媒體情緒對(duì)股票市場收益率及波動(dòng)率的影響研究

范思媛， 郭建華， 張 磊

(邵陽學(xué)院 經(jīng)濟(jì)與管理學(xué)院, 湖南 邵陽 422000)

2021年8月27日，中國互聯(lián)網(wǎng)絡(luò)信息中心發(fā)布的第48次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》(以下簡稱《報(bào)告》)顯示，截至2021年6月，我國的網(wǎng)民規(guī)模已經(jīng)達(dá)到10.11億人，互聯(lián)網(wǎng)普及率達(dá)到71.6%，較2020年12月提升了1.2%。網(wǎng)民每周的平均上網(wǎng)時(shí)間為26.9小時(shí)，且在2020年3月達(dá)到峰值30.8小時(shí)。這說明我們已經(jīng)處于互聯(lián)網(wǎng)大數(shù)據(jù)的時(shí)代，互聯(lián)網(wǎng)信息已經(jīng)滲透到了生活的方方面面?！秷?bào)告》還顯示，我國搜索引擎用戶的規(guī)模達(dá)到7.9億人，占我國網(wǎng)民總體規(guī)模的78.7%，較2020年12月增長了3.3%。這表明通過搜索引擎了解相關(guān)資訊已經(jīng)成為我國網(wǎng)民的首要選擇，如今投資者更愿意在作出投資決策前通過各大互聯(lián)網(wǎng)搜索平臺(tái)(例如微信、微博、搜狗、百度、Google等)來獲取投資信息。

在行為金融學(xué)理論中，投資者大部分處于非理性的狀態(tài)，而現(xiàn)在的大數(shù)據(jù)信息繁多又真假難辨，他們?cè)谧鳑Q策時(shí)難免會(huì)受到互聯(lián)網(wǎng)媒體的影響，對(duì)近期的信息產(chǎn)生過度的反應(yīng)，從而出現(xiàn)行為偏差，媒體平臺(tái)無疑是引起這一偏差的重要因素。媒體情緒，無論是悲觀的還是樂觀的，都會(huì)傳遞給投資者，引起他們對(duì)信息的過度反應(yīng)或反應(yīng)不足，最終影響股票市場的收益率或波動(dòng)率?；诖耍疚目紤]媒體因素，從收益率與波動(dòng)率兩個(gè)維度來探討媒體情緒對(duì)股票市場的影響，這不僅可以幫助投資者作出更加理性的決策，還有助于股票市場的健康發(fā)展。

一、文獻(xiàn)綜述

關(guān)于媒體情緒的度量方法，學(xué)者們對(duì)傳統(tǒng)媒體主要通過匯總統(tǒng)計(jì)分析的方法度量情緒指標(biāo)。有研究者通過文本挖掘技術(shù)對(duì)新聞報(bào)道進(jìn)行分析，從而構(gòu)建媒體情緒指標(biāo)[1]；有研究者分析了媒體報(bào)道對(duì)上市公司并購重組后的收益率的影響[2]。而隨著大數(shù)據(jù)時(shí)代的到來，互聯(lián)網(wǎng)平臺(tái)的受眾日漸增多，學(xué)者們開始利用互聯(lián)網(wǎng)搜索代理變量來度量媒體情緒。有研究者認(rèn)為百度指數(shù)是反映投資者關(guān)注度的有效指標(biāo)，與股票市場具有顯著的正相關(guān)關(guān)系，可以提高現(xiàn)有股票價(jià)格預(yù)測模型的準(zhǔn)確性[3]；有研究者利用新浪微博微指數(shù)和百度指數(shù)構(gòu)建情緒指標(biāo)，探究它們與上證綜指收益率的關(guān)系[4]。

