社交媒體大數(shù)據(jù)和股票市場的研究述評與探索

徐雨迪

摘 要：社交媒體是一個強大的社會行為數(shù)據(jù)庫，包含了用戶的信息搜索、獲取和交換的海量數(shù)據(jù)，反映了大量投資者的關(guān)注與情緒，吸引了大量學(xué)者將其與股票市場進行關(guān)聯(lián)研究。從行為金融學(xué)出發(fā)，分析了社交媒體大數(shù)據(jù)中蘊含的信息作用于股市的經(jīng)濟原理及其傳導(dǎo)機制。從投資者關(guān)注和投資者情緒兩個維度，對社交媒體大數(shù)據(jù)和股票市場關(guān)聯(lián)研究的文獻(xiàn)進行了歸納和梳理，總結(jié)主要發(fā)現(xiàn)，明確社交媒體到股票市場的傳導(dǎo)機制，從而更深刻地理解投資者行為。對未來研究方向進行了展望，以期為進一步的研究提供參考。

關(guān)鍵詞：社交媒體大數(shù)據(jù);投資者關(guān)注;投資者情緒;股票市場

中圖分類號：F832.51文獻(xiàn)標(biāo)識碼：A文章編號：1005-6432（2022）11-0045-05

DOI：10.13939/j.cnki.zgsc.2022.11.045

1 引言

隨著經(jīng)濟的快速發(fā)展，經(jīng)濟問題和危機頻發(fā)，世界股票市場曾多次出現(xiàn)牛熊市的頻繁更替和股票價格的大起大落。如1987年的“全球股市黑色星期一”、1995年的墨西哥金融危機以及2007年的美國次貸危機等。這些現(xiàn)象都難以用基于有效市場假說和理性人假說的傳統(tǒng)金融學(xué)所解釋。

行為金融學(xué)的興起和發(fā)展，將金融學(xué)的研究視野拓寬至投資者的心理和具體行為上，指出投資者存在心理認(rèn)知偏差等問題，從而導(dǎo)致其做出“非理性”的投資決策。

因此，有不少學(xué)者考慮從投資者的心理特征和行為特點出發(fā)，研究其與股票市場的關(guān)系，但前期由于數(shù)據(jù)來源有限，研究沒有得到很好的發(fā)展。直到互聯(lián)網(wǎng)的出現(xiàn)和興起，信息的傳遞方式由傳統(tǒng)媒介轉(zhuǎn)變成了新興的社交媒體。

根據(jù)中國互聯(lián)網(wǎng)網(wǎng)絡(luò)中心第44次調(diào)查報告，截至2020年9月，中國網(wǎng)民規(guī)模達(dá)9.4億，互聯(lián)網(wǎng)普及率達(dá)67%。社交媒體作為當(dāng)下影響范圍最廣、使用頻率最高的新型互聯(lián)網(wǎng)工具之一，使用戶能夠搜索、創(chuàng)建和共享信息的同時，還記錄了用戶網(wǎng)絡(luò)行為。利用網(wǎng)絡(luò)爬蟲、數(shù)據(jù)挖掘技術(shù)，能夠從社交媒體獲取記錄各階層、各領(lǐng)域用戶行為的大數(shù)據(jù)。

社交媒體已經(jīng)成為一個強大的社會行為數(shù)據(jù)庫，這為研究投資者行為提供了一個新的視角。近年來，將社交媒體大數(shù)據(jù)和股市結(jié)合起來研究的文獻(xiàn)層出不窮，這一方面能夠引導(dǎo)投資者客觀認(rèn)識自身存在的認(rèn)知偏差，避免盲目跟風(fēng)的同時，做好風(fēng)險管理;另一方面，能夠為完善股票市場的運行機制、制定監(jiān)管政策提供思路。

