楊凱森,付飛蚺
(1.浙江萬里學(xué)院 大數(shù)據(jù)與軟件工程學(xué)院,寧波 310000;2.長春理工大學(xué) 人工智能學(xué)院,長春 130022)
隨著互聯(lián)網(wǎng)、數(shù)字設(shè)備、物聯(lián)網(wǎng)和其他技術(shù)的發(fā)展,全球數(shù)據(jù)正在迅速增長。大數(shù)據(jù)是更廣泛和深入的數(shù)字化,是整個社會內(nèi)部的數(shù)據(jù)互連。此外,大數(shù)據(jù)也被理解為解決問題的一種新方法,即通過收集,分類和分析與特定問題相關(guān)的海量數(shù)據(jù),通過實驗,算法和模型獲得有價值的信息,從而發(fā)現(xiàn)規(guī)律并從中獲利。大數(shù)據(jù)正在迅速發(fā)展為新一代的信息技術(shù)和服務(wù)格式,可以收集、存儲和分析大量分散來源和各種格式的數(shù)據(jù),并發(fā)現(xiàn)新知識,創(chuàng)造新價值并增強新功能。
金融業(yè)擁有最密集的數(shù)據(jù),包括客戶、運營、金融交易和監(jiān)管數(shù)據(jù),以及各種類型的衍生大數(shù)據(jù)[1]。據(jù)中國人民銀行統(tǒng)計,僅2016年第三季度,全國銀行卡交易量3 303.40億筆,金額177.72萬億元,分別比上年增長35.71%和2.65%[2]。同比銀行業(yè)金融機構(gòu)辦理電子支付交易364.88億筆,總金額519.69萬億元。非銀行支付機構(gòu)網(wǎng)上支付服務(wù)8 440.42億元,金額26.34萬億元。支付系統(tǒng)共處理交易額154.13億筆,交易總金額1 344.34萬億元。第三季度的業(yè)務(wù)量是全國GDP的 71 倍[3]。
因此,金融業(yè)具有實施大數(shù)據(jù)的基本條件。未來,金融大數(shù)據(jù)將應(yīng)用于精準營銷、客戶畫像、運營流程優(yōu)化、客戶關(guān)系管理、風(fēng)險控制等領(lǐng)域。大數(shù)據(jù)時代將對整個科技產(chǎn)業(yè)乃至世界產(chǎn)生顛覆性影響,并將成為未來金融業(yè)的主導(dǎo)角色。但是,大數(shù)據(jù)技術(shù)及其應(yīng)用給金融監(jiān)管和金融安全帶來了嚴峻的挑戰(zhàn),對區(qū)域金融風(fēng)險的監(jiān)測、預(yù)警和解決提出了更高的要求。
區(qū)域性金融風(fēng)險是指在經(jīng)濟區(qū)域內(nèi),某些金融機構(gòu)或某些金融活動在金融系統(tǒng)運作中的不確定性造成的風(fēng)險。它通過金融活動中的經(jīng)濟實體傳播,導(dǎo)致區(qū)域金融環(huán)境的不穩(wěn)定或金融危機。區(qū)域性金融風(fēng)險將擾亂該區(qū)域的經(jīng)濟和社會發(fā)展秩序,區(qū)域性金融風(fēng)險的積累也將轉(zhuǎn)移到與經(jīng)貿(mào)關(guān)系密切的其他地區(qū),這將帶來國家金融風(fēng)險并導(dǎo)致國家金融危機,甚至世界金融危機。因此,建立科學(xué)可行的區(qū)域金融風(fēng)險預(yù)警系統(tǒng)是需要研究和探索的重要課題。
當(dāng)前,世界主要的區(qū)域金融預(yù)警系統(tǒng)如下:
(1)駱駝信用等級制度[4]。該系統(tǒng)主要評估銀行業(yè)務(wù)的整體運營狀況,例如銀行的運營和信用狀況,包括資本充足率、資產(chǎn)質(zhì)量、管理、收益、流動性和市場風(fēng)險敏感性,以及加權(quán)匯總后的整體評估??梢愿鶕?jù)駱駝等級直接了解銀行的風(fēng)險狀況。
(2)金融部門評估計劃(FSAP)[5]。金融部門評估計劃主要用于評估各國金融體系的穩(wěn)定性,包括宏觀審慎指標和綜合微觀審慎指標。宏觀審慎指標主要包括經(jīng)濟增長,通貨膨脹,利率等,綜合微觀審慎指標包括資本充足率,盈利能力指數(shù),資產(chǎn)質(zhì)量指數(shù)等。作為評估項目的共同發(fā)起者,國際貨幣基金組織和世界銀行期望加強對成員國金融部門脆弱性的監(jiān)測,減少發(fā)生金融危機的可能性。
