進而更好地解釋股票市場流動的內(nèi)在機理。最后，本文有助于在金融市場微觀結(jié)構(gòu)下，提高和改善市場流動性的有效途徑，同時，對上市公司如何運用社交媒體具有一定的啟發(fā)意義，對監(jiān)管部門制定相應(yīng)的監(jiān)管政策也提供了一定的參考依據(jù)。

二、文獻回顧、理論基礎(chǔ)和研究假設(shè)

（一） 社交媒體用戶互動對股票流動性的影響

我國股票市場從初建到現(xiàn)在只有短短二三十年，是一個新興的證券市場，市場結(jié)構(gòu)和機制也尚不成熟。相比西方成熟市場，內(nèi)幕交易以及關(guān)聯(lián)方交易發(fā)生比率較多，投資者之間的信息不對稱程度也相對較為嚴重[2]。且在我國約80%的投資活動由個人投資者所驅(qū)動，相較于機構(gòu)投資者而言，大部分個人投資者均缺乏內(nèi)部的信息來源和深加工能力。信息經(jīng)濟學(xué)理論認為，信息不對稱會產(chǎn)生買賣方的逆向選擇行為，從而增加交易成本[8]。Chowdhry和Nanda[4]則認為，做市商如果主動披露相關(guān)交易信息，降低信息的不對稱程度，可以吸引更多的散戶交易者與之進行交易，從而提高股票流動性。Pagano和Roell[5]也發(fā)現(xiàn)，如果降低信息不對稱程度，會同時降低個人投資者的交易成本，從而增加股票市場的交易量，提高市場的流動性。李慧云和劉鏑[9]認為，在信息不對稱的情況下，出于信息弱勢的個人投資者考慮到自己只獲取或掌握了較少的信息，會出于自我保護的原因不愿發(fā)生交易行為，即產(chǎn)生逆向選擇行為，從而降低股票流動性。

隨著社交網(wǎng)絡(luò)的快速發(fā)展，社交媒體為個人投資者增加了信息傳播的廣度與深度。借助社交媒體這個平臺，一方面，社交媒體用戶間的互動使得信息在傳播過程中得到進一步的加工，提高了投資者對于信息的理解程度;另一方面，李思龍等[10]認為，社交媒體用戶互動的過程也是信息產(chǎn)生的過程，大量社交媒體信息的產(chǎn)生大大降低了投資者獲取信息的成本。兩方面共同作用的結(jié)果是降低投資者以及潛在投資者之間的信息不對稱程度，進一步減弱了信息弱勢交易者的逆向選擇行為，使他們更愿意發(fā)生股票交易，進而提升股票流動性?；诖耍P者提出如下假設(shè)：

H1：社交媒體用戶互動對股票流動性具有顯著正向影響。

（二） 社交媒體的文本特征對用戶互動與股票流動性的調(diào)節(jié)效應(yīng)

1.社交媒體的文本迷霧指數(shù)對用戶互動與股票流動性的調(diào)節(jié)效應(yīng)

迷霧指數(shù)是目前最流行的測量文本可讀性的工具之一，可讀性具體是指文本敘述信息可以被閱讀者所理解的程度，以及影響閱讀者認知的速率，反映了信息接收者閱讀理解文本敘述的難易程度。Klare[11]指出，迷霧指數(shù)可以說明文本信息內(nèi)容的易理解程度，有用的文本信息應(yīng)該采用迷霧指數(shù)較低的寫作風(fēng)格來敘述。Hirshleifer和Teoh[12]則認為，閱讀者對于同一實質(zhì)信息的不同表述方式會產(chǎn)生不同認知，迷霧指數(shù)越高的表述越不容易被人理解，也不能夠正確反映實質(zhì)。Ghose和Ipeirotis[13]則發(fā)現(xiàn)，在線評論的迷霧指數(shù)越高，該評論對消費者越“無用”。

綜上分析，筆者認為，迷霧指數(shù)是影響信息披露的阻礙之一，會增加信息的不對稱程度，當(dāng)社交媒體提供低質(zhì)量的信息披露時，投資者面臨的信息不對稱程度相對嚴重。換句話說，迷霧指數(shù)可能會增加投資者之間信息上的偏差，同時增加了投資者之間的信息不對稱程度，從而有可能負向調(diào)節(jié)用戶互動與股票流動性之間的關(guān)系?；诖耍P者提出如下假設(shè)：

H2-1：社交媒體的文本迷霧指數(shù)顯著負向調(diào)節(jié)用戶互動與股票流動性的關(guān)系，減弱了用戶互動對股票流動性的正向影響。

2.社交媒體的文本專業(yè)性對用戶互動與股票流動性的調(diào)節(jié)效應(yīng)