鑒于此，本文從行為金融學(xué)出發(fā)，通過對研究社交媒體大數(shù)據(jù)和股票市場的文獻(xiàn)進行歸納和梳理，總結(jié)主要發(fā)現(xiàn)，明確社交媒體到股票市場的傳導(dǎo)機制，從而更深刻和全面地理解投資者行為。

2 社交媒體概述

從技術(shù)角度來看，社交媒體是基于Web或操作高度交互平臺所必需的移動技術(shù)。

在該平臺上，用戶可以搜索、創(chuàng)建和共享信息。Boyd和Ellison（2008）使用術(shù)語“社交網(wǎng)站”代替“社交媒體”，并將其表示為基于網(wǎng)絡(luò)的服務(wù)，允許用戶創(chuàng)建公開或半公開信息。

如今，新興的社交媒體層出不窮，本文考慮到數(shù)據(jù)的可用性、用戶數(shù)量、流行程度、與股市的相關(guān)程度等方面，重點關(guān)注Twitter（推特）、Google（谷歌）、百度和微博的數(shù)據(jù)。就本文而言，社交媒體中“搜索”和“共享”兩個模塊是最重要的，“搜索”模塊提供了指數(shù)數(shù)據(jù)，反映了用戶對某個特定信息的關(guān)注程度，“共享”模塊提供了文本數(shù)據(jù)，反映了用戶的情緒，這兩個模塊是大數(shù)據(jù)的來源，在一定程度上體現(xiàn)了用戶的行為。

在股票市場領(lǐng)域，社交媒體大數(shù)據(jù)可以用來揭示社會與股市之間更深層次的影響機制。如前所述，社交媒體大數(shù)據(jù)包含各種各樣的信息，但哪些信息是有價值的，哪些信息可以為研究所用，是每個學(xué)者都需要思考的問題。

3 社交媒體大數(shù)據(jù)應(yīng)用于股市的經(jīng)濟原理

社交媒體大數(shù)據(jù)捕獲了用戶的活動、用戶之間的互動，或更準(zhǔn)確地說，一個社會的復(fù)雜行為。在行為金融領(lǐng)域，投資者的行為及其與股票市場的關(guān)系是研究的主要部分。

因此，行為金融框架是在股票市場領(lǐng)域使用社交媒體大數(shù)據(jù)的主要動機。在當(dāng)前研究中，這種動機存在以下兩種經(jīng)濟學(xué)解釋。

3.1 信息需求

第一種經(jīng)濟學(xué)解釋是基于投資者的信息需求，即投資者關(guān)注。特別是對于散戶投資者，他們的信息來源有限，無法訪問Bloomberg或Thomson Reuters等專業(yè)數(shù)據(jù)庫，當(dāng)他們接收到外界的信息后，往往將社交媒體用作有關(guān)股票市場的公開信息來源。

Da等（2011）、Kim和Neri（2018）的論文提出了這個想法，他們在分析中采用了Google搜索數(shù)據(jù)。國內(nèi)張繼德等（2014）也提出了信息需求，他們提出將百度指數(shù)作為散戶投資者關(guān)注的替代信息來源。

3.2 信息供給

第二種觀點是基于用戶的信息供給行為。投資者對來自社交媒體會產(chǎn)生各自的認(rèn)知，這些認(rèn)知會通過社交媒體上分享的內(nèi)容展現(xiàn)出來。這些由社交媒體用戶共享的內(nèi)容是有價值的數(shù)據(jù)源，從而這些信息的供給作用于投資者的交易決策，進而影響到股市表現(xiàn)。

在金融文獻(xiàn)中，體現(xiàn)用戶情感和觀點的內(nèi)容可以用術(shù)語“情緒”來描述，在本文中叫作投資者情緒。大量的研究表明，理性程度較低的投資者群體傾向于依賴情緒行事。例如，Mao等（2015）和Francesco Audrino等（2020）研究Twitter數(shù)據(jù)、張洪辰（2014）和Zhou等（2018）研究微博的數(shù)據(jù)，他們從中提取投資者情緒，證明了這種想法。