(3)法國銀行業(yè)委員會的銀行分析支持系統(tǒng)[6](saaba)。Saaba通過匯總?cè)曛械膯蝹€潛在損失來獲得整個信貸組合的潛在總損失,并全面評估銀行體系的健康狀況。Saaba全面考慮了影響商業(yè)銀行運作的所有方面,包括會計數(shù)據(jù),資產(chǎn)風(fēng)險調(diào)查,股東質(zhì)量評估,企業(yè)信用等級,銀行信用等級,公司逃稅統(tǒng)計數(shù)據(jù),監(jiān)管數(shù)據(jù),國家風(fēng)險等,希望能盡可能多地捕獲銀行運營的各種內(nèi)部和外部風(fēng)險因素。
(4)荷蘭銀行(ABN AMRO)的風(fēng)險分析支持工具[7](RAST)根據(jù)大小,中小型和大型的權(quán)重來評估銀行的各種風(fēng)險和控制能力。將風(fēng)險評估的結(jié)果與償付能力和獲利能力進行比較,并將分析結(jié)果用于確定每個銀行的監(jiān)管實力。
國內(nèi)學(xué)者利用大數(shù)據(jù)來研究金融風(fēng)險,主要側(cè)重于統(tǒng)計結(jié)合計算機技術(shù)在金融行業(yè)的應(yīng)用。還有針對個別存貨案例的詳細指標分析和預(yù)測模型的建立。更有影響力的研究證實了或有債權(quán)分析法[8](CCA)風(fēng)險指數(shù)對我國系統(tǒng)性金融風(fēng)險預(yù)警具有良好的適用性,為我國金融風(fēng)險計量提供了良好的理論研究基礎(chǔ)。李志輝等人[9]基于風(fēng)險依賴進行了擴展研究,實現(xiàn)了CCA方法的優(yōu)化。在金融風(fēng)險預(yù)測方面,采用大數(shù)據(jù)技術(shù)建立預(yù)測模型,并通過股票市場歷史數(shù)據(jù)進行實證分析。例如,本文討論了馬爾可夫鏈過程理論在證券市場中股票價格綜合指數(shù)的分析和預(yù)測模型中的應(yīng)用,討論了在大數(shù)據(jù)時代如何正確進行股票投資,研究了由大數(shù)據(jù)時代產(chǎn)生的隨機變量。從大數(shù)據(jù),機器學(xué)習(xí)和行為金融的角度進行股票投機,并基于特定股票的歷史數(shù)據(jù)應(yīng)用相應(yīng)的算法實現(xiàn)預(yù)測功能。國內(nèi)也有一些學(xué)者研究用戶參與金融市場的影響。他們更傾向于研究投資者與金融新聞,在線論壇,微博和其他媒體之間的關(guān)系,表明它們可以在很大程度上影響證券市場。
在現(xiàn)有研究的基礎(chǔ)上,可以發(fā)現(xiàn)在研究股票宏觀市場趨勢以及基于國內(nèi)外大數(shù)據(jù)的相應(yīng)預(yù)測模型的生成方面取得了豐碩的成果。對于單個股票趨勢的分析和預(yù)測模型也進行了微觀研究,而對相關(guān)參與者對金融市場影響的研究則較少。目前,大數(shù)據(jù)在中國各行各業(yè)的應(yīng)用已取得初步成果,某些領(lǐng)域的應(yīng)用已處于世界領(lǐng)先地位。其中,關(guān)于大數(shù)據(jù)與資本市場關(guān)系的研究也是金融市場的研究熱點。使用大數(shù)據(jù)建立用戶參與的預(yù)測模型對上市資本市場的總體影響基本上沒有影響。相關(guān)金融市場參與者的結(jié)構(gòu)分析(年齡,收入,教育背景),行為分析,交易量分析(網(wǎng)民和投資者),包括企業(yè)家,消費者,互聯(lián)網(wǎng)用戶(包括移動互聯(lián)網(wǎng)用戶,下同)和投資者等,本文以大數(shù)據(jù)源和用戶參與行為為觀察點,基于用戶參與的角度以及大數(shù)據(jù)技術(shù)對財務(wù)風(fēng)險的影響和預(yù)警系統(tǒng)的構(gòu)建,設(shè)計了用戶參與度評價系統(tǒng)和用戶參與度預(yù)測模型。預(yù)警系統(tǒng)可以有效降低金融風(fēng)險,防范金融風(fēng)險。