專業(yè)性具體是指信息發(fā)布者能提供正確信息的能力。在電子商務(wù)領(lǐng)域，在線評論的專業(yè)性是消費者評估其是否可信的重要依據(jù)之一[14]。Gilly等[15]認為，信息發(fā)布者越專業(yè)，越能夠改變信息接收者的態(tài)度，并影響其最終決策。Hochmeister等[16]發(fā)現(xiàn)，消費者更傾向于對領(lǐng)域內(nèi)具有專家形象的評論者發(fā)表的言論賦予較多的信任權(quán)重以及認可度。

由于社交媒體平臺上大多數(shù)用戶采用匿名的方式發(fā)表評論，投資者很難通過其社會屬性判斷信息的可信度，為了獲取正確的信息，投資者會傾向于解讀及認可專業(yè)性屬性較高的發(fā)布信息。發(fā)布信息中的專業(yè)術(shù)語越多，從側(cè)面可以反映出該信息發(fā)布者的專業(yè)知識越豐富，專業(yè)性也越強。專業(yè)性術(shù)語在一定程度上能夠彌補由于匿名評論所帶給投資者的不確定性，大部分的投資者會認為，有專業(yè)性背景的信息更值得信賴，更加“有用”。筆者推測，有用的專業(yè)信息會使得投資者認為獲得了專業(yè)水平高且較權(quán)威的信息，主觀上降低了投資者的信息不對稱程度，增加了投資者發(fā)生交易行為的意愿，有可能正向調(diào)節(jié)用戶互動與股票流動性之間的關(guān)系。基于此，筆者提出如下假設(shè)：

H2-2：社交媒體的文本專業(yè)性顯著正向調(diào)節(jié)用戶互動與股票流動性的關(guān)系，增強了用戶互動對股票流動性的正向影響。

3.社交媒體的文本證據(jù)支持對用戶互動與股票流動性的調(diào)節(jié)效應(yīng)

在線評論中，信息發(fā)布者可以在表達自己看法的同時，提供證據(jù)支持來支撐自己的觀點。有證據(jù)支持的評論往往比那些沒有證據(jù)支持的評論信息更深入，而Mudambi和Schuff[17]則證明，信息深入性能夠促進決策過程的快速發(fā)生。對于電子商務(wù)領(lǐng)域，產(chǎn)品描述暴露的商品特征和服務(wù)質(zhì)量的關(guān)鍵證據(jù)越多，消費者的購買意愿也就越強烈[18]。

綜上分析，筆者推測，證據(jù)支持是投資者感知社交媒體信息是否有用的重要因素之一。信息中包含的證據(jù)性描述越豐富，投資者越能全面地了解股票的相關(guān)信息，多數(shù)投資者會認為證據(jù)支持較多的信息更加“有用”，降低投資者之間的信息不對稱程度，增強了其發(fā)生交易行為的意愿，從而有可能正向調(diào)節(jié)用戶互動與股票流動性之間的關(guān)系?；诖耍P者提出如下假設(shè)：

H2-3：社交媒體的文本證據(jù)支持顯著正向調(diào)節(jié)用戶互動與股票流動性的關(guān)系，增強了用戶互動對股票流動性的正向影響。

4.社交媒體的文本語言強度對用戶互動與股票流動性的調(diào)節(jié)效應(yīng)

參考Li 和 Zhan[19]的研究，本文通過文本中出現(xiàn)的半角及全角感嘆號的個數(shù)來統(tǒng)計社交媒體語言強度，其研究結(jié)果表明，感嘆號使用得越多，越會降低信息接收方對信息源可信度的感知。歸因理論認為，如果信息接收者將信息發(fā)布源發(fā)布信息的動機歸因于情感宣泄，信息接收者就會質(zhì)疑這一線索的可信度，認為發(fā)布者會因為過度表達自己的情感而忽略了客觀事實，此時信息接收者對該信息的信任程度較低，覺得這一評論“無用”[20]。綜上所述，語言強度降低了投資者對于文本信息的信任程度，多數(shù)投資者會推測其發(fā)表的動機是為了宣泄情緒，這樣的信息會讓投資者覺得無法信任且無用，投資者會認為自己沒有獲得有價值的新信息，可能會增加投資者之間信息上的偏差，在一定程度上增加了投資者之間的信息不對稱程度，減弱了投資者發(fā)生交易行為的意愿，從而有可能負向調(diào)節(jié)用戶互動與股票流動性之間的關(guān)系?；诖?，筆者提出如下假設(shè)：

H2-4：社交媒體的文本語言強度顯著負向調(diào)節(jié)用戶互動與股票流動性的關(guān)系，減弱了用戶互動對股票流動性的正向影響。

5.社交媒體的文本長度對用戶互動與股票流動性的調(diào)節(jié)效應(yīng)

