优胜从选择开始,我们是您省心的选择!—— 无忧期刊网
帮助中心
期刊发表
您的位置: 主页 > 论文范文 > 经济论文 > 证券投资论文 > 正文

媒体情绪对股票市场收益率及波动率的影响研究

作者:文阅期刊网 来源:文阅编辑中心 日期:2022-06-30 08:52人气:
摘    要:随着金融市场信息化发展,媒体平台成为投资者获取投资信息的重要渠道。基于行为金融的视角,选取2020年3月24日至2021年3月24日的样本数据,运用VECM模型、格兰杰因果检验、脉冲响应分析及方差分解分析来探讨媒体情绪对股市收益率及波动率的影响程度。实证结果表明:收益率是媒体情绪和波动率的格兰杰原因,而媒体情绪与波动率互为格兰杰原因。无论时间长短,媒体情绪对股票市场收益率都呈正影响,而波动率在短期内的增加会导致媒体情绪的快速低落,长期则会引起媒体情绪的缓慢上涨。
 
关键词:媒体情绪;股票市场;收益率;波动率;
 
 
A Study of the Impact of Media Sentiment on Stock Market Yield and Volatility
FAN Siyuan GUO Jianhua ZHANG Lei
School of Economics and Management, Shaoyang University
 
 
Abstract:
With the development of information technology in financial markets, media platforms have become an important channel for investors to obtain investment information. Based on the perspective of behavioral finance, sample data from March 24, 2020 to March 24, 2021 are selected to explore the influence of media sentiment on stock market yield and volatility based on VECM model, Granger causality test, impulse response analysis and variance decomposition analysis. The empirical results show that stock yield is the Granger cause of media sentiment and volatility, while media sentiment and volatility are the Granger causes of each other. Media sentiment has a positive effect on stock market yield regardless of time duration, while an increase in volatility in the short run causes a rapid downturn in media sentiment and a slow rise in media sentiment in the long run.
 
Keyword:
media sentiment; stock market; yield; volatility;
 
2021年8月27日,中国互联网络信息中心发布的第48次《中国互联网络发展状况统计报告》(以下简称《报告》)显示,截至2021年6月,我国的网民规模已经达到10.11亿人,互联网普及率达到71.6%,较2020年12月提升了1.2%。网民每周的平均上网时间为26.9小时,且在2020年3月达到峰值30.8小时。这说明我们已经处于互联网大数据的时代,互联网信息已经渗透到了生活的方方面面。《报告》还显示,我国搜索引擎用户的规模达到7.9亿人,占我国网民总体规模的78.7%,较2020年12月增长了3.3%。这表明通过搜索引擎了解相关资讯已经成为我国网民的首要选择,如今投资者更愿意在作出投资决策前通过各大互联网搜索平台(例如微信、微博、搜狗、百度、Google等)来获取投资信息。
 
在行为金融学理论中,投资者大部分处于非理性的状态,而现在的大数据信息繁多又真假难辨,他们在作决策时难免会受到互联网媒体的影响,对近期的信息产生过度的反应,从而出现行为偏差,媒体平台无疑是引起这一偏差的重要因素。媒体情绪,无论是悲观的还是乐观的,都会传递给投资者,引起他们对信息的过度反应或反应不足,最终影响股票市场的收益率或波动率。基于此,本文考虑媒体因素,从收益率与波动率两个维度来探讨媒体情绪对股票市场的影响,这不仅可以帮助投资者作出更加理性的决策,还有助于股票市场的健康发展。
 
一、文献综述
关于媒体情绪的度量方法,学者们对传统媒体主要通过汇总统计分析的方法度量情绪指标。有研究者通过文本挖掘技术对新闻报道进行分析,从而构建媒体情绪指标[1];有研究者分析了媒体报道对上市公司并购重组后的收益率的影响[2]。而随着大数据时代的到来,互联网平台的受众日渐增多,学者们开始利用互联网搜索代理变量来度量媒体情绪。有研究者认为百度指数是反映投资者关注度的有效指标,与股票市场具有显著的正相关关系,可以提高现有股票价格预测模型的准确性[3];有研究者利用新浪微博微指数和百度指数构建情绪指标,探究它们与上证综指收益率的关系[4]。
 
