社會互動對股票市場的影響
——基于新浪財經(jīng)博客的實證分析

(浙江大學(xué)經(jīng)濟學(xué)院，浙江 杭州 310027)

引言

對于個體投資者而言，股票投資是一項復(fù)雜的決策，個體通常會面臨知識匱乏和信息不完全的局限性。在這種情況下，社會互動成為投資者交流信息、表達意見的一個重要方式。近年來有相當(dāng)多的文獻討論了社會互動對金融決策行為的影響。Duflo和Saez(2003)[4]的研究證實社會互動對個人購買養(yǎng)老金產(chǎn)品的決策行為產(chǎn)生影響；Hong等(2004)[6]和李濤(2006)[15][16]的研究都表明社會互動會顯著推動居民參與股市投資；Karlan(2005)[7]則提供了通過社會互動影響個體信貸決策的證據(jù)。

隨著互聯(lián)網(wǎng)的飛速發(fā)展，投資者不僅可以在網(wǎng)絡(luò)上獲取信息，而且可以主動發(fā)布信息，與其他投資者互相交流。博客、微博、論壇等網(wǎng)絡(luò)社區(qū)已經(jīng)成為投資者之間進行互動的重要平臺。互聯(lián)網(wǎng)時代，投資者社會互動的規(guī)模、頻率、速度都出現(xiàn)了變革性的提升。基于互聯(lián)網(wǎng)的社會互動對證券市場的發(fā)展是一把雙刃劍。一方面，互聯(lián)網(wǎng)平臺具有及時、覆蓋面廣的特征，投資者之間的社會互動有助于提高市場信息的透明度，由此提高證券市場的信息有效性；另一方面，與傳統(tǒng)媒體的權(quán)威性相比較，互聯(lián)網(wǎng)平臺具有匿名性、草根性的特點，極易成為謠言傳播和主觀情緒宣泄的主要渠道，投資者之間的社會互動會導(dǎo)致市場價格產(chǎn)生過度反應(yīng)，從而影響市場的穩(wěn)定性。研究基于互聯(lián)網(wǎng)的投資者社會互動對股票市場的影響，在理論上有利于探索互聯(lián)網(wǎng)時代資產(chǎn)定價的新特征，在實踐上有助于為促進網(wǎng)絡(luò)媒體規(guī)范運作和金融市場穩(wěn)定發(fā)展提供政策依據(jù)。

本文以網(wǎng)絡(luò)互動平臺——新浪財經(jīng)博客為例探究社會互動對股票市場的影響。與已有文獻相比，本文的創(chuàng)新點體現(xiàn)在以下幾個方面。第一，從研究對象上來看，與已有文獻采用的調(diào)查和實驗方法不同，我們用財經(jīng)博客作為刻畫投資者社會互動的媒介。雖然當(dāng)前信息傳播和交流的媒介形式多樣，但財經(jīng)博客在描述投資者社會互動上具有一定的優(yōu)勢。與股吧等投資者論壇相比，財經(jīng)博客表達的是專業(yè)人士的觀點見解，股票投資本身是一種專業(yè)行為，市場上大多數(shù)散戶都缺乏相關(guān)專業(yè)知識，財經(jīng)博客能夠較好地刻畫普通投資者如何通過與專業(yè)博主之間的交流來獲取相關(guān)信息；與報紙新聞或者電視新聞相比，報紙、電視僅僅只是單向的信息傳播平臺，具體的互動影響范圍、互動的程度都無法觀察，以博客為研究對象，可以通過閱讀量、評論/轉(zhuǎn)發(fā)/喜歡/收藏數(shù)或者博主的人氣等角度來刻畫互動的特征。第二，從研究方法來看，我們采用文本挖掘技術(shù)獲取新浪財經(jīng)博客網(wǎng)頁上的相關(guān)信息，不僅統(tǒng)計博客閱讀量等數(shù)值型數(shù)據(jù)，更進一步分析博客文本包含的情緒傾向，據(jù)此構(gòu)造的變量比較全面地揭示了社會互動的程度和屬性。第三，從研究的視角來看，已有文獻對社會互動的研究，較多地分析了社會互動對個體決策行為的影響，例如對股票投資參與度、對個人信貸決策和購買養(yǎng)老金產(chǎn)品決策的影響，本文的研究則檢驗了社會互動對股票市場收益率、波動率和成交量的影響，揭示社會互動對股票市場產(chǎn)生的宏觀效應(yīng)。