3.3 傳導(dǎo)機制

結(jié)合以上兩種經(jīng)濟學(xué)解釋和以往的研究，本文在陸慧玲（2018）的基礎(chǔ)上構(gòu)建在社交媒體下的信息在股票市場的傳導(dǎo)機制，見圖1。

從該傳導(dǎo)機制可以看出，投資者通過某種渠道接收到社交媒體信息。社交媒體信息包括媒體發(fā)布的新聞、社交媒體用戶的分享和網(wǎng)絡(luò)痕跡等。這些社交媒體信息在經(jīng)過認(rèn)知過程之后，會對投資者情緒產(chǎn)生一定的影響。投資者情緒表現(xiàn)為推文的發(fā)布、微博的發(fā)布等。

從而這些信息的供給作用于投資者的交易決策。同時，出于信息需求，這些信息還會引起投資者的關(guān)注，表現(xiàn)為百度搜索、Google搜索等，對投資者行為產(chǎn)生影響，進一步影響股市表現(xiàn)，如交易量、股價等。投資者關(guān)注到股市的變化后，又會基于信息供給和信息需求反饋到投資者情緒和投資者關(guān)注中。由此形成了一種如圖1所示的循環(huán)影響。

本節(jié)最重要的貢獻(xiàn)是了解到社交媒體是一種僅從技術(shù)上捕獲有關(guān)社會行為的數(shù)據(jù)的工具。然而，對該領(lǐng)域研究真正重要的是理解投資者的行為、散戶投資者的存在及其對股票市場的影響。

為此，本文根據(jù)社交媒體和股市關(guān)系的經(jīng)濟原理提出了投資者的行為與股票市場之間的傳導(dǎo)機制，更深層次地解釋了這一影響。

4 主要實證發(fā)現(xiàn)的綜述

以微博、Twitter、百度等為主的社交媒體的迅速興起，在改變信息發(fā)布與傳播方式的同時，也悄然改變著人們的生活和思維方式。社交媒體作為投資者信息獲取、發(fā)布和交流的重要平臺，是能夠體現(xiàn)投資者行為的有價值的大數(shù)據(jù)源。當(dāng)前已有很多學(xué)者投身于海量的社交媒體大數(shù)據(jù)對股市影響的研究。

本文基于行為金融學(xué)從以上兩種經(jīng)濟學(xué)解釋及其傳導(dǎo)機制出發(fā)，對該領(lǐng)域的有關(guān)社交媒體和股票市場之間關(guān)系的主要實證研究進行了分析和歸納。

4.1 投資者關(guān)注

在信息需求理論框架下，社交媒體包含的搜索量、網(wǎng)頁瀏覽量等，反映了投資者對特定信息的關(guān)注。

現(xiàn)有研究發(fā)現(xiàn)，投資者關(guān)注會對股價產(chǎn)生正向影響，部分研究指出這種影響會在近期內(nèi)反轉(zhuǎn)。

Da等（2011）是國外研究Google數(shù)據(jù)的第一批論文之一，該研究提出將Google對股票代碼的搜索量數(shù)據(jù)作為衡量投資者關(guān)注的新指標(biāo)。

以Russell 3000指數(shù)股票為研究樣本，發(fā)現(xiàn)股票代碼搜索量的增加預(yù)示著未來兩個星期內(nèi)的股價將上漲，并且最終價格將在一年內(nèi)反轉(zhuǎn)，他們認(rèn)為這是因為散戶投資者的高度關(guān)注增加了股票價格的購買壓力。

俞慶進和張兵（2012）用以證券簡稱和證券代碼為關(guān)鍵字的百度搜索量數(shù)據(jù)衡量投資者關(guān)注，結(jié)果表明投資者關(guān)注在當(dāng)期能夠?qū)κ袌鲈斐烧虻膬r格壓力，但很快將發(fā)生反轉(zhuǎn)。該發(fā)現(xiàn)與Da等（2011）的發(fā)現(xiàn)類似，表明社交媒體搜索量數(shù)據(jù)在中國股票市場的可適性。