關(guān)于媒體情緒對(duì)股票收益及波動(dòng)影響方面，有人認(rèn)為Twitter情緒、發(fā)帖量與標(biāo)準(zhǔn)普爾500指數(shù)的回報(bào)率有關(guān)，Twitter數(shù)據(jù)可以預(yù)測股票市場的行為[5]；有人基于微信文本挖掘，分析積極、中立以及消極的投資者情緒對(duì)上證指數(shù)收盤價(jià)、成交量、收益率的影響，發(fā)現(xiàn)消極情緒會(huì)影響收益率，而積極和中立情緒則會(huì)對(duì)成交量產(chǎn)生影響[6]；有人探討媒體信息與股市之間的相互作用，發(fā)現(xiàn)投資者的恐懼情緒對(duì)股市回報(bào)和條件波動(dòng)產(chǎn)生持久的影響[7]；有人認(rèn)為媒體情緒會(huì)讓投資者產(chǎn)生樂觀或消極的情緒，直接影響其投資決策，進(jìn)而導(dǎo)致股票價(jià)格的波動(dòng)[8]。

綜上所述，國內(nèi)外學(xué)者關(guān)于媒體情緒度量的方法大多采用間接指標(biāo)，對(duì)傳統(tǒng)媒體如報(bào)紙、新聞報(bào)道等主要通過數(shù)據(jù)匯總統(tǒng)計(jì)構(gòu)建媒體情緒指標(biāo)，對(duì)于新型媒體如Google、百度、微博、微信等，則采用互聯(lián)網(wǎng)搜索平臺(tái)的歷史搜索量來構(gòu)建媒體情緒指標(biāo)。而隨著互聯(lián)網(wǎng)時(shí)代的發(fā)展，互聯(lián)網(wǎng)媒體不斷發(fā)展擴(kuò)大，傳統(tǒng)媒體逐漸失去其主導(dǎo)地位，且由于研究方法不同，很多問題仍存在一定的分歧。因此，本文通過搜狗指數(shù)的歷史搜索數(shù)據(jù)來構(gòu)建媒體情緒指標(biāo)，并從收益率和波動(dòng)率這兩個(gè)維度來進(jìn)行實(shí)證研究，綜合考慮媒體情緒對(duì)股市的影響程度。

二、相關(guān)理論基礎(chǔ)

(一)有限理性理論

有限理性認(rèn)為人類的行為趨向于盡可能的理性，但理性的程度是有限度的。環(huán)境是復(fù)雜多變的，人們接收的信息越多，要作的決策就越多，因此不確定性也越大，對(duì)信息進(jìn)行適當(dāng)、準(zhǔn)確處理的能力就越差。同時(shí)，由于生理上的限制，人的大腦和神經(jīng)系統(tǒng)不能合理地處理所有信息，這也導(dǎo)致人們對(duì)環(huán)境的認(rèn)知能力有限。因此，注意力的局限性決定了決策的局限理性。有研究者表示由于認(rèn)知有限，其沒有足夠的能力去處理信息，從而導(dǎo)致股市的波動(dòng)[9]。如今是信息充斥的時(shí)代，獲取信息需要投資者的關(guān)注，而信息的價(jià)值取決于投資者在決策中如何處理和交換信息。由于注意力有限，投資者可能無法充分利用他們所獲得的信息，故投資者收到的信息存在高度的隨機(jī)性，這種高度隨機(jī)性不可避免地會(huì)導(dǎo)致個(gè)人的認(rèn)知偏差。因此，有限注意力在其決策過程中起關(guān)鍵作用，投資者會(huì)對(duì)一些信息產(chǎn)生過度反應(yīng)，而對(duì)一些信息則反應(yīng)不夠，從而影響投資者情緒及投資行為，最終對(duì)證券市場波動(dòng)產(chǎn)生一定的影響。

(二)信息不對(duì)稱理論

信息不對(duì)稱理論最早由Baron(1982)提出，在有限理性人的假設(shè)下，人們獲取信息的渠道有限，對(duì)信息的理解也不一樣，從而導(dǎo)致信息不對(duì)稱[10]。當(dāng)信息不對(duì)稱理論首次應(yīng)用于經(jīng)濟(jì)學(xué)領(lǐng)域時(shí)，人們認(rèn)為買賣雙方獲得的信息量和內(nèi)容不同，會(huì)使市場上信息多的一方處于相對(duì)優(yōu)勢，而市場上信息少的一方處于相對(duì)劣勢。根據(jù)這一理論，賣方比買方在市場上擁有更可靠、更可信的信息。這種不對(duì)稱問題在股市中普遍存在，由于賣方相對(duì)買方而言更具有優(yōu)勢，賣方可以有選擇地披露信息，而投資者只能被動(dòng)地獲取信息。信息不對(duì)稱會(huì)導(dǎo)致資本市場低效率，而且信息不對(duì)稱的問題越大，其導(dǎo)致價(jià)格和實(shí)際市場價(jià)值之間的差異也越顯著。