关于媒体情绪对股票收益及波动影响方面,有人认为Twitter情绪、发帖量与标准普尔500指数的回报率有关,Twitter数据可以预测股票市场的行为[5];有人基于微信文本挖掘,分析积极、中立以及消极的投资者情绪对上证指数收盘价、成交量、收益率的影响,发现消极情绪会影响收益率,而积极和中立情绪则会对成交量产生影响[6];有人探讨媒体信息与股市之间的相互作用,发现投资者的恐惧情绪对股市回报和条件波动产生持久的影响[7];有人认为媒体情绪会让投资者产生乐观或消极的情绪,直接影响其投资决策,进而导致股票价格的波动[8]。
 
综上所述,国内外学者关于媒体情绪度量的方法大多采用间接指标,对传统媒体如报纸、新闻报道等主要通过数据汇总统计构建媒体情绪指标,对于新型媒体如Google、百度、微博、微信等,则采用互联网搜索平台的历史搜索量来构建媒体情绪指标。而随着互联网时代的发展,互联网媒体不断发展扩大,传统媒体逐渐失去其主导地位,且由于研究方法不同,很多问题仍存在一定的分歧。因此,本文通过搜狗指数的历史搜索数据来构建媒体情绪指标,并从收益率和波动率这两个维度来进行实证研究,综合考虑媒体情绪对股市的影响程度。
 
二、相关理论基础
(一)有限理性理论
有限理性认为人类的行为趋向于尽可能的理性,但理性的程度是有限度的。环境是复杂多变的,人们接收的信息越多,要作的决策就越多,因此不确定性也越大,对信息进行适当、准确处理的能力就越差。同时,由于生理上的限制,人的大脑和神经系统不能合理地处理所有信息,这也导致人们对环境的认知能力有限。因此,注意力的局限性决定了决策的局限理性。有研究者表示由于认知有限,其没有足够的能力去处理信息,从而导致股市的波动[9]。如今是信息充斥的时代,获取信息需要投资者的关注,而信息的价值取决于投资者在决策中如何处理和交换信息。由于注意力有限,投资者可能无法充分利用他们所获得的信息,故投资者收到的信息存在高度的随机性,这种高度随机性不可避免地会导致个人的认知偏差。因此,有限注意力在其决策过程中起关键作用,投资者会对一些信息产生过度反应,而对一些信息则反应不够,从而影响投资者情绪及投资行为,最终对证券市场波动产生一定的影响。
 
(二)信息不对称理论
信息不对称理论最早由Baron(1982)提出,在有限理性人的假设下,人们获取信息的渠道有限,对信息的理解也不一样,从而导致信息不对称[10]。当信息不对称理论首次应用于经济学领域时,人们认为买卖双方获得的信息量和内容不同,会使市场上信息多的一方处于相对优势,而市场上信息少的一方处于相对劣势。根据这一理论,卖方比买方在市场上拥有更可靠、更可信的信息。这种不对称问题在股市中普遍存在,由于卖方相对买方而言更具有优势,卖方可以有选择地披露信息,而投资者只能被动地获取信息。信息不对称会导致资本市场低效率,而且信息不对称的问题越大,其导致价格和实际市场价值之间的差异也越显著。
 
(三)认知偏差理论
认知偏差理论认为在决策过程中投资者的认知差异,会导致判断错误。面对各种市场信息,投资者的判断往往不遵循利润最大化原则,表现为投资偏差。这种认知偏差主要有三种形式:第一,代表性直觉判断偏差。代表性直觉判断是指个体在面临不确定选择时,倾向于根据过去类似的经验来判断当前的情况和决策。然而,只有当前的事件与过去的经历非常接近时,这种判断才有可信度。因此,基于过去经验的判断几乎都是偏颇的,这种偏差体现在投资者预测未来股票走势时,总是依赖过去的市场信息和自己的投资经验,这很可能导致投资者作出错误的评估,进而造成股票价格偏差。第二,可得性偏差。可得性偏差是指投资者倾向于依赖有权获得的信息,而不是收集更可靠的信息。在主观意识中,投资者把注意力集中在这些现成的信息上,这就会降低客观决策的能力。投资者在股市交易时,面对媒体的夸张报道和小道消息,很难辨别必要的信息,所以他们往往更易于相信主流信息,因此投资者容易出现偏差,从而导致股市的混乱。第三,自我归因偏差。自我归因偏差是对过度自信的一种心理解释,这不仅影响自我认知,也影响人们在群体中对自己的评价。在这种情况下,投资者会过于依赖自己的判断,不管是负面消息还是正面消息,他们总是反应过度,最终导致股市出现异常变化。
 