張繼德等（2014）參考俞慶進和張兵（2012）構(gòu)建的模型，使用以股票簡稱為關(guān)鍵字的月百度搜索數(shù)據(jù)，研究發(fā)現(xiàn)該指數(shù)對上證180指數(shù)樣本股的股價有正向影響，對股票收益有正向驅(qū)動作用，但這一現(xiàn)象將在一段時間后發(fā)生反轉(zhuǎn)。

陳植元等（2016）選取20只新概念股作為研究對象，以證券簡稱和代碼日百度指數(shù)之和度量投資者關(guān)注度，揭示了百度指數(shù)與股票市場指標(biāo)表現(xiàn)之間顯著的正相關(guān)關(guān)系。

Kim和Neri（2018）研究Google日搜索數(shù)據(jù)與奧斯陸證券交易所上市公司的未來異常收益、交易量和波動性之間的關(guān)系，研究結(jié)果表明Google搜索量的增加預(yù)示著波動性和交易量的增加。

另外，部分研究將重點放在投資者關(guān)注的預(yù)測精度上，研究發(fā)現(xiàn)投資者關(guān)注度的引入，模型的預(yù)測精度將得到提高。

Bank等（2011）用德國上市公司名稱為關(guān)鍵詞的Google搜索量數(shù)據(jù)衡量投資者關(guān)注，結(jié)果表明搜索量的增加會帶來短期超額收益的升高，并進一步發(fā)現(xiàn)，當(dāng)股價在當(dāng)年創(chuàng)新高時，Google搜索量對股票收益率的預(yù)測能力將提高。

Dimpfl和Jank（2016）考慮用“Dow”為關(guān)鍵詞的Google日搜索量數(shù)據(jù)衡量投資者關(guān)注，發(fā)現(xiàn)網(wǎng)絡(luò)搜索量對未來股市波動性有一定的預(yù)測能力，特別是在高波動階段。

張寧（2016）和張同輝等（2019）分別以“上證指數(shù)”“深證指數(shù)”和股指名稱、代碼為關(guān)鍵字的日百度數(shù)據(jù)衡量投資者關(guān)注，發(fā)現(xiàn)投資者關(guān)注度的引入，有助于提高波動率的預(yù)測精度。

瞿慧和沈微（2020）以華夏上證為研究對象，用“50ETF”的百度搜索指數(shù)度量投資者關(guān)注度，將其作為邏輯平滑轉(zhuǎn)移結(jié)構(gòu)的轉(zhuǎn)移變量，構(gòu)建已實現(xiàn)波動的異質(zhì)自回歸類模型，發(fā)現(xiàn)投資者關(guān)注的非線性引入對波動率預(yù)測有顯著貢獻(xiàn)。

綜上所述，國外多采用Google搜索，國內(nèi)多采用百度指數(shù)度量投資者關(guān)注。雖然選擇的關(guān)鍵詞（上市公司名、Dow、股票代碼等）存在差異，研究對象也存在差異（Russell 3000指數(shù)股票、創(chuàng)業(yè)板股票、滬深兩股市等），但都研究發(fā)現(xiàn)社交媒體蘊含的投資者關(guān)注信息對股指包含額外的預(yù)測信息。

4.2 投資者情緒

在信息供給理論框架下，由社交媒體文本信息衡量的投資者情緒會影響非理性投資者的決策，進而影響股票市場。

姚堯之等（2018）指出使用包含較高頻率投資者情緒數(shù)據(jù)的混頻數(shù)據(jù)模型對股市行為具有更強的解釋能力。

因此，本小節(jié)以數(shù)據(jù)取樣頻率的不同對已有研究進行劃分，從信息供給理論及其傳導(dǎo)機制出發(fā)，重點關(guān)注投資者情緒和股市之間的關(guān)系。