(三)認(rèn)知偏差理論

認(rèn)知偏差理論認(rèn)為在決策過程中投資者的認(rèn)知差異，會(huì)導(dǎo)致判斷錯(cuò)誤。面對(duì)各種市場信息，投資者的判斷往往不遵循利潤最大化原則，表現(xiàn)為投資偏差。這種認(rèn)知偏差主要有三種形式：第一，代表性直覺判斷偏差。代表性直覺判斷是指個(gè)體在面臨不確定選擇時(shí)，傾向于根據(jù)過去類似的經(jīng)驗(yàn)來判斷當(dāng)前的情況和決策。然而，只有當(dāng)前的事件與過去的經(jīng)歷非常接近時(shí)，這種判斷才有可信度。因此，基于過去經(jīng)驗(yàn)的判斷幾乎都是偏頗的，這種偏差體現(xiàn)在投資者預(yù)測未來股票走勢時(shí)，總是依賴過去的市場信息和自己的投資經(jīng)驗(yàn)，這很可能導(dǎo)致投資者作出錯(cuò)誤的評(píng)估，進(jìn)而造成股票價(jià)格偏差。第二，可得性偏差?？傻眯云钍侵竿顿Y者傾向于依賴有權(quán)獲得的信息，而不是收集更可靠的信息。在主觀意識(shí)中，投資者把注意力集中在這些現(xiàn)成的信息上，這就會(huì)降低客觀決策的能力。投資者在股市交易時(shí)，面對(duì)媒體的夸張報(bào)道和小道消息，很難辨別必要的信息，所以他們往往更易于相信主流信息，因此投資者容易出現(xiàn)偏差，從而導(dǎo)致股市的混亂。第三，自我歸因偏差。自我歸因偏差是對(duì)過度自信的一種心理解釋，這不僅影響自我認(rèn)知，也影響人們?cè)谌后w中對(duì)自己的評(píng)價(jià)。在這種情況下，投資者會(huì)過于依賴自己的判斷，不管是負(fù)面消息還是正面消息，他們總是反應(yīng)過度，最終導(dǎo)致股市出現(xiàn)異常變化。

三、媒體情緒對(duì)股票收益率及波動(dòng)率的實(shí)證研究

(一)數(shù)據(jù)來源

本文通過東方財(cái)富網(wǎng)(https://www.eastmoney.com/)收集滬深300指數(shù)的每日收盤價(jià)數(shù)據(jù)，通過搜狗指數(shù)平臺(tái)(http://zhishu.sogou.com/)收集“牛市”和“熊市”兩個(gè)關(guān)鍵詞的搜索次數(shù)來度量媒體情緒，選取的樣本區(qū)間為2020年3月24日到2021年3月24日，剔除非交易時(shí)間及節(jié)假日后，共有244個(gè)交易日數(shù)據(jù)。

(二)變量說明

1.媒體情緒

有研究者發(fā)現(xiàn)在牛市中投資者對(duì)媒體的樂觀情緒更加敏感，而在熊市中對(duì)媒體的悲觀情緒更為敏感[11]。當(dāng)關(guān)鍵詞為“牛市”的搜索次數(shù)較高時(shí)，意味著投資者的樂觀情緒高漲，認(rèn)為股票將會(huì)上漲；而當(dāng)關(guān)鍵詞為“熊市”的搜索次數(shù)較高時(shí)，投資者則會(huì)表達(dá)出消極情緒，認(rèn)為股票會(huì)下跌。由于互聯(lián)網(wǎng)媒體的情緒不能夠直接量化，本文參考相關(guān)研究[12-13]，以關(guān)鍵詞為“牛市”和“熊市”的搜狗搜索次數(shù)來構(gòu)建搜狗看漲指數(shù)SgI，計(jì)算出媒體樂觀情緒與消極情緒的變動(dòng)程度，從而達(dá)到度量媒體情緒的目的，如公式(1)所示。

SgIt=Log(1+Nt)-Log(1+Xt)，

(1)