(1)系統(tǒng)原則。區(qū)域金融風(fēng)險預(yù)警系統(tǒng)是用于監(jiān)視,預(yù)警和處置區(qū)域金融風(fēng)險的系統(tǒng)。它必須涵蓋區(qū)域金融和經(jīng)濟活動的所有方面,包括吸收和支付存款,發(fā)行和回收貸款,發(fā)行和轉(zhuǎn)讓證券,保險,信托,國內(nèi)和國際貨幣結(jié)算等;它應(yīng)該涵蓋所有類型的區(qū)域金融活動,包括銀行,保險,證券和信貸。它涵蓋區(qū)域金融活動的所有參與者,包括中央銀行,金融機構(gòu),公司,企業(yè),公眾和監(jiān)管機構(gòu);它滲透到區(qū)域金融活動的每個環(huán)節(jié),甚至基于金融的虛擬和信用性質(zhì),也必須考慮公眾輿論的趨勢。應(yīng)全面考慮國家和地區(qū)的宏觀經(jīng)濟運行,經(jīng)濟社會發(fā)展和產(chǎn)業(yè)發(fā)展。
(2)及時性原則。區(qū)域金融活動具有快速變化的特點,區(qū)域金融風(fēng)險變化非???,要準確可靠地進行預(yù)警和保護,就必須確保區(qū)域金融風(fēng)險預(yù)警系統(tǒng)具有良好的及時性,能夠及時識別和判斷風(fēng)險因素。區(qū)域金融活動,預(yù)測和應(yīng)對區(qū)域金融風(fēng)險,并為監(jiān)管機構(gòu)提供控制區(qū)域金融風(fēng)險的最有效方法。及時保留信息并留出足夠的時間和空間。
(3)可操作性原則。在數(shù)據(jù)收集和系統(tǒng)分析過程中,所選的社會經(jīng)濟指標,數(shù)據(jù)統(tǒng)計分析方法和系統(tǒng)建模過程應(yīng)易于操作和分析。
(4)靈活性原則。在預(yù)警系統(tǒng)的設(shè)計過程中,應(yīng)盡可能考慮量化指標,以利于后處理分析。應(yīng)建立一些定性指標,以反映定量指標無法代表的區(qū)域金融運作的潛在風(fēng)險和不穩(wěn)定因素。對于定性指標,應(yīng)盡量減少人為因素的誤導(dǎo),對定性指標進行清晰的描述和明確的判斷標準,以確保評價結(jié)果的客觀性和準確性。同時,在保證金融體系正常運行的前提下,隨著時間的流逝以及社會經(jīng)濟的變化,預(yù)警系統(tǒng)不斷更新,完善和完善,以確保不同領(lǐng)域的獨立運作。預(yù)警系統(tǒng)的模塊,以提高系統(tǒng)的穩(wěn)定性和可靠性。
在有效市場假設(shè)下,金融市場的風(fēng)險信息反映在股價走勢中。股票價格變動中包含的信息不僅有價值,而且及時準確。因此,我們可以圍繞股票價格對區(qū)域金融和金融機構(gòu)進行實證研究。本研究使用數(shù)據(jù)爬蟲技術(shù)收集數(shù)據(jù)源(Internet上的大數(shù)據(jù)),并使用全球GDP和增長率,中國A股上證綜合指數(shù)(A本文借助SPSS分析了金融市場的相關(guān)參與者)并構(gòu)建金融風(fēng)險預(yù)警系統(tǒng),在人類活動中,往往是由人為因素引發(fā)的各種大事件,面對利益,尤其是風(fēng)險資本,各種人類需求,思想,情感,游戲金融風(fēng)險事件中有政府層面,經(jīng)濟狀況等因素,但公眾參與也是觸發(fā)系統(tǒng)風(fēng)險的主要組成部分。資本市場交易,盡管已經(jīng)出現(xiàn)了自動交易軟件,但核心仍然是人,因此,對用戶參與者評價系統(tǒng)的研究尚需時日圍繞網(wǎng)民,投資者,企業(yè)家,消費者和其他方面。大數(shù)據(jù)對金融研究的影響通常是多方面的。二級用戶企業(yè)家,消費者等相關(guān)指標在一定程度上反映了金融市場的投資收益和風(fēng)險預(yù)期。首先對相關(guān)影響因素進行綜合分析,然后建立一定的評價體系,然后對指標進行加權(quán)。