大部分的網(wǎng)站將過短的在線評論視為灌水信息，認為較長的評論一般包含較多的細節(jié)性描述，對閱讀者更“有用”。郝媛媛等[21]以體驗型商品電影的在線評論為研究對象，發(fā)現(xiàn)評論長度與評論有用性之間具有顯著的正相關(guān)關(guān)系。換句話說，文本長度能夠表現(xiàn)出發(fā)布信息的深入度，文本越長越能增加用戶對于在線評論的有用感知性[17]。綜上所述，筆者推測，文本長度對于用戶互動與股票流動性之間的關(guān)系是促進的，文本長度可能減弱了投資者之間的信息不對稱程度，從而增加了投資者發(fā)生交易行為的意愿?；诖?，筆者提出如下假設(shè)：

H2-5：社交媒體的文本長度顯著正向調(diào)節(jié)用戶互動與股票流動性的關(guān)系，增強了用戶互動對股票流動性的正向影響。

三、數(shù)據(jù)描述、變量定義及模型構(gòu)建

（一）數(shù)據(jù)描述

本文以創(chuàng)業(yè)板市場為研究對象，采用2012年10月1日以前上市的所有股票為樣本進行實證研究（股票代碼：300001—300355，共計355支;時間區(qū)間：2012年10月1日至2015年9月30日）。剔除數(shù)據(jù)缺失的股票樣本10支（退市等），樣本數(shù)量總共達到345支。筆者根據(jù)財經(jīng)網(wǎng)站訪問量和影響力等因素的綜合排名，選取東方財富股吧中的帖子作為獲取社交媒體用戶互動指標(biāo)以及其他文本特征的數(shù)據(jù)來源，為了保證數(shù)據(jù)的質(zhì)量，參照現(xiàn)有文獻的做法，對初始樣本進行如下篩選：首先，剔除瀏覽量為零的主帖。因為這樣的帖子大多是廣告帖或者灌水帖，說明對投資者不會造成任何影響。其次，根據(jù)人工標(biāo)注的冗余帖訓(xùn)練集，利用機器學(xué)習(xí)的分類算法對其他未標(biāo)注的主帖進行分類計算，最后剔除所有分類為冗余帖的主帖。經(jīng)過上述兩個步驟的基本處理，最終得到4 099 499個有效主帖樣本。其中，社交媒體用戶互動指標(biāo)以及其他文本特征的數(shù)據(jù)來源是基于收集到的東方財富股吧創(chuàng)業(yè)板所發(fā)布的主帖上的文本信息，其他變量數(shù)據(jù)均來自國泰安數(shù)據(jù)庫和Wind數(shù)據(jù)庫。

（二）變量定義

1.被解釋變量

股票流動性（Turnoverit）。流動性一般是指快速交易資產(chǎn)時所需付出的成本，成本越小，流動性越好。鑒于數(shù)據(jù)可得性，參考蘇冬蔚和熊家財[22]與米增渝和林雅婷[23]的研究，本文使用日均換手率作為衡量股票流動性的指標(biāo)。該指標(biāo)的數(shù)值越大，說明股票流動性越好。

2.解釋變量

社交媒體用戶互動指數(shù)（lnInteractit）。參考李思龍等[10]的研究，本文使用東方財富股吧中股票i在第t天的平均瀏覽量取自然對數(shù)來衡量社交媒體用戶互動指數(shù)。

3.調(diào)節(jié)變量

基于社交媒體提取的文本特征變量，本文進一步關(guān)注了社交媒體文本特征對社交媒體用戶互動與股票流動性的影響，檢驗了不同的文本特征變量在社交媒體用戶互動影響股票流動性效果上的調(diào)節(jié)效應(yīng)。本文提取的社交媒體文本特征具體有：

（1）迷霧指數(shù)（Fogit）。Fogit表示股票i在第t天的平均迷霧指數(shù)，迷霧指數(shù)是目前最流行的測量文本可讀性的工具之一。Lehavy等[24]、Miller[25]與Hsieh等[26]采用Gunning[27]提出的迷霧指數(shù)（Fog Index）公式進行英文文本可讀性的衡量與計算，該公式由文本中的句子平均長度和單詞長度的占比構(gòu)成，具體計算公式為：

Fog=（Word per Sentence + Percent of Complex Words）×0.400。

其中，復(fù)雜詞（Complex Words）在英文中被定義為擁有三個或三個以上音節(jié)的詞語。但是對于中文語料而言，無法計算出中文詞語音節(jié)的長度，因此，本文采用主帖內(nèi)容的平均句長來測量該篇帖子的迷霧指數(shù)。每條主帖迷霧指數(shù)的計算方法為：帖子的總字數(shù)除以句中出現(xiàn)的斷句標(biāo)點符號總數(shù)（“?！薄埃　薄?？”）。迷霧指數(shù)越大，說明股票i在第t天的平均可讀性越差。