其中：SgIt表示搜狗看漲指數(shù)；Nt表示搜狗指數(shù)中關(guān)鍵詞為“牛市”的搜索次數(shù)；Xt表示搜狗指數(shù)中關(guān)鍵詞為“熊市”的搜索次數(shù)；t表示時(shí)間。

2.滬深300指數(shù)日對(duì)數(shù)收益率

本文將滬深300指數(shù)每日收盤價(jià)數(shù)據(jù)，記為Pt，則滬深300指數(shù)日對(duì)數(shù)收益率Rt可以用公式(2)表示。

Rt=LnPt-LnPt-1，

(2)

其中：Rt表示滬深300指數(shù)日對(duì)數(shù)收益率；Pt表示滬深300指數(shù)當(dāng)日收盤價(jià)；Pt-1表示滬深300指數(shù)上一交易日收盤價(jià)。

3.滬深300指數(shù)日波動(dòng)率

本文對(duì)滬深300指數(shù)日對(duì)數(shù)收益率進(jìn)行平穩(wěn)性檢驗(yàn)、自相關(guān)檢驗(yàn)后，構(gòu)建GARCH(1，1)模型，并對(duì)模型的合理性及顯著性進(jìn)行檢驗(yàn)。基于GARCH(1，1)模型可以計(jì)算出滬深300指數(shù)的波動(dòng)率序列，用VoLt表示。

(三)平穩(wěn)性檢驗(yàn)

本文運(yùn)用EViews8.0軟件對(duì)Rt、SgIt、VoLt以及它們的一階差分序列進(jìn)行ADF檢驗(yàn)，檢驗(yàn)這三個(gè)時(shí)間序列的平穩(wěn)性。結(jié)果表明，Rt、SgIt和VoLt的一階差分序列D(Rt)、D(SgIt)和D(VoLt)，其P值均小于顯著性水平5%，因此，在5%的顯著性水平下D(Rt)、D(SgIt)和D(VoLt)均是平穩(wěn)的時(shí)間序列。

(四)向量誤差修正模型(VECM)

因?yàn)橄蛄空`差修正模型(VECM)的最優(yōu)滯后階數(shù)為1，并利用Eviews8.0軟件進(jìn)行估計(jì)，經(jīng)Johansen協(xié)整檢驗(yàn)Rt、SgIt和VoLt之間存在2個(gè)協(xié)整關(guān)系，所以，得到Johansen協(xié)整方程如公式(3)和公式(4)所示。

ECM1，t-1=-0.002 334+Rt-1+6.150 510VoLt-1，

(3)

ECM2，t-1=-0.580 149+SgIt-1-3 182.926VoLt-1。

(4)

同時(shí)，得到向量誤差修正模型如公式(5)所示，根據(jù)模型的穩(wěn)定性檢驗(yàn)發(fā)現(xiàn)所有根的倒數(shù)均在單位圓內(nèi)，表明VECM模型是穩(wěn)定的。

(5)

其中：ΔRt=Rt-Rt-1；ΔSgIt=SgIt-SgIt-1;ΔVoLt=VoLt-VoLt-1。

(五)格蘭杰因果檢驗(yàn)

為了更好地探究Rt、SgIt和VoLt這三者之間的因果關(guān)系，本文運(yùn)用格蘭杰因果檢驗(yàn)。結(jié)果顯示：在10%的顯著性水平，滯后階數(shù)為2時(shí)，均拒絕了“Rt不是SgIt的Granger原因”“Rt不是VoLt的Granger原因”“VoLt不是SgIt的Granger原因”以及“SgIt不是VoLt的Granger原因”的原假設(shè)。這說明收益率是搜狗看漲指數(shù)和波動(dòng)率的Granger原因，收益率的上升(下降)會(huì)引起搜狗看漲指數(shù)上升(下降)，同時(shí)也會(huì)引起波動(dòng)率發(fā)生變化。而波動(dòng)率和搜狗看漲指數(shù)互為Granger原因，當(dāng)波動(dòng)率出現(xiàn)變化時(shí)，會(huì)引起搜狗看漲指數(shù)變化，并且搜狗看漲指數(shù)也會(huì)影響波動(dòng)率的變化。