(1)相關(guān)性分析:通過趨勢,交易量,中國A股上證指數(shù)幅度變化與用戶規(guī)模,用戶結(jié)構(gòu),用戶行為相關(guān)性分析,多層次分析。
(2)評估指標的確定:首先是用戶數(shù)和一個,然后,根據(jù)用戶在互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)上的橫向行為,例如搜索引擎,網(wǎng)絡(luò)新聞,微博,社交網(wǎng)站,網(wǎng)上炒股等,等等,并結(jié)合東方財富,通化順,和訊等中國權(quán)威金融網(wǎng)站,根據(jù)用戶在互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)(例如搜索引擎)上的橫向行為來選擇影響資本市場交易的指標。在線新聞,微博,社交網(wǎng)站,在線炒股等以人次和有效瀏覽時間等垂直行為為指標建立的基礎(chǔ)。最后,根據(jù)網(wǎng)民和投資者的溝通,情感,預(yù)測和賭博心理,建立用戶風(fēng)險指標。詳細指標如表1和圖1所示。
表1 用戶參與評價體系指標
圖1 用戶行為圖
(3)數(shù)據(jù)的獲取和標準化:使用網(wǎng)絡(luò)爬蟲技術(shù)(詳細信息請參見下面的數(shù)據(jù)收集算法)收集用戶參與評價系統(tǒng)的各種指標數(shù)據(jù)資料,互聯(lián)網(wǎng)用戶與投資者之間的統(tǒng)計差距以及統(tǒng)計方法的不一致等。,需要對其進行更正以提供標準數(shù)據(jù)進行分析,包括以下內(nèi)容:以日,周,月,季度等為單位的收集過程的統(tǒng)計周期。結(jié)果表明,開始和結(jié)束之間存在時間差。統(tǒng)計結(jié)束時,部分采集的數(shù)據(jù)丟失,需要人工判斷統(tǒng)計結(jié)果的累加或平均值。
用戶權(quán)重,用戶結(jié)構(gòu)和用戶行為可以通過數(shù)據(jù)分析和統(tǒng)計軟件進行初步確定,而溝通,情感,預(yù)測,賭博心理等用戶風(fēng)險指標和其他用戶風(fēng)險指標難以通過統(tǒng)計數(shù)據(jù)確定,則權(quán)重由專家評分方法確定。具體工作過程如下。
通過方差(公式1)測試,包括水平方差(公式2)和組內(nèi)方差(公式2),根據(jù)數(shù)據(jù)的穩(wěn)定性篩選了不必要的分析指標,例如用戶的年齡變化趨勢。表達公式如下。
其中,n是統(tǒng)計數(shù)據(jù)的數(shù)量,μ是n個統(tǒng)計數(shù)據(jù)的平均值,σrow是級別或不同組之間的方差,σcol是同一級別或同一組內(nèi)的方差。根據(jù)三類指標的數(shù)量與一類指標的關(guān)系,根據(jù)2000年至2017年的數(shù)據(jù)計算單位間隔內(nèi)的頻次或數(shù)量,并不斷累加。根據(jù)數(shù)據(jù)分布圖(散點圖)和MATLAB軟件,推導(dǎo)了數(shù)據(jù)與指標之間的函數(shù)關(guān)系。數(shù)據(jù)擬合后,將出現(xiàn)高階多項式函數(shù),但是該函數(shù)不利于圖檢驗,并且不容易確定數(shù)據(jù)是正相關(guān)還是負相關(guān)。因此,有必要將趨勢修改和模擬為低階和極項函數(shù)。具體操作步驟如下:
(1)Matlab的一階函數(shù):polyfit(xdata,ydata,1),xdata和ydata分別表示第三級和第一級指標的數(shù)據(jù)(以數(shù)組的形式,它們按時間順序成對出現(xiàn))
(2)精度(P):擬合數(shù)據(jù)和原始數(shù)據(jù)對應(yīng)點的誤差的平方和。本研究假設(shè)誤差平方和的精度在0.1以內(nèi),其公式如下:
其中,yi是實際值,y?i是擬合后的函數(shù)值。P的值越接近0,則擬合函數(shù)的可行性越高,數(shù)據(jù)預(yù)測就越成功。