三、媒体情绪对股票收益率及波动率的实证研究
(一)数据来源
本文通过东方财富网(http: //www.eastmoney.com/)收集沪深300指数的每日收盘价数据,通过搜狗指数平台(http: //zhishu.sogou.com/)收集“牛市”和“熊市”两个关键词的搜索次数来度量媒体情绪,选取的样本区间为2020年3月24日到2021年3月24日,剔除非交易时间及节假日后,共有244个交易日数据。
 
(二)变量说明
1.媒体情绪
有研究者发现在牛市中投资者对媒体的乐观情绪更加敏感,而在熊市中对媒体的悲观情绪更为敏感[11]。当关键词为“牛市”的搜索次数较高时,意味着投资者的乐观情绪高涨,认为股票将会上涨;而当关键词为“熊市”的搜索次数较高时,投资者则会表达出消极情绪,认为股票会下跌。由于互联网媒体的情绪不能够直接量化,本文参考相关研究[12,13],以关键词为“牛市”和“熊市”的搜狗搜索次数来构建搜狗看涨指数SgI,计算出媒体乐观情绪与消极情绪的变动程度,从而达到度量媒体情绪的目的,如公式(1)所示。
 
SgIt=Log(1+Nt)-Log(1+Xt), (1)
 
其中:SgIt表示搜狗看涨指数;Nt表示搜狗指数中关键词为“牛市”的搜索次数;Xt表示搜狗指数中关键词为“熊市”的搜索次数;t表示时间。
 
2.沪深300指数日对数收益率
本文将沪深300指数每日收盘价数据,记为Pt,则沪深300指数日对数收益率Rt可以用公式(2)表示。
 
Rt=LnPt-LnPt-1, (2)
 
其中:Rt表示沪深300指数日对数收益率;Pt表示沪深300指数当日收盘价;Pt-1表示沪深300指数上一交易日收盘价。
 
3.沪深300指数日波动率
本文对沪深300指数日对数收益率进行平稳性检验、自相关检验后,构建GARCH(1,1)模型,并对模型的合理性及显著性进行检验。基于GARCH(1,1)模型可以计算出沪深300指数的波动率序列,用VoLt表示。
 
(三)平稳性检验
本文运用EViews8.0软件对Rt、SgIt、VoLt以及它们的一阶差分序列进行ADF检验,检验这三个时间序列的平稳性。结果表明,Rt、SgIt和VoLt的一阶差分序列D(Rt)、D(SgIt)和D(VoLt),其P值均小于显著性水平5%,因此,在5%的显著性水平下D(Rt)、D(SgIt)和D(VoLt)均是平稳的时间序列。
 
(四)向量误差修正模型(VECM)
因为向量误差修正模型(VECM)的最优滞后阶数为1,并利用Eviews8.0软件进行估计,经Johansen协整检验Rt、SgIt和VoLt之间存在2个协整关系,所以,得到Johansen协整方程如公式(3)和公式(4)所示。
 
ECM1,t-1=-0.002 334+Rt-1+6.150 510VoLt-1, (3)
 
 
同时,得到向量误差修正模型如公式(5)所示,根据模型的稳定性检验发现所有根的倒数均在单位圆内,表明VECM模型是稳定的。
 
⎡⎣⎢ΔRtΔSgItΔVoLt⎤⎦⎥=⎡⎣⎢−0.8829100.299794−0.000460⎤⎦⎥ECM1,t−1+⎡⎣⎢0.002795−0.1549731.64×10−5⎤⎦⎥ECM2,t−1+⎡⎣⎢−0.0864253.686728−2.85×10−5⎤⎦⎥ΔRt−1+      ⎡⎣⎢−0.003528−0.347996−2.82×10−6⎤⎦⎥ΔSgIt−1+⎡⎣⎢31.78010−3085.609−0.190906⎤⎦⎥ΔVoLt−1+⎡⎣⎢−5.55×10−50.001677−1.20×10−7⎤⎦⎥+⎡⎣⎢eˆ1teˆ2teˆ3t⎤⎦⎥,         (5)
 