文獻綜述

與本文主題相關(guān)的文獻包括兩個方面，一是社會互動；二是以微博、博客為代表的網(wǎng)絡(luò)互動平臺對股票市場的影響。

一、社會互動的涵義及其度量方法

社會互動是來自社會學(xué)的概念。巴克(1984)[12]認為社會互動是一方或多方的反應(yīng)，取決于或依賴于另一方所說所做的程度，社會情景則隨著這種程度而變化。Durlauf和Ioannides(2010)[5]將社會互動的內(nèi)涵從社會學(xué)范疇拓展到了經(jīng)濟學(xué)范疇，他們認為社會互動是指個體之間的相互依賴性，在這些相互依賴性作用之下，一個兼具社會和經(jīng)濟行為特性的人，其偏好、信念以及其所面臨的預(yù)算約束都受到其他人的特征與選擇的直接影響。

近年來，經(jīng)濟學(xué)的研究逐步開始討論社會互動對經(jīng)濟行為的影響。社會互動這一概念的引入也給經(jīng)濟學(xué)研究帶來了新的視角。Duflo和Saez(2003)[4]采用實驗的方法研究了社會互動對個人做出購買養(yǎng)老金產(chǎn)品決策的影響，結(jié)論表明這種影響是顯著的。Hong等(2004)[6]在控制了財富水平、種族、受教育程度和風(fēng)險忍受程度后發(fā)現(xiàn)，那些經(jīng)常與鄰居互動交流、出席教會的人參與股市投資的可能性更大，并且這種社會互動的影響在那些股市參與度更高的地區(qū)更加顯著。Hong等(2004)[6]以及Karlan(2005)[7]還分別提供了通過社會互動獲得信息而影響基金經(jīng)理持股行為和通過社會互動交流感受而影響個體信貸決策的證據(jù)。李濤(2006a)[15]研究了我國社會互動與股市參與的關(guān)系，通過問卷調(diào)查采用“居民在2004年春節(jié)期間以各種形式給親屬、朋友以及認識的人拜年的總?cè)藬?shù)”和“居民對自己在社會上人際交往程度的主觀評價”這兩個指標(biāo)來衡量社會互動，結(jié)果表明社會互動推動了居民參與股市。李濤(2006b)[16]采用問卷的方式對2005年我國12個城市的居民進行了抽樣調(diào)查，詳盡調(diào)查了居民的13種常見個人投資項目(包括銀行存款、外匯、股票等)，對于個體以及個體周圍的人是否投資于這13種項目分別設(shè)立虛擬變量，并對“個體做投資決策時是否依賴來自朋友的信息”、“個體投資過程中與朋友交流的重要性判斷”等信息進行量化，結(jié)果表明社會互動推動了個體對這些投資項目的參與。朱光偉等(2014)[18]利用中國家庭金融調(diào)查2011年數(shù)據(jù)，發(fā)現(xiàn)關(guān)系對家庭股市參與的正向促進的影響渠道之一是社會互動。他們按社區(qū)的股市參與率將社區(qū)劃分為高、中、低參與率社區(qū)并設(shè)置為虛擬變量，發(fā)現(xiàn)高參與率社區(qū)和關(guān)系的交叉項顯著為正，而低參與率社區(qū)和關(guān)系的交叉項顯著為負，這意味著在股市參與率更高的社區(qū)，社會互動推動家庭參與股市的作用會更大。郭士祺和梁平漢(2014)[14]研究社會互動對家庭股市參與的影響，他們得到的結(jié)論與朱光偉等(2014)[18]類似，并認為傳統(tǒng)的社會互動正被網(wǎng)絡(luò)信息渠道部分替代。

二、微博、博客對股票市場的影響

關(guān)于微博、博客影響的研究，由傳媒學(xué)領(lǐng)域拓展開來的主要包括市場營銷、金融學(xué)等領(lǐng)域。在市場營銷領(lǐng)域，Mishne和Glance(2006)[9]研究了博客情緒和電影票房之間的關(guān)系，結(jié)果表明無論是電影上映之前還是之后，博客對電影的討論與電影的票房收入有顯著正相關(guān)性，博客積極的情緒是電影票房成功的有效預(yù)測指標(biāo)。Liu等(2007)[8]構(gòu)建了一個利用博客情緒信息和商品過去的銷售表現(xiàn)來預(yù)測商品未來銷售情況的模型。以電影票房收入為例，該模型的準確性和有效性均得到了驗證。