表1 格蘭杰因果檢驗(yàn)估計(jì)結(jié)果

(六)脈沖響應(yīng)分析

脈沖響應(yīng)函數(shù)是用來衡量隨機(jī)擾動(dòng)項(xiàng)的影響軌跡對(duì)當(dāng)前和未來其他變量的影響值，它能直接反應(yīng)變量間的動(dòng)態(tài)相互作用和影響。基于VECM模型，可以計(jì)算出系統(tǒng)中變量之間的脈沖響應(yīng)函數(shù)，從而可以對(duì)不同時(shí)滯的脈沖響應(yīng)進(jìn)行比較，確定變量之間的作用時(shí)滯。本文選取的響應(yīng)期數(shù)為10期，得到的脈沖響應(yīng)如圖1～3所示。

圖1 Rt對(duì)Rt、SgIt和VoLt的脈沖響應(yīng)圖

圖1表明，Rt對(duì)來自自身沖擊的總效應(yīng)逐漸減小，到第7期后幾乎為零，說明Rt的長期總效應(yīng)接近于零，不存在自我促進(jìn)的“累積效應(yīng)”。Rt對(duì)SgIt沖擊的總反應(yīng)在1至2期呈現(xiàn)下降的趨勢，為負(fù)值；2期后呈先上升變?yōu)檎岛笤倬徛陆抵敝两咏愕膽B(tài)勢，說明SgIt對(duì)Rt剛開始起短暫抑制作用，然后起短暫促進(jìn)作用；但從長期來看，這種促進(jìn)作用逐漸減弱，長期總效應(yīng)接近于零。Rt對(duì)VoLt沖擊的總反應(yīng)在1至2.5期從零先上升至較低位后再下降至零，2.5期后則呈先下降后再緩慢上升的態(tài)勢，且長期都是負(fù)值，所以VoLt長期不利于Rt，隨著時(shí)間不斷推移才會(huì)逐步接近零，長期總效應(yīng)也是接近于零。

圖2顯示，SgIt對(duì)來自自身沖擊的總效應(yīng)緩慢下降，并且到第10期并沒有趨于零，說明SgIt存在自我促進(jìn)的“累積效應(yīng)”。SgIt對(duì)來自Rt沖擊的總反應(yīng)逐漸減小直至第10期后才接近零，說明Rt對(duì)SgIt在10期內(nèi)發(fā)揮正向促進(jìn)作用，存在一定的“溢出效應(yīng)”，且長期總效應(yīng)接近零。SgIt對(duì)VoLt沖擊的總反應(yīng)在1至5期從零下降后上升至零，5期后一直呈上升的態(tài)勢，說明VoLt對(duì)SgIt在短期存在短暫的抑制作用，長期起緩慢促進(jìn)作用。

圖2 SgIt對(duì)Rt、SgIt和VoLt的脈沖響應(yīng)圖

圖3顯示，VoLt對(duì)自身沖擊的總反應(yīng)呈緩慢下降的趨勢，且一直為正值，說明了VoLt在長期存在自我促進(jìn)的作用。Rt對(duì)VoLt沖擊的總反應(yīng)先下降為負(fù)值然后再逐漸上升，在7.5期上升為正值，但長期的總效應(yīng)趨于零。這說明SgIt對(duì)VoLt沖擊的總反應(yīng)一直呈上升趨勢，即存在長期的促進(jìn)作用。

圖3 VoLt對(duì)Rt、SgIt和VoLt的脈沖響應(yīng)圖

(七)方差分解分析

方差分解是描述系統(tǒng)動(dòng)態(tài)變化，從而定量地把握變量之間的影響關(guān)系。它的基本思想是將系統(tǒng)中每一個(gè)內(nèi)生變量進(jìn)行分類，按其原因分解成系統(tǒng)中每個(gè)變量沖擊的貢獻(xiàn)水平，即變量貢獻(xiàn)的比例。本文基于VECM模型來研究其對(duì)應(yīng)的方差分解，選擇的滯后期數(shù)為10，方差分解的時(shí)間路徑如圖4～6所示。