其中:ΔRt=Rt-Rt-1;ΔSgIt=SgIt-SgIt-1;ΔVoLt=VoLt-VoLt-1。
 
(五)格兰杰因果检验
为了更好地探究Rt、SgIt和VoLt这三者之间的因果关系,本文运用格兰杰因果检验。结果显示:在10%的显著性水平,滞后阶数为2时,均拒绝了“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”的原假设。这说明收益率是搜狗看涨指数和波动率的Granger原因,收益率的上升(下降)会引起搜狗看涨指数上升(下降),同时也会引起波动率发生变化。而波动率和搜狗看涨指数互为Granger原因,当波动率出现变化时,会引起搜狗看涨指数变化,并且搜狗看涨指数也会影响波动率的变化。
 
(六)脉冲响应分析
脉冲响应函数是用来衡量随机扰动项的影响轨迹对当前和未来其他变量的影响值,它能直接反应变量间的动态相互作用和影响。基于VECM模型,可以计算出系统中变量之间的脉冲响应函数,从而可以对不同时滞的脉冲响应进行比较,确定变量之间的作用时滞。本文选取的响应期数为10期,得到的脉冲响应如图1~3所示。
 
图1表明,Rt对来自自身冲击的总效应逐渐减小,到第7期后几乎为零,说明Rt的长期总效应接近于零,不存在自我促进的“累积效应”。Rt对SgIt冲击的总反应在1至2期呈现下降的趋势,为负值;2期后呈先上升变为正值后再缓慢下降直至接近零的态势,说明SgIt对Rt刚开始起短暂抑制作用,然后起短暂促进作用;但从长期来看,这种促进作用逐渐减弱,长期总效应接近于零。Rt对VoLt冲击的总反应在1至2.5期从零先上升至较低位后再下降至零,2.5期后则呈先下降后再缓慢上升的态势,且长期都是负值,所以VoLt长期不利于Rt,随着时间不断推移才会逐步接近零,长期总效应也是接近于零。
 
图2显示,SgIt对来自自身冲击的总效应缓慢下降,并且到第10期并没有趋于零,说明SgIt存在自我促进的“累积效应”。SgIt对来自Rt冲击的总反应逐渐减小直至第10期后才接近零,说明Rt对SgIt在10期内发挥正向促进作用,存在一定的“溢出效应”,且长期总效应接近零。SgIt对VoLt冲击的总反应在1至5期从零下降后上升至零,5期后一直呈上升的态势,说明VoLt对SgIt在短期存在短暂的抑制作用,长期起缓慢促进作用。
 
图3显示,VoLt对自身冲击的总反应呈缓慢下降的趋势,且一直为正值,说明了VoLt在长期存在自我促进的作用。Rt对VoLt冲击的总反应先下降为负值然后再逐渐上升,在7.5期上升为正值,但长期的总效应趋于零。这说明SgIt对VoLt冲击的总反应一直呈上升趋势,即存在长期的促进作用。
 
(七)方差分解分析
方差分解是描述系统动态变化,从而定量地把握变量之间的影响关系。它的基本思想是将系统中每一个内生变量进行分类,按其原因分解成系统中每个变量冲击的贡献水平,即变量贡献的比例。本文基于VECM模型来研究其对应的方差分解,选择的滞后期数为10,方差分解的时间路径如图4~6所示。
 
图4显示,Rt对自身的方差分解一开始呈下降的趋势,后期逐渐稳定在98%的水平,因此收益率当期对后面几期的贡献作用会不断地减弱,最后将对自身变动的贡献保持在98%左右的水平;而SgIt和VoLt对Rt的方差分解则几乎保持一致,都一直为正且在0~1%内表现出略微上升的趋势,最后达到1%左右,说明搜狗看涨指数和波动率对收益率的贡献作用呈现出非常微弱地增强的态势。
 
图5表明,SgIt对自身的方差分解不断下降,1至2期下降幅度最大,但第3期后对自身的变动贡献保持在86%左右,说明搜狗看涨指数当期对后一期的影响最大,但对以后各期的贡献都在下降;Rt对SgIt的方差分解呈现出先上升后下降的趋势,表明收益率对搜狗看涨指数的贡献作用在短期内会迅速增强,且后期会稳定在8%左右的水平;VoLt对SgIt的方差分解的时间路径1至2期从0迅速上升到8%,然后逐渐下降,最终维持在5%左右的水平,表明了波动率对搜狗看涨指数的贡献作用在当期会极快增强,然后逐渐下降至稳定。
 