金融學(xué)領(lǐng)域的研究方向主要是微博、博客對股票市場的影響。Zhang等(2011)[11]分析每條Twitter包含的情緒，分為積極情緒和消極情緒，用包含情緒的Twitter數(shù)量占總Twitter數(shù)量的比例作為一個自變量指標(biāo)，發(fā)現(xiàn)這個比例與道瓊斯指數(shù)、納斯達克指數(shù)和標(biāo)普500指數(shù)均呈顯著負相關(guān)，但與芝加哥期權(quán)交易所波動率指數(shù)顯著正相關(guān)。類似地，Bollen等(2011)[2]基于Twitter，使用谷歌提供的情緒挖掘工具OpinionFinder(OF)和Google-Profile of Mood States (GPOMS)來度量文本情緒。OF能實時量化當(dāng)前網(wǎng)絡(luò)上積極情緒和消極情緒的強度；GPOMS則能將情緒細分為六類(平靜(calm)，警惕(alert)，確信(sure)，至關(guān)重要(vital)，和藹(kind)和高興(happy))。實證結(jié)果表明積極和消極情緒的比例僅對滯后一天的道瓊斯指數(shù)變化產(chǎn)生顯著影響，而六個維度的情緒序列中僅calm對滯后2到6天的道瓊斯指數(shù)變化情況影響顯著。

De Choudhury等(2008)[3]專門針對4家美國科技類公司，分析了2007年1～11月之間關(guān)于這4家公司博客的特征，包括博客數(shù)量、評論數(shù)量、評論平均長度和回復(fù)時間、不同的評論回復(fù)者的角色等，結(jié)果表明量化這些博客的特征之后，它們與公司股價每天的變化率顯著相關(guān)，在股價變動方向的預(yù)測上有87%的準確性，在股價變動規(guī)模上有78%的準確性。Ruiz等(2012)[10]不僅關(guān)注股價的變動還研究了交易量的變動，發(fā)現(xiàn)Twitter自身特征與股票交易量之間的關(guān)系比與股價之間的關(guān)系更加顯著。

岑維等(2014)[13]通過深交所“互動易”平臺這一類似微博網(wǎng)站的問答數(shù)據(jù)，將深市上市公司某月被投資者提問的問題數(shù)作為投資者關(guān)注度的衡量指標(biāo)，發(fā)現(xiàn)關(guān)注度越高，股票收益越高，股票波動率風(fēng)險和流動性風(fēng)險越低，表明深交所“互動易”這一投資者和上市公司之間的互動平臺可以顯著的降低信息不對稱、穩(wěn)定市場和保護投資者權(quán)益。張繼勛和韓冬梅(2015)[19]根據(jù)深交所“互動易”平臺統(tǒng)計數(shù)據(jù)，通過實驗向被試提供上市公司管理層回復(fù)及時性和明確程度的信息，及時回復(fù)組被試被告知管理層一般24小時內(nèi)回復(fù)，不及時回復(fù)組被試被告知管理層一般在一兩天回復(fù)，有時在一周之后，而管理層回復(fù)明確程度則是通過向被試提供在互動平臺上以一問一答的形式出現(xiàn)的五組公司管理層回復(fù)投資者的實例。實驗結(jié)果表明管理層回復(fù)越及時，回復(fù)明確程度越高，投資者的投資可能性越高。

研究背景和理論假設(shè)

從互動的主體來看，目前國內(nèi)典型的財經(jīng)互動平臺可以分為三種類型。第一類是上市公司與投資者之間的互動平臺，比如深交所的“互動易”以及各上市公司的官方博客、微博，是網(wǎng)絡(luò)時代提高上市公司信息透明度重要途徑；第二類是投資者之間的互動平臺，以東方財富網(wǎng)股吧為典型代表，股吧提供了雙向信息交互方式,已成為中小投資者分享投資經(jīng)驗的重要平臺，但也具有鮮明的草根特點，其中的信息表現(xiàn)出非理性情緒多、虛假信息多、無關(guān)信息多等特點(證券市場導(dǎo)報，2012)[17]。第三類是財經(jīng)名家或者專業(yè)投資者與普通投資者的互動平臺，包括新浪、搜狐以及和訊的博客，專業(yè)人士作為博主發(fā)表財經(jīng)評論，并與其他博主、普通投資者展開互動1。本文的研究對象是第三類互動平臺。