4.2.1 低頻投資者情緒

現(xiàn)有不少研究從社交媒體大數(shù)據(jù)中提取出不同類型的投資者情緒，它們對股票市場的影響存在差異。

最早的研究是Antweiler等（2004），他們爬取雅虎財經(jīng)上關(guān)于45家上市公司的150萬條帖子，構(gòu)建了看空、持平和看漲的投資者情緒，研究發(fā)現(xiàn)這三種投資者情緒對股市的波動性都有解釋力度。

張洪辰（2014）從新浪微博與上證綜指相關(guān)的微博中提取出日投資者情緒：看漲情緒和看跌情緒，研究發(fā)現(xiàn)該投資者情緒在一定程度上可以預(yù)測上證綜指的未來走勢，股票走勢與看漲情緒正相關(guān)，與看跌情緒負(fù)相關(guān)。

易洪波、賴娟娟等（2015）用東方財富網(wǎng)股吧下的上證指數(shù)吧每日主題帖的標(biāo)題內(nèi)容的多、空情緒比例變動，構(gòu)建日投資者情緒，發(fā)現(xiàn)投資者情緒對上證股指成交量和收益率有很大影響，并且這種影響是非對稱的，空方情緒對成交量影響較大，多方情緒對收益率的影響明顯。

石善沖等（2018）爬取清博平臺“股市”板塊中的微信文章，從中提取出日投資者情緒：積極情緒、中性情緒和消極情緒，發(fā)現(xiàn)積極情緒和中性情緒會影響上證指數(shù)的成交量，而消極情緒主要影響上證指數(shù)的收盤價和收益率。

Zhou等（2018）對投資者情緒做了進一步的細(xì)分，從微博上收集了與中國股票相關(guān)的微博，從中提取出了五種日投資者情緒：憤怒、厭惡、喜悅、悲傷和恐懼，發(fā)現(xiàn)厭惡與收盤指數(shù)，喜悅、恐懼、厭惡與開盤指數(shù)存在格蘭杰因果關(guān)系，但網(wǎng)絡(luò)社交媒體中的憤怒與中國股市的關(guān)聯(lián)性最弱，甚至與中國股市沒有關(guān)聯(lián)。

除了從提取的情緒指標(biāo)不同入手，還有部分研究專注于不同的市場和行業(yè)。

Mao等（2015）專注于國家層面的股市研究，他們利用Twitter提取出投資者情緒，對英國、美國、加拿大和中國的股市收益進行了預(yù)測，發(fā)現(xiàn)投資者情緒指標(biāo)能夠有效地預(yù)測英國、美國和加拿大股市，而對中國股市的預(yù)測能力稍微弱一些。這可能是由于國外互聯(lián)網(wǎng)數(shù)據(jù)包含的中國股市的有效信息較少。

Guo等（2017）關(guān)注于整個中國股票市場的生物醫(yī)學(xué)和房地產(chǎn)行業(yè)，使用了一種新興的社交媒體——雪球網(wǎng)，從雪球網(wǎng)上爬取的相關(guān)用戶評論信息提取投資者情緒，同時還用股票在雪球網(wǎng)上的出現(xiàn)頻率衡量投資者關(guān)注，結(jié)合這兩個指數(shù)發(fā)現(xiàn)只有在股票受到投資者高度關(guān)注時，情緒數(shù)據(jù)才可以用來預(yù)測股價。

Chen等（2018）關(guān)注于滬深股市，從新浪微博官方賬號收集到的微博中提取出投資者情緒，發(fā)現(xiàn)股票數(shù)據(jù)能夠被很好地預(yù)測。