（2）專業(yè)性指數(shù)（Specializationit）。Specializationit表示股票i在第t天的平均專業(yè)性指數(shù)。本文采用股吧主帖中出現(xiàn)的與股票相關(guān)的專業(yè)性術(shù)語比率（專業(yè)性術(shù)語總字數(shù)/帖子正文總字數(shù)）來度量每條主帖的專業(yè)性指數(shù)。在專業(yè)性術(shù)語的確定上，綜合搜狗詞庫關(guān)于專業(yè)術(shù)語詞庫的整理，下載了高頻點擊的7個專業(yè)術(shù)語詞庫（股票基金詞庫大全、財會術(shù)語、財經(jīng)金融詞匯大全、股票專業(yè)名詞、股票常用術(shù)語、股票專業(yè)術(shù)語大全和金融專業(yè)術(shù)語詞典），構(gòu)建了專業(yè)性術(shù)語詞典，用于統(tǒng)計每條主帖出現(xiàn)的專業(yè)性術(shù)語總字數(shù)。專業(yè)性指數(shù)越大，說明股票i在第t天的平均專業(yè)性越高。

（3）證據(jù)支持指數(shù)（EvidencePresenceit）。EvidencePresenceit 表示股票i在第t天的證據(jù)支持指數(shù)。借鑒Li和Zhan[19]的研究，本文對每篇主帖中是否存在證據(jù)支持進行二元數(shù)值編號，如果該主帖內(nèi)容中出現(xiàn)證據(jù)說明性文字用以支持發(fā)帖人觀點，則標(biāo)記為1;否則，則標(biāo)記為0。最后將股票i在第t天的標(biāo)記值之和作為證據(jù)支持指數(shù)。證據(jù)支持指數(shù)越大，說明股票i在第t天的證據(jù)支持指數(shù)越高。

為了完成分類帖子正文是否存在證據(jù)支持的任務(wù)，本文采用基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks， CNN）的學(xué)習(xí)模型，利用相關(guān)數(shù)據(jù)集對模型進行訓(xùn)練后，再進行文本證據(jù)支持分類工作。首先，本文從爬取的4 099 499條主帖文本中隨機選擇1 500條測試數(shù)據(jù)集作為實驗數(shù)據(jù)，選擇其中1 000條作為訓(xùn)練數(shù)據(jù)集，其余500條作為測試數(shù)據(jù)集。采用人工標(biāo)注的方法對訓(xùn)練數(shù)據(jù)集進行了是否存在證據(jù)支持的標(biāo)注（部分示例如表1所示），其中標(biāo)記為“1”（存在證據(jù)支持性文字）的有607條，標(biāo)記為“0”（不存在證據(jù)支持文字）的有393條。其次，使用“結(jié)巴中文分詞”組件對帖子正文進行分詞并去除停用詞。去除停用詞具體包含以下兩步驟：（1）剔除文本中的空白字符串以及全半角之間的轉(zhuǎn)換，以統(tǒng)一原文本格式，方便后續(xù)計算機進行文本特征表示;（2）剔除文本中的標(biāo)點符號、特殊符號以及無具體含義的詞語。CNN要求所提取的每篇主帖中的文本特征項數(shù)是一定的，由于主帖文本字數(shù)長短不一，為了方便數(shù)據(jù)處理，本文設(shè)置600為固定文本長度，對于長度超過600的主帖文本，對文本進行截取操作，對于長度不足600的主帖文本，則進行填充補零操作。

作為CNN的輸入，不可以將原始的字詞作為數(shù)據(jù)格式，需要將自然語言的文本進行向量化編碼，處理成為計算機可以理解的稠密向量。文本的向量化方式有很多種，在此應(yīng)用Word2vec進行編碼處理。針對主帖文本簡短、重復(fù)率高及數(shù)據(jù)稀疏等問題，本文采用Skip-gram 模型生成主帖文本特征向量，為了獲取合適的詞向量維度以及窗口長度，本文做了多次訓(xùn)練實驗。設(shè)置了四種維度值分別為 64、128、256、512，窗口長度值分別為2、3、4、5、6。采取維度值與窗口長度值一變另不變的步驟進行了多次主帖文本分類訓(xùn)練實驗，結(jié)果發(fā)現(xiàn)當(dāng)向量維度值為256，窗口大小為 5 時得到的分類效果最好。由于每條數(shù)據(jù)的長度為600，每次輸入32條數(shù)據(jù)，所以輸入層即為32*600的固定維度的二維矩陣。接下來要經(jīng)過一個詞向量映射層，即將輸入映射到之前生成的詞向量空間中，因為詞向量空間大小為5000*256，所以經(jīng)過這一層之后，輸出層即為 32*600*256 的三維矩陣。