新浪博客自2005年上線，采用以明星吸引大量草根博客的策略，逐漸形成了分布廣泛、基礎(chǔ)龐大而穩(wěn)定的用戶群。根據(jù)Alexa中國官方網(wǎng)站2016年2月的及時數(shù)據(jù)，新浪博客的人均頁面瀏覽量為3.69，而其主要競爭對手網(wǎng)易博客、搜狐博客的人均頁面瀏覽量分別為1.35和1.67，新浪博客的知名度和活躍度在同類網(wǎng)絡(luò)平臺中處于領(lǐng)先地位。新浪財經(jīng)博客匯集了財經(jīng)界眾多知名學(xué)者和專業(yè)投資者,每日刊發(fā)眾多財經(jīng)評論和觀點。鑒于新浪財經(jīng)博客具有較大的知名度和影響力，本文將其作為研究對象。

圖1顯示了基于博客的社會網(wǎng)絡(luò)關(guān)系。根據(jù)社會網(wǎng)絡(luò)的分析方法，在一部分局部網(wǎng)絡(luò)中，一些行動者具有“中心性”，他們居于中心地位并往往與他者有多種關(guān)聯(lián)。我們認為博主便是這樣一個在局部網(wǎng)絡(luò)中處于中心地位的角色。基于博客的社會互動包含了三個層次：首先，不同博主之間存在相互關(guān)注、訪問的關(guān)系；第二，投資者通過閱讀博客、轉(zhuǎn)載或評論等與博主產(chǎn)生直接交流關(guān)系；第三，不同的投資者之間存在信息溝通。從社會互動的內(nèi)涵來看，以上三層關(guān)系均屬于社會互動的范疇。本文所要研究的社會互動指上述的第二層關(guān)系，即投資者與博主的互動。

圖1 博客的社會網(wǎng)絡(luò)關(guān)系與互動傳播模式

博主與投資者之間的互動對投資決策的影響可以通過以下兩個渠道來實現(xiàn)。首先，財經(jīng)博客的博主是財經(jīng)界名人或者至少是具有一定財經(jīng)專業(yè)知識的專業(yè)人士，大多數(shù)散戶投資者都是缺乏相關(guān)專業(yè)知識的，因此，財經(jīng)博客自然成為投資者十分倚重的信息源和決策基礎(chǔ)，他們所傳遞的信息也往往被投資者當(dāng)做具有權(quán)威性的意見來認知、傳播，從而影響投資者的信息結(jié)構(gòu)以及對信息的解讀。其次，投資者在評論/轉(zhuǎn)發(fā)博客時會對接收的信息進一步深化，或者通過評論來表達自己的相反意見，評論/轉(zhuǎn)發(fā)這一系列行為又會影響投資者的判斷和決策。以上兩個方面表明，互動會影響投資者對信息的感知和處理，并最終影響投資行為，也就是說，處于中心地位的博主以這樣一種發(fā)散式網(wǎng)狀互動模式，一層一層地對投資者產(chǎn)生直接、間接影響，從而通過投資者的交易行為持續(xù)作用于股票市場。

根據(jù)以上分析，本文提出的理論假設(shè)是以博客為平臺的社會互動模式會對我國股票市場產(chǎn)生影響。

研究設(shè)計

一、樣本選取與數(shù)據(jù)來源

我們選取新浪財經(jīng)博客中與股票市場聯(lián)系最直接、關(guān)聯(lián)度最高的四個板塊“獨家看市”、“博客看市”、“板塊/個股”以及“證券市場”作為博客樣本。時間跨度確定為2013年12月18日～2015年11月27日，包含了股票指數(shù)逐步進入上升階段，價格不斷膨脹，隨后猛烈下跌的周期。我們通過文本挖掘來獲取每篇博客的文本信息、博客的閱讀數(shù)、評論/轉(zhuǎn)發(fā)/喜歡/收藏數(shù)、博主的關(guān)注人氣等內(nèi)容，并通過文本分類來獲取每篇博客所傳遞的信號或者情緒，由此構(gòu)建以日為單位的反映社會互動的各項指標(biāo)。