Francesco Audrino等（2020）使用來自Twitter和Stock Twits的日文本投資者情緒，結(jié)合Google和Wikipedia的日搜索量數(shù)據(jù)與不同行業(yè)的18家公司股票指數(shù)建立擴展HAR模型，得出了與Behrendt和Schmidt（2018）類似的結(jié)論，發(fā)現(xiàn)投資者關(guān)注和投資者情緒能夠顯著提高波動性預(yù)測，但對于那些市值較小或機構(gòu)投資者比例較高的公司，情緒數(shù)據(jù)對于未來波動性的信息性通常較低。該部分的現(xiàn)有研究基本上集中在國外，國內(nèi)的研究還較少，且大都發(fā)現(xiàn)只有在股票受到投資者高度關(guān)注時，情緒數(shù)據(jù)才有較好的預(yù)測能力。

投資者情緒這一研究領(lǐng)域使用的社交媒體多種多樣，從國外的Twitter、雅虎財經(jīng)、雪球網(wǎng)到國內(nèi)的微博、東方財富網(wǎng)等，它們都是研究投資者行為的有價值的數(shù)據(jù)源。

雖然學(xué)者從中提取的情緒信息多種多樣，選取的研究對象不同，其對股市影響的方向、程度等存在差異，但可以明確的是，社交媒體包含的情緒信息對股市行為有額外的解釋力度。

4.2.2 高頻投資者情緒

以上的研究是在低頻率上提取的投資者情緒，但股市時時處在變動狀態(tài)，低頻率數(shù)據(jù)無法捕捉短時間間隔的詳細(xì)信息。近幾年隨著網(wǎng)絡(luò)和技術(shù)的快速發(fā)展，為完善這一領(lǐng)域的研究，更多的學(xué)者將目光放在高頻數(shù)據(jù)上。

Sun等（2016）使用湯森路透市場心理指數(shù)（TRMI）分析了半小時收益的可預(yù)測性。TRMI是一種基于新聞、互聯(lián)網(wǎng)來源和社交媒體數(shù)百萬條帖子構(gòu)建的高頻投資者情緒，他們發(fā)現(xiàn)投資者情緒的變化對日內(nèi)普爾-500指數(shù)股票收益具有預(yù)測力。

T.Renault（2017）從StockTwits平臺發(fā)布的消息中提取了半小時頻率的投資者情緒，研究發(fā)現(xiàn)投資者情緒有助于預(yù)測日內(nèi)股指收益，且投資者情緒的前半小時變化預(yù)測了標(biāo)準(zhǔn)普爾500指數(shù)的最后半小時收益[27]。

Daifeng Li等（2019）從騰訊微博中提取出積極和消極投資者情緒，通過分析投資者情緒與5分鐘頻率的滬深300時間序列之間的相關(guān)性，發(fā)現(xiàn)騰訊微博的相關(guān)高頻情緒數(shù)據(jù)能夠較好地解釋股市波動，而且這種波動是由投資者在短期內(nèi)的非理性行為引起的。

尹海員和吳興穎（2019）從金融界論壇的歷史發(fā)帖信息中提取出日內(nèi)半小時間隔的高頻投資者情緒指數(shù)，發(fā)現(xiàn)中國股票市場的高頻投資者情緒能正向影響股票市場運行，這種預(yù)測作用在下午表現(xiàn)更顯著。但是，隨著取樣頻率的提高，結(jié)論發(fā)生了變化。

S.Behrendt和A.Schmidt（2018）將道瓊斯工業(yè)平均指數(shù)成分股的每1分鐘的日內(nèi)高頻Twitter情緒引入到HAR模型中，發(fā)現(xiàn)與沒有Twitter信息的模型相比，股票市場預(yù)測性能沒有得到提高。這可能是因為考慮的日內(nèi)頻率太高，投資者無法對此類信息作出快速反應(yīng)，同時也可能是因為商業(yè)數(shù)據(jù)供應(yīng)商提供的來自Twitter的關(guān)于個股的日內(nèi)信息對未來股市波動性的預(yù)測沒有解釋能力。