本研究所設(shè)計的CNN主要包括卷積層、池化層和全連接層三層：卷積層是整個CNN的核心部分，主要的作用是提取文檔矩陣的特征。對于一般的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，每個卷積層只包含一種卷積核。為了能夠充分考慮主帖文本每個詞的前后文信息，從而提取出主帖文本不同粒度大小的局部特征，本研究的CNN結(jié)構(gòu)在卷積層中設(shè)計了3*3、4*4和5*5 三種大小不同的卷積核進行卷積操作，經(jīng)過試驗證明3*3的分類效果最好。因此，經(jīng)過卷積操作后，將得到尺寸為3*3的特征圖。由于步長為1，所以一共有598*254個特征圖。池化層作為一個降維操作，進一步降低了文本的向量維度。在本文所提出的卷積神經(jīng)網(wǎng)絡(luò)模型中，為了能夠從每張?zhí)卣鲌D中找到最具有代表性的局部最優(yōu)特征，利用最大采樣法尋找每張?zhí)卣鲌D中對文本分類結(jié)果影響最大的因素，并將其提取出來。經(jīng)過卷積以及池化操作后，最終提取出了對證據(jù)支持文本分類影響最大的254個局部特征，然后接一個全連接層，再接一個Dropout層，隨機將50%的權(quán)重去掉，最后送入 Softmax分類器綜合考慮并進行分類，最終實現(xiàn)主帖文本證據(jù)支持的分類（準(zhǔn)確率87%為了評估所得到的卷積神經(jīng)網(wǎng)絡(luò)模型的可靠性，本文采用五折交叉檢驗來對模型在測試集上的準(zhǔn)確率進行評估。即將人工標(biāo)注的1500個樣本平均分為5份，每次將其中的一份作為測試集，其余作為訓(xùn)練集，用訓(xùn)練集訓(xùn)練模型，用測試集進行評估。最后得到的卷積神經(jīng)網(wǎng)絡(luò)模型的分類，準(zhǔn)確率應(yīng)當(dāng)是運5次實驗結(jié)果的均值。）。

（4）語言強度指數(shù)（LanguageIntensityit）。LanguageIntensityit表示股票i在第t天的平均語言強度指數(shù)。借鑒Li和Zhan[19]的研究，本文使用主帖文本中出現(xiàn)的感嘆號（包括全角或半角）的總個數(shù)來度量每篇主帖的語言強度。語言強度指數(shù)越大，說明股票i在第t天的平均語言強度指數(shù)越高。

（5）文本長度指數(shù)（Lengthit）。Lengthit表示股票i在第t天的平均文本長度指數(shù)。同樣參考Li和Zhan[19]的研究，本文使用主帖文本中的總字數(shù)的自然對數(shù)來衡量文本長度。文本長度指數(shù)越大，說明股票i在第t天的平均文本長度指數(shù)越高。

4.控制變量

（1）股票規(guī)模（lnSizeit）。lnSizeit用股票 i 在第t天的總市值取自然對數(shù)表示。

（2）股票日收益率（Returnit）。Returnit用股票i 在第t天的當(dāng)日收益率表示。

（3）股票月均收益率（MReturnit）。MReturnit用股票i 在第t天的當(dāng)月收益率的平均值表示。

（4）第一大股東持股比例（Holdit）。Holdit用股票 i 在第t天的第一大股東持股比率表示。

（5）賬面市值比（BMit）。BMit用股票 i 在第t天的賬面市值比表示。

（三）模型構(gòu)建

為檢驗H1，借鑒蘇冬蔚和熊家財[22]、Grullon等[28]與張益明[29]的研究，設(shè)定基準(zhǔn)模型（1）：

Turnoverit=αit+β1lnInteractit+β2Controlsit+εit（1）

為檢驗H2-1至H2-5，本文構(gòu)建了模型（2）：

Turnoverit=β0+β1lnInteractit+β2Fogit+β3Specializationit+β4EvidencePresenceit+β5LanguageIntensityit+β6lnLengthit+β7lnInteractit×Fogit+β8lnInteractit×Specializationit+β9lnInteractit×EvidencePresenceit+β10lnInteractit×LanguageIntensityit+β11lnInteractit×lnLengthit+β12Controlsit+εit? （2）

其中，i為股票代碼，t為天數(shù)，εit為隨機誤差項，Controlsit為所有控制變量。

大量文獻使用中心化處理方法減少交互項多重共線性問題[30]，因此，在本文分析調(diào)節(jié)效用的模型中，社交媒體用戶互動指數(shù)與文本的迷霧指數(shù)、專業(yè)性指數(shù)、證據(jù)支持指數(shù)、語言強度指數(shù)以及文本長度指數(shù)在形成交互項之前都經(jīng)過中心化處理。除此之外，筆者對模型中所有變量的方差膨脹因子（VIF）進行了估計，結(jié)果表明所有VIF值均低于分界值10，因此，避免了多重共線性問題[31]。