股票市場的變量包括市場指數(shù)的收益率、波動率和成交量。數(shù)據(jù)均來自Wind數(shù)據(jù)庫，收益率選用滬深300指數(shù)當(dāng)日漲跌幅率，波動率選用滬深300指數(shù)近26周波動率，按照26周窗口滾動計算，計算公式為其中xi是區(qū)間內(nèi)對數(shù)收益率，μx為平均收益率。

二、變量構(gòu)造說明

為了獲得新浪財經(jīng)博客的相關(guān)數(shù)據(jù)，我們需要采用文本挖掘技術(shù)來摘取網(wǎng)頁上的信息。使用Gooseeker網(wǎng)絡(luò)爬蟲軟件掃描博客網(wǎng)站的底層代碼，通過html標(biāo)簽來抓取原始數(shù)據(jù)。在原始數(shù)據(jù)清洗與整理之后得到1262條博主數(shù)據(jù)和142579條博文數(shù)據(jù)。博主數(shù)據(jù)的變量包括博主ID、博主主頁、博主昵稱、關(guān)注人氣等；博文數(shù)據(jù)的主要變量是博客ID、博客標(biāo)題、博客發(fā)表時間、閱讀數(shù)/評論數(shù)/喜歡數(shù)/收藏數(shù)/轉(zhuǎn)發(fā)數(shù)等。我們統(tǒng)計了關(guān)注度最高的10位博主信息，如表1所示。

表1 關(guān)注度最高的10位博主信息

我們以日為單位構(gòu)建社會互動變量。變量構(gòu)建步驟如下：

第一步，按如下公式計算每日的博客數(shù)量、閱讀數(shù)、評論/轉(zhuǎn)發(fā)/喜歡/收藏數(shù)以及高人氣博主所占比例。

每日高人氣博主所占比例的計算方法是將1262位博主按照關(guān)注人氣排序，選取關(guān)注人氣排名前100的博主。我們將這100位博主定義為高人氣博主，然后統(tǒng)計每天發(fā)表博客的博主中這些高人氣博主所占比例。

第二步，利用文本分類方法，確定每日的情緒指數(shù)。

142579篇博客按照它所傳遞的信號被分為“積極”、“中立”和“消極”三類。由于博客正文篇幅過長，這里我們僅針對博客標(biāo)題進行分類2。分類的過程主要如下：首先，從全體博客樣本中隨機抽取一小部分作為“訓(xùn)練數(shù)據(jù)集”進行人工分類。為了保證訓(xùn)練數(shù)據(jù)集分類客觀、有代表性，我們從全體樣本中抽取2000條博客，邀請三位金融學(xué)研究生共同進行人工分類：若認為博客標(biāo)題傳遞的是積極信號或情緒則分類為“積極”；若博客標(biāo)題傳遞的是消極信號或情緒則分類為“消極”；若是中性信號則分類為“中立”。取三人的眾數(shù)作為最終結(jié)果，若三人的分類各異，則把該條博客歸為“中立”。然后，計算機通過學(xué)習(xí)訓(xùn)練數(shù)據(jù)集的結(jié)果建立計算機自己的分類模型。我們使用應(yīng)用最廣泛的數(shù)據(jù)挖掘開源包Weka，將多種算法進行比較后選擇正確率最高的KNN算法3，并選取參數(shù)K=5。最后，將訓(xùn)練得到的分類模型再反過來應(yīng)用在訓(xùn)練數(shù)據(jù)集上進行驗證，發(fā)現(xiàn)計算機對博客分類的正確率超過90%，這說明分類方法較為準確地判斷了博客傳遞的信號4。

在對142579篇博客進行情緒分類之后，我們借鑒Antweiler和Frank(2004)[1]的方法構(gòu)建博客情緒指數(shù)。假設(shè)一天中傳遞“積極”信號的所有博客數(shù)量設(shè)為一天中傳遞“消極”信號的所有博客數(shù)量設(shè)為則每日的博客情緒指數(shù)構(gòu)造如下：

可以看出，該指數(shù)越大，