根據(jù)統(tǒng)計數(shù)據(jù),以用戶行為為中介變量,由用戶規(guī)模和用戶結(jié)構(gòu)構(gòu)成用戶行為的影響基礎(chǔ),用戶行為是用戶風(fēng)險的最直接指標,從而建立影響力。用戶參與評估系統(tǒng)的路徑(如圖2所示)。用戶參與評估系統(tǒng)的影響路徑和用戶參與評估系統(tǒng)將作為構(gòu)建用戶參與模型的基礎(chǔ)。
圖2 用戶參與評價體系影響路徑分析
在用戶參與評價體系的基礎(chǔ)上,通過對用戶參與影響路徑的分析,建立了大數(shù)據(jù)用戶參與模型,以降低大背景下用戶不合理交流,情緒行為,不科學(xué)預(yù)測和賭博心理的風(fēng)險。通過用戶數(shù)量的影響,用戶結(jié)構(gòu)和用戶群體行為的各種數(shù)據(jù)分析來進行數(shù)據(jù)分析;另一方面,該模型使用機器。學(xué)習(xí)算法提供波動預(yù)測,趨勢預(yù)測,行為預(yù)測等,以減少劇烈波動的可能性。具體模型如圖3所示。
圖3 大數(shù)據(jù)用戶參與模型
衍射峰強金融風(fēng)險預(yù)警系統(tǒng)的功能包括數(shù)據(jù)采集系統(tǒng),數(shù)據(jù)庫系統(tǒng)和預(yù)警系統(tǒng)“數(shù)據(jù)對話”,利用數(shù)據(jù)挖掘技術(shù)建立有價值的數(shù)據(jù)庫,然后通過機器學(xué)習(xí)算法設(shè)計預(yù)警跟蹤和偏差修正等。,整個過程以數(shù)據(jù)為中心,基于大數(shù)據(jù)的金融風(fēng)險預(yù)警系統(tǒng)的具體框架如圖4所示。
圖4 大數(shù)據(jù)下金融風(fēng)險預(yù)警系統(tǒng)框架
(1)采集系統(tǒng):由于金融風(fēng)險預(yù)警系統(tǒng)的相關(guān)指標數(shù)據(jù)包含非結(jié)構(gòu)化數(shù)據(jù),難以在Internet上進行收集,清理和分析,并且往往需要人工干預(yù),因此需要將爬蟲技術(shù)和掃描監(jiān)控技術(shù)相結(jié)合。全面的數(shù)據(jù)收集和風(fēng)險預(yù)測是全面的數(shù)據(jù)收集和風(fēng)險預(yù)測的基礎(chǔ)。
(2)數(shù)據(jù)庫系統(tǒng):通過采集系統(tǒng)獲得的數(shù)據(jù)仍需要進一步分析,不僅需要數(shù)據(jù)挖掘技術(shù)的支持,還需要大數(shù)據(jù)分析的手段。數(shù)據(jù)庫系統(tǒng)是預(yù)警系統(tǒng)的核心。預(yù)警模型相關(guān)指標的分類和匯總在數(shù)據(jù)庫系統(tǒng)中完成。數(shù)據(jù)庫系統(tǒng)的完善直接影響機器學(xué)習(xí)的預(yù)測能力。
(3)預(yù)警系統(tǒng):預(yù)警報告主要以指標臨界值和預(yù)警間隔的形式顯示。在確定風(fēng)險分析和預(yù)測分析之后,形成預(yù)警報告。同時,對預(yù)警系統(tǒng)是否與實際需求進行實證跟蹤相結(jié)合,分析預(yù)測結(jié)果偏離的原因,并改進相關(guān)算法,以提高機器學(xué)習(xí)系統(tǒng)的預(yù)測功能,縮小兩者之間的差距。隨后的預(yù)測,并提高了預(yù)警系統(tǒng)的準確性和科學(xué)性。
根據(jù)互聯(lián)網(wǎng)發(fā)展報告,中國互聯(lián)網(wǎng)用戶規(guī)模發(fā)展迅速,2018年已接近8億,互聯(lián)網(wǎng)普及率從不到3%增長到近60%。同時,由于智能手機,3G和4G的發(fā)展,隨著通信技術(shù)的迅速發(fā)展,移動互聯(lián)網(wǎng)用戶也從2006年的1 300萬(受統(tǒng)計數(shù)據(jù)限制,2006年之前沒有相關(guān)數(shù)據(jù))迅速增長到7.5億(2017年12月),其中2007年至2012年的年增長率超過100%。同時,根據(jù)中登集團發(fā)布的數(shù)據(jù),2000年參加A股股票的投資者數(shù)量為6 154萬(同年增加1 343萬)。2002年,由于大量的不定期清算,年底的投資者數(shù)量為6 841萬,到2018年已達到13 863萬(開戶數(shù)量已超過1.7億,部分分離的投資者無效)。