四、實證結(jié)果及分析

（一） 描述性統(tǒng)計分析

表1為各變量的描述性統(tǒng)計分析結(jié)果。由表1可知，股票流動性的均值為2.012%，最大值為36.619%，最小值為0，表明個股的流動性在不同公司之間差異較大。社交媒體用戶互動指數(shù)的均值為 9.376，最小值為0，最大值為17.228，說明公司間的用戶互動行為差異較為顯著。文本平均句長為22.544，專業(yè)性詞匯平均占比為0.310，主帖的平均證據(jù)支持個數(shù)為0.373，平均感嘆號（包括全角或半角）的個數(shù)為0.474，平均主帖長度為123.426個字。個股日收益率均值為0.124，月收益率均值為4.619，平均市值約為5 242.000（百萬，ln5 242.000=3.719）人民幣。創(chuàng)業(yè)板上市公司的股權(quán)較為集中，從表1中可以看出，第一大股東最小持股比例約為4.380%，最大持股比例約為68.870%，平均持股比例則為32.756%。

（二）檢驗結(jié)果分析

本文使用東方財富網(wǎng)每天的瀏覽量對數(shù)值作為社交媒體用戶互動指數(shù)的代理變量，采用面板固定效應(yīng)模型進行分析，檢驗結(jié)果如表2所示。表2列（1）給出了對H1檢驗的回歸結(jié)果，列（2）給出了加入調(diào)節(jié)變量檢驗的回歸結(jié)果，列（3）則給出了對H2-1至H2-5檢驗的回歸結(jié)果。

1.社交媒體用戶互動對股票流動性的影響

本研究的基準(zhǔn)問題是檢驗社交媒體用戶互動對股票流動性的影響，所得結(jié)果如表2列（1）所示。由列（1）可知，在控制了影響股票流動性的相關(guān)變量后，社交媒體用戶互動指數(shù)的系數(shù)為0.248，并通過了1%的顯著性水平檢驗，說明社交媒體用戶互動對股票流動性具有顯著的正向影響。這一結(jié)論在李思龍等[10]的研究中也得到了印證。就改變幅度上看，社交媒體用戶互動每增加1%會使股票流動性提高24.8%。綜上所述，社交媒體用戶互動顯著正向影響股票流動性，與H1的預(yù)期相符，因此，H1得到支持。

2.文本特征對社交媒體用戶互動與股票流動性關(guān)系的調(diào)節(jié)效應(yīng)

表2列（3）是一個完整的模型，在列（1）的基礎(chǔ)上引入了社交媒體用戶互動與迷霧指數(shù)、專業(yè)性指數(shù)、證據(jù)支持指數(shù)、語言強度指數(shù)以及文本長度指數(shù)的交互項，檢驗了H2-1至H2-5的模型（2）的回歸結(jié)果?；貧w結(jié)果顯示，由社交媒體用戶互動與迷霧指數(shù)的交互項的回歸系數(shù)可知，迷霧指數(shù)對社交媒體用戶互動與股票流行性的關(guān)系具有顯著負向調(diào)節(jié)作用。這一結(jié)果表明，文本的迷霧指數(shù)增加了投資者之間信息上的偏差，從而增加了投資者之間的信息不對稱程度，減弱了處于信息劣勢地位的投資者發(fā)生交易的意愿，從而負向調(diào)節(jié)社交媒體用戶互動與股票流動性之間的關(guān)系。因此，H2-1得到支持。社交媒體用戶互動與文本專業(yè)性的交互系數(shù)為0.098，并且通過了1%的顯著性水平檢驗，說明專業(yè)性指數(shù)對基準(zhǔn)假設(shè)的調(diào)節(jié)作用顯著為正。這一結(jié)果表明，大部分投資者賦予專業(yè)信息較高的信任權(quán)重，專業(yè)性在一定程度上可以彌補由于匿名評論所帶給投資者的不確定性，投資者接收到“專家信息”時，會認為獲得了“權(quán)威信息”，從而降低了投資者之間的信息不對稱程度，增加了投資者發(fā)生交易的意愿，正向調(diào)節(jié)了社交媒體用戶互動與股票流動性之間的關(guān)系。因此， H2-2得到支持。由社交媒體用戶互動與證據(jù)支持交互項的回歸系數(shù)可知，證據(jù)支持對社交媒體用戶互動與股票流動性的關(guān)系具有顯著正向調(diào)節(jié)作用。這一結(jié)果表明，投資者閱讀有證據(jù)支持的文本時，會認為有證據(jù)支持的信息內(nèi)容更深入，更能了解到股票的相關(guān)信息，更加“有用”，從而增加了投資者發(fā)生交易的意愿，因此，H2-3得到支持。社交媒體用戶互動與語言強度的交互系數(shù)為-0.005，并且通過了1%的顯著性水平檢驗，說明語言強度顯著負向調(diào)節(jié)了社交媒體用戶互動對股票流動性的正向影響。語言強度屬于抒發(fā)個人情感的文本特征，與文本自身信息含量或質(zhì)量相關(guān)程度小，是一個情感特征。根據(jù)歸因理論，信息接收者往往會根據(jù)文本信息主觀地猜測事件發(fā)生的原因，而這種主觀的猜測更容易影響信息接收者的態(tài)度。歸因理論還指出，如果在線評論的發(fā)布動機主要歸因于評論發(fā)布者自身的原因（情感歸因），信息接收者就會質(zhì)疑這一線索，認為評論者過度表達自己的情感而忽略了客觀事實，此時信息接收者對于該評論的信任程度就會低很多，從而覺得這一評論“無用”。綜上所述，語言強度會使投資者將發(fā)帖人發(fā)布的動機主要歸因于發(fā)泄情緒等情感原因，投資者會認為自己沒有獲得“有用”的新信息，減弱了投資者發(fā)生交易行為的意愿，從而負向調(diào)節(jié)社交媒體用戶互動與股票流動性之間的關(guān)系。因此，H2-4得到支持。由社交媒體用戶互動與文本長度的交互項回歸系數(shù)可知，文本長度對社交媒體用戶互動與股票流行性具有顯著正向調(diào)節(jié)作用。這一結(jié)果說明，文本長度對于社交媒體用戶互動與股票流動性之間的關(guān)系是促進的，即社交媒體用戶互動對于股票流動性的影響隨著文本長度的增加而加強。也就是說，文本長度正向調(diào)節(jié)社交媒體用戶互動與股票流動性之間的關(guān)系。因此，H2-5得到支持。