投資者情緒能夠很大程度上影響股市，這一觀點在研究低頻投資者情緒的文獻(xiàn)中已經(jīng)得到印證，但限于數(shù)據(jù)指標(biāo)構(gòu)建困難，投資者高頻情緒的研究目前還處于探索階段。

通過以上綜述可以發(fā)現(xiàn)，研究高頻投資者情緒的學(xué)者得到的結(jié)論存在差異，個別學(xué)者發(fā)現(xiàn)投資者情緒對未來股市波動性的預(yù)測沒有解釋能力，因此取樣頻率不同極有可能是造成研究結(jié)果不同的原因。那么什么頻率的數(shù)據(jù)對股市預(yù)測包含的信息最多也是值得探討的一個問題。

5 總結(jié)與展望

學(xué)術(shù)界對社交媒體大數(shù)據(jù)和股票市場這一領(lǐng)域的研究始于20世紀(jì)90年代末，通過對社交媒體大數(shù)據(jù)和股票市場的相關(guān)研究進行梳理，發(fā)現(xiàn)學(xué)者的研究方向逐漸由單個平臺轉(zhuǎn)向多個平臺、由單指標(biāo)轉(zhuǎn)向多指標(biāo)、由低頻數(shù)據(jù)轉(zhuǎn)到高頻數(shù)據(jù)，但研究結(jié)果存在差異，仍處于探索階段。

因此，本文認(rèn)為在未來的研究中至少在以下四個方面還可進一步拓展。

第一，現(xiàn)有文獻(xiàn)基本上用數(shù)字指標(biāo)和內(nèi)容指標(biāo)來量化媒體信息，但如今信息在網(wǎng)絡(luò)上呈現(xiàn)的方式越來越多樣化，用戶可以用圖片表達(dá)自己的觀點，用視頻記錄自己的心情，這些都蘊含著大量信息，目前沒有學(xué)者將這一信息運用到股票預(yù)測的領(lǐng)域。隨著計算機技術(shù)的不斷發(fā)展，算法越來越先進，圖片視頻信息的引入必然會完善股票預(yù)測領(lǐng)域的研究。

第二，現(xiàn)有文獻(xiàn)所采用的研究對象大多是綜合股指或者個股，而以行業(yè)板塊的差異性為視角研究社會化媒體信息對股市影響的研究還較少。探究社交媒體大數(shù)據(jù)的行業(yè)偏好，分析不同行業(yè)對社交媒體大數(shù)據(jù)的敏感度，從而使得分析結(jié)果更具針對性和全面性，進而得到更具經(jīng)濟意義的結(jié)論和可操作性的政策意見。

第三，雖然社交媒體大數(shù)據(jù)具有巨大的潛在價值，但由于其數(shù)據(jù)含有大量的噪聲、存在可能的偏見、易受外部不相關(guān)因素影響等，對其進行處理從而提取有用的信息不是一件易事。因此，如何運用技術(shù)濾除噪聲、如何挖掘使用價值較大的數(shù)據(jù)等來提高預(yù)測精度等都是未來應(yīng)該努力的方向。

第四，盡管社交媒體大數(shù)據(jù)在股票市場中的重要性已得到廣泛認(rèn)可，但高頻數(shù)據(jù)的合理測度受到數(shù)據(jù)收集和量化的限制，同時學(xué)者們對數(shù)據(jù)頻率采集上還存在爭議，且高頻數(shù)據(jù)由于其采樣頻率不同，學(xué)者們的研究成果存在差異，這一差異背后的原因是什么，是值得關(guān)注的問題。

參考文獻(xiàn)：

[1]BOYD D M， ELLISON N B. Social network sites：definition，history， and scholarship[J].Journal of computer-mediated communication，2007，13（1）： 210-230.

[2]DA Z， ENGELBERG J， GAO P. In search of attention[J].The journal of finance， 2011，66（5）：1461-1499.