從投資者數(shù)量和互聯(lián)網(wǎng)用戶(包括移動互聯(lián)網(wǎng)用戶)數(shù)量的角度來看,用戶參與的數(shù)量巨大,投資者和網(wǎng)民的行為將產(chǎn)生大量數(shù)據(jù),互聯(lián)網(wǎng)用戶的行為的訪問,轉(zhuǎn)載和傳播大大增加。基于大數(shù)據(jù)的群體行為,例如用戶參與結(jié)構(gòu)分析,注意力,情緒反應(yīng)等,對股票的上海股票指數(shù)具有重大影響。
宏索引統(tǒng)計和分析算法。宏觀分析采用的是A股主板市場的滬市指數(shù)(因為創(chuàng)業(yè)板還不成熟,漲跌幅度太大,容易產(chǎn)生偏見)。收集樣品。從1999年至2018年,A股上海股票指數(shù)獲得的分析信息包括收盤價,最高價,最低價,開盤價,前收盤價,漲跌幅,漲跌幅,交易量,交易量等。A股(上證指數(shù))指數(shù)的統(tǒng)計過程如表3所示。統(tǒng)計期間為當(dāng)年首個交易日至當(dāng)年最后一個交易日(2018年除外),統(tǒng)計結(jié)果為如表2和表3所示。
根據(jù)不同指標之間的定量關(guān)系,形成了大數(shù)據(jù)訓(xùn)練集。以A股(上證指數(shù))指數(shù)為ydata(不同的區(qū)間幅度和交易量),導(dǎo)入不同組的指數(shù)數(shù)據(jù)xdata(包括用戶量,用戶結(jié)構(gòu),用戶行為等),然后擬合計算每組指標,并提供數(shù)據(jù)規(guī)則以進行基本分析。
表2 A股(上證指數(shù))指標統(tǒng)計過程
表3 A股(上證指數(shù))指標統(tǒng)計結(jié)果
用戶參與模型相關(guān)性分析測試。在用戶參與模型中,指標之間的定量關(guān)系根據(jù)年度變化具有連續(xù)變量之間的相關(guān)性。因此,本研究使用乘積差異相關(guān)系數(shù)(也稱為皮爾遜系數(shù)),可以直接篩選出具有高相關(guān)性的指標,并進一步從高相關(guān)性指標中進行分析,以驗證模型的預(yù)測功能并計算公眾利益。
式中,x和y是用戶參與模型中的不同指標。y與ydata相同。取A股(上證指數(shù))指數(shù)數(shù)據(jù)(區(qū)間波動幅度和交易量不同),r為兩個指標之間的相關(guān)性。指標選擇的依據(jù)如表7所示。由于某些指標缺乏數(shù)據(jù)收集,在年度統(tǒng)計中,使用相對完整的數(shù)據(jù)間隔進行相關(guān)分析,并獲得高度相關(guān)的分析。
根據(jù)用戶年齡統(tǒng)計,各個年齡段的趨勢變化不明顯,但30歲以下的網(wǎng)民和投資者不成熟的比例較大。這群人很容易受到網(wǎng)絡(luò)媒體等信息的影響,甚至被誤導(dǎo),然后傳播不當(dāng)?shù)男畔?,這更有可能導(dǎo)致信息偏差和市場動蕩。
從教育背景的角度來看,不同學(xué)歷的比例是不穩(wěn)定的。投資者的文化程度往往較高,而低文化程度的比例正在下降。高等教育對股票市場的影響主要包括兩個方面:一是研究更深入,信息搜索更有效,投資更加謹慎。二是更加科學(xué)的投資手段,大數(shù)據(jù)和自動交易軟件的應(yīng)用率正在提高。
從用戶行為分析結(jié)果看,金融事件與股市波動性(幅度)具有很強的相關(guān)性,尤其是在負信息的下降趨勢中,其幅度將隨著金融事件的傳播而不斷增加,并產(chǎn)生搜索指標通過用戶也將擴大。
顯然,政治,金融,軍事,流行等事件在不同國家的感染程度不同,影響力的差異主要在于用戶參與事件傳播引起的風(fēng)險傳染等主要因素。因此,在一定時間內(nèi)適當(dāng)引導(dǎo)各種金融事件引起用戶的關(guān)注,可以有效地控制和預(yù)防金融風(fēng)險的發(fā)生和擴大。