（三） 穩(wěn)健性檢驗

為了驗證回歸結(jié)果的可靠性，本文主要采用以下兩種方法來檢驗回歸結(jié)果：其一是根據(jù)公司上市時間進行分組，先選取創(chuàng)業(yè)板市場中上市較早的公司進行回歸分析（2013年12月31日之前上市的公司），之后選取創(chuàng)業(yè)板市場中上市較晚的公司進行回歸分析（2013年12月31日之后上市的公司），回歸結(jié)果和前文研究基本一致。其二是使用東方財富股吧中股票i在第t天的平均評論量取自然對數(shù)（lnCommentsit）來替換主要解釋變量社交媒體用戶互動指數(shù)，并對上述模型重新進行回歸，結(jié)果與前文的結(jié)果基本保持一致，進一步驗證了本研究的穩(wěn)健性。

五、結(jié)論和啟示

股票流動性具體是指股票資產(chǎn)的變現(xiàn)能力，是衡量股票市場效率以及生命力的主要指標(biāo)之一。社交媒體的迅猛發(fā)展拓寬了股票市場參與者的信息獲取渠道，對資本市場產(chǎn)生了較為深刻的影響。在此背景下，本文基于創(chuàng)業(yè)板市場，以東方財富網(wǎng)提供的4 099 499條主帖信息為研究對象，首先，探究了社交媒體用戶互動與股票流動性之間的關(guān)系。其次，基于從社交媒體中提取出的五個文本特征（迷霧指數(shù)、專業(yè)性、證據(jù)支持、語言強度以及文本長度），實證檢驗了互動過程中產(chǎn)生的不同文本特征在社交媒體用戶互動與股票流動性關(guān)系上的調(diào)節(jié)效用。研究結(jié)果表明：首先，社交媒體用戶互動對股票流動性具有顯著的正向影響。其次，從社交媒體信息中提取的專業(yè)性、證據(jù)支持以及文本長度對社交媒體用戶互動與股票流動性之間的關(guān)系均具有顯著正向調(diào)節(jié)作用。具體地，以上三種文本特征可以使投資者感知到瀏覽過程中所接收的信息內(nèi)容專業(yè)、豐富且深入，投資者會認為自己獲得了“有用”的新信息，減少了投資者之間的信息不對稱程度，增加了處于信息劣勢投資者發(fā)生交易行為的意愿，因而對于社交媒體用戶互動與股票流動性之間的關(guān)系是促進的。最后，從社交媒體信息中提取的迷霧指數(shù)以及文本強度對社交媒體用戶互動與股票流動性之間的關(guān)系均具有顯著負向調(diào)節(jié)作用。具體地，迷霧指數(shù)增加了投資者之間信息上的偏差，從而增加了投資者之間的信息不對稱程度，減弱了處于信息劣勢地位的投資者發(fā)生交易的意愿，削弱了社交媒體用戶互動對股票流動性的正向影響。語言強度會使投資者將信息發(fā)布者的發(fā)布動機歸因于發(fā)泄情緒等情感原因，投資者會認為自己獲得了“無用”的信息，減弱了投資者發(fā)生交易行為的意愿，并最終削弱了社交媒體用戶互動對股票流動性的正面影響。

[11] Klare， G. R. Assessing Readability[J]. Reading Research Quarterly，1974， 10（1）： 62-102.