[3]KIM N， LUCIVJANSKA K， MOLNAR P， et al. Google searches and stock market activity：evidence from Norway[J].Finance research letters， 2019（28）： 208-220.

[4]張繼德，廖微，張榮武.普通投資者關(guān)注對股市交易的量價影響：基于百度指數(shù)的實證研究[J].會計研究，2014（8）：52-59.

[5]MAO H，COUNTS S，BOLLEN J. Quantifying the effects of online bullishness on international financial markets[C].Frankfurt：ECB workshop on using big data for forcasting and statistics，2014.

[6]張洪辰.通過新浪微博數(shù)據(jù)挖掘預(yù)測上證綜指走向[D].北京：首都經(jīng)濟貿(mào)易大學(xué)，2014.

[7]ZHOU Z，XU K， ZHAO J.Tales of emotion and stock in China：volatility， causality and prediction[J].World wide web，2017，21（4）： 1093-1116.

[8]陸慧玲. 基于微指數(shù)和百度指數(shù)的上證綜指收益率預(yù)測研究[D].成都：西南交通大學(xué)，2018.

[9]俞慶進，張兵.投資者有限關(guān)注與股票收益：以百度指數(shù)作為關(guān)注度的一項實證研究[J].金融研究，2012（8）：152-165.

[10]陳植元，米雁翔，厲洋軍，等.基于百度指數(shù)的投資者關(guān)注度與股票市場表現(xiàn)的實證分析[J].統(tǒng)計與決策，2016（23）：155-157.

[11]BANK M， LARCH M， PETER G. Google search volume and its influence on liquidity and returns of German stocks[J].Financial market and portfolio management， 2011，25（3）：239-264.

[12]DIMPFL T，JANK S.Can Internet search queries help to predict stock market volatility？[J].European financial management，2016，22（2）： 171-192.

[13]張寧.投資者關(guān)注度對股市波動性的影響分析及應(yīng)用[D].長沙：湖南師范大學(xué)，2016.

[14]張同輝，苑瑩，曾文.投資者關(guān)注能提高市場波動率預(yù)測精度嗎？——基于中國股票市場高頻數(shù)據(jù)的實證研究[J].中國管理科學(xué)，2020（11）：192-205.

[15]瞿慧，沈微.基于LSTHAR模型的投資者關(guān)注對股市波動影響研究[J].中國管理科學(xué)，2020（7）：23-34.

[16]姚堯之，王堅強，劉志峰.混頻投資者情緒與股票價格行為[J].管理科學(xué)學(xué)報，2018（2）：104-113.

[17]易洪波，賴娟娟，董大勇.網(wǎng)絡(luò)論壇不同投資者情緒對交易市場的影響：基于VAR模型的實證分析[J].財經(jīng)論叢，2015（1）：46-54.

[18]石善沖，朱穎楠，趙志剛，等.基于微信文本挖掘的投資者情緒與股票市場表現(xiàn)[J].系統(tǒng)工程理論與實踐，2018（6）：1404-1412.

[19]GUO K， SUN Y， QIAN X. Can investor sentiment be used to predict the stock price？dynamic analysis based on China stock market[J].Physica A： statistical mechanics and its applications， 2017（469）：390-396.

[20]CHEN W，YEO C K，LAU C T， et al.Leveraging social media news to predict stock index movement using RNN-Boost[J].Data and knowledge engineering， 2018（118）：14-24.

[21]SUN L，NAJAND M，SHEN J.Stock return predictability and investor sentiment： A high-frequency perspective[J].Journal of Banking and Finance， 2016， 73（7）：147-164.

[22]RENAULT T.Intraday online investor sentiment and return patterns in the U.S. stock market[J].Journal of banking and finance，2017， 84（7）：25-40.

[23]尹海員，吳興穎.投資者高頻情緒對股票日內(nèi)收益率的預(yù)測作用[J].中國工業(yè)經(jīng)濟，2019（8）：80-98.