图6发现,VoLt对自身的方差分解一直在不断下降,最终稳定在90%左右的水平;Rt对VoLt的方差分解先微弱上升然后下降并维持在0左右;SgIt对VoLt方差的分解呈现出持续上升的态势,这说明搜狗看涨指数对波动率的贡献作用在长期逐渐增大。
 
四、结论与建议
基于2020年3月24日到2021年3月24日的样本数据,本文运用VECM模型、格兰杰因果检验、脉冲响应分析及方差分解分析探讨媒体情绪对股票市场收益率及波动率的影响程度,实证结果表明,收益率是搜狗看涨指数和波动率的Granger原因,波动率和搜狗看涨指数互为Granger原因。无论时间长短,媒体情绪对股票市场收益率都呈正影响,而波动率在短期内的增加会导致媒体情绪的快速低落,长期来看则会引起媒体情绪的缓慢上涨。
 
有鉴于此,对于投资者来说,在投资过程中,应当提升自身对风险的识别能力,在考虑自身资本和收益情况的同时,还应正确认识媒体情绪,避免非理性投资,降低投资的风险;对于监管者来说,搜狗作为当下用户量较大的搜索引擎,可以让其成为媒体情绪的引导平台之一,监管者应通过对其发布的有关金融舆论进行管理和预警,加大监管和处罚的力度,防止夸大事实、恶意造谣等情况发生;对于立法部门来说,应制定相应的法律法规,健全互联网信息的管理,以加强网络信息内容的规范和传播,让投资者处在更健康的网络环境中,进而促进相对稳定的媒体情绪形成,推进证券市场的健康有序发展。
 
参考文献
 
[1] 刘天宇.媒体报道、机构投资者羊群行为对股票价格的影响研究——基于LSV模型的实证分析[J].中国物价,2018(10):48-51.
[2] 龙文,郭莹,王振,等.媒体报道会影响上市公司并购重组后的收益率吗?[J].投资研究,2019,38(11):65-80.
[3] 陈植元,米雁翔,厉洋军,等.基于百度指数的投资者关注度与股票市场表现的实证分析[J].统计与决策,2016(23):155-157.
[4] 陆慧玲,魏宇,王考考.微指数、百度指数与上证综指收益率预测[J].信息系统学报,2018(1):87-98.
[5] OLIVEIRA N,CORTEZ P,AREA N.The Impact of Microblogging Data for Stock Market Prediction:Using Twitter to Predict Returns,Volatility,Trading Volume and Survey Sentiment Indices[J].Expert Systems with Applications,2017,73(5):125-144.
[6] 石善冲,朱颖楠,赵志刚,等.基于微信文本挖掘的投资者情绪与股票市场表现[J].系统工程理论与实践,2018,38(6):1404-1412.
[7] GRIFFITH J,NAJAND M,SHEN J C.Emotions in the Stock Market[J].Journal of Behavioral Finance,2020,21(1):42-56.
[8] 陆沁晔,陈昊.媒体报道、投资者情绪与股价波动[J].财经问题研究,2021(3):60-67.
[9] KAHNEMAN D,TVERSKY A.On the Psychology of Prediction [J].Psychological Review,1973,80(4):237-251.
[10] BARON D P.A Model of the Demand for Investment Banking Advising and Distribution Services for New Issues[J].The Journal of Finance,1982,37(4):955-976.
[11] 尹海员,王盼盼.媒体报道、市场收益与投资者情绪——基于新闻分析视角[J].软科学,2015,29(7):136-139,44.
[12] CHONG O,SHENG O.Investigating Predictive Power of Stock Microblog Sentiment in Forecasting Future Stock Price Directional Movement[R].Shanghai:Proceedings of the International Conference on Information Systems,ICIS 2011,2011.
[13] MAO H,COUNTES S,BOLLEN J.Quantifying the Effects of Online Bullishness on International Financial Markets[R]. Frankfurt:ECB Statistics Paper,2015.
 
热门排行

在线客服:

无忧期刊网 版权所有   

【免责声明】:所提供的信息资源如有侵权、违规,请及时告知。

专业发表机构