圖4 Rt的方差分解圖

圖4顯示，Rt對(duì)自身的方差分解一開始呈下降的趨勢，后期逐漸穩(wěn)定在98%的水平，因此收益率當(dāng)期對(duì)后面幾期的貢獻(xiàn)作用會(huì)不斷地減弱，最后將對(duì)自身變動(dòng)的貢獻(xiàn)保持在98%左右的水平；而SgIt和VoLt對(duì)Rt的方差分解則幾乎保持一致，都一直為正且在0～1%內(nèi)表現(xiàn)出略微上升的趨勢，最后達(dá)到1%左右，說明搜狗看漲指數(shù)和波動(dòng)率對(duì)收益率的貢獻(xiàn)作用呈現(xiàn)出非常微弱地增強(qiáng)的態(tài)勢。

圖5表明，SgIt對(duì)自身的方差分解不斷下降，1至2期下降幅度最大，但第3期后對(duì)自身的變動(dòng)貢獻(xiàn)保持在86%左右，說明搜狗看漲指數(shù)當(dāng)期對(duì)后一期的影響最大，但對(duì)以后各期的貢獻(xiàn)都在下降；Rt對(duì)SgIt的方差分解呈現(xiàn)出先上升后下降的趨勢，表明收益率對(duì)搜狗看漲指數(shù)的貢獻(xiàn)作用在短期內(nèi)會(huì)迅速增強(qiáng)，且后期會(huì)穩(wěn)定在8%左右的水平；VoLt對(duì)SgIt的方差分解的時(shí)間路徑1至2期從0迅速上升到8%，然后逐漸下降，最終維持在5%左右的水平，表明了波動(dòng)率對(duì)搜狗看漲指數(shù)的貢獻(xiàn)作用在當(dāng)期會(huì)極快增強(qiáng)，然后逐漸下降至穩(wěn)定。

圖5 SgIt的方差分解圖

圖6發(fā)現(xiàn)，VoLt對(duì)自身的方差分解一直在不斷下降，最終穩(wěn)定在90%左右的水平；Rt對(duì)VoLt的方差分解先微弱上升然后下降并維持在0左右；SgIt對(duì)VoLt方差的分解呈現(xiàn)出持續(xù)上升的態(tài)勢，這說明搜狗看漲指數(shù)對(duì)波動(dòng)率的貢獻(xiàn)作用在長期逐漸增大。

圖6 VoLt的方差分解圖

四、結(jié)論與建議

基于2020年3月24日到2021年3月24日的樣本數(shù)據(jù)，本文運(yùn)用VECM模型、格蘭杰因果檢驗(yàn)、脈沖響應(yīng)分析及方差分解分析探討媒體情緒對(duì)股票市場收益率及波動(dòng)率的影響程度，實(shí)證結(jié)果表明，收益率是搜狗看漲指數(shù)和波動(dòng)率的Granger原因，波動(dòng)率和搜狗看漲指數(shù)互為Granger原因。無論時(shí)間長短，媒體情緒對(duì)股票市場收益率都呈正影響，而波動(dòng)率在短期內(nèi)的增加會(huì)導(dǎo)致媒體情緒的快速低落，長期來看則會(huì)引起媒體情緒的緩慢上漲。

有鑒于此，對(duì)于投資者來說，在投資過程中，應(yīng)當(dāng)提升自身對(duì)風(fēng)險(xiǎn)的識(shí)別能力，在考慮自身資本和收益情況的同時(shí)，還應(yīng)正確認(rèn)識(shí)媒體情緒，避免非理性投資，降低投資的風(fēng)險(xiǎn)；對(duì)于監(jiān)管者來說，搜狗作為當(dāng)下用戶量較大的搜索引擎，可以讓其成為媒體情緒的引導(dǎo)平臺(tái)之一，監(jiān)管者應(yīng)通過對(duì)其發(fā)布的有關(guān)金融輿論進(jìn)行管理和預(yù)警，加大監(jiān)管和處罰的力度，防止夸大事實(shí)、惡意造謠等情況發(fā)生；對(duì)于立法部門來說，應(yīng)制定相應(yīng)的法律法規(guī)，健全互聯(lián)網(wǎng)信息的管理，以加強(qiáng)網(wǎng)絡(luò)信息內(nèi)容的規(guī)范和傳播，讓投資者處在更健康的網(wǎng)絡(luò)環(huán)境中，進(jìn)而促進(jìn)相對(duì)穩(wěn)定的媒體情緒形成，推進(jìn)證券市場的健康有序發(fā)展。