[12] Hirshleifer， D.， Teoh， S. H. Limited Attention， Information Disclosure， and Financial Reporting[J]. Journal of Accounting & Economics， 2003， 36 （1-3）： 337-386.

[13] Ghose， A.， Ipeirotis， P. G. Designing Novel Review Ranking Systems： Predicting the Usefulness and Impact of Reviews[R]. Proceedings of the Ninth International Conference on Electronic Commerce， 2007.

[16] Guay， W.， Samuels， D.， Taylor， D. Guiding Through the Fog： Financial Statement Complexity and Voluntary Disclosure1[J]. Social Science Electronic Publishing， 2016， 62（2）： 234-269.

[14] Soliman，K.S.， Casaló， L. V.， Flavián， C.，et al. Fundaments of Trust Management in the Development of Virtual Communities[J]. Management Research News， 2008， 31（5）： 324-338.

[15] Gilly， M. C.， Graham， J. L.， Wolfinbarger， M. F.， et al. A Dyadic Study of Interpersonal Information Search[J]. Journal of the Academy of Marketing Science， 1998， 26（2）： 83-100.

[16] Hochmeister， M.， Gretzel， U. ，Werthner， H.Destination Expertise in Online Travel Communities[R]. Information and Communication Technologies in Tourism， 2013.218-229.

[17] Mudambi， S. M.， Schuff， D. What Makes a Helpful Online Review？ A Study of Customer Reviews on Amazon.com[J]. MIS Quarterly， 2010， 34（1）： 185-200.

[18] Flanagin， A. J. Commercial Markets as Communication Markets： Uncertainty Reduction Through Mediated Information Exchange in Online Auctions[J]. New Media & Society， 2007， 3（9）： 401-423.

[19] Li， J.， Zhan， L. Online Persuasion： How the Written Word Drives WOM[J]. Journal of Advertising Research， 2011， 51（1）： 239-257.

[20] Sen， S.， Lerman， D. Why Are You Telling Me This？ An Examination Into Negative Consumer Reviews on the Web[J]. Journal of Interactive Marketing， 2007， 21（4）： 76-94.

[21] 郝媛媛，葉強，李一軍. 基于影評數(shù)據(jù)的在線評論有用性影響因素研究[J]. 管理科學(xué)學(xué)報，2010，（8）：78-88.

[22] 蘇冬蔚， 熊家財. 股票流動性、股價信息含量與CEO薪酬契約[J]. 經(jīng)濟研究，2013，（11）：56-70.

[23] 米增渝，林雅婷. 公司治理、股票流動性與公司價值——以我國新三板市場創(chuàng)新層為例[J]. 投資研究，2018，（2）：149-158.

[24] Lehavy， R.， Li， F.， Merkley， K. The Effect of Annual Report Readability on Analyst Following and the Properties of Their Earnings Forecasts[J]. Social Science Electronic Publishing， 2009， 86（3）： 1087-1115.

[25] Miller， B. P. The Effects of Reporting Complexity on Small and Large Investor Trading[J]. Accounting Review， 2010， 85（6）： 2107-2143.

[26] Hsieh， C. C.， Hui， K. W.， Zhang， Y. Analyst Report Readability and Stock Returns[J]. Journal of Business Finance & Accounting， 2016， 43 （1-2）： 98-130.

[27] Gunning， R. The Technique of Clear Writing[M]. New York： Mc-Graw Hill， 1968.

[28] Grullon， G.， Kanatas， G.， Weston， J. P. Advertising， Breadth of Ownership， and Liquidity[J]. Social Science Electronic Publishing， 2002， 17（2）： 439-461.

[29] 張益明. 產(chǎn)品市場勢力、公司治理與股票市場流動性[J]. 國際金融研究，2012，（3）：85-95.

[30] Aiken， L. S.， West， S. G. Multiple Regression： Testing and Interpreting Interactions[M]. Newbury Park， CA： Sage， 1991.

[31] Neter， J.， Wasserman， W.， Kutner， M. H. Applied Linear Statistical Models[M]. Homewood， IL： Irwin， 1985.

[35] Marchal， W.， Lind， D.， Wathen， S. Statistical Techniques in Business and Economics [J]. Journal of the Operational Research Society， 1999， 42（2）： 187-188.

（責(zé)任編輯：劉 艷）

收稿日期：2020-02-20

作者簡介：常青青（1990-），女，甘肅天水人，博士研究生，主要從事金融文本挖掘相關(guān)方面的研究。E-mail：changqingqing0504@163.com

（上海財經(jīng)大學(xué)信息管理與工程學(xué)院，上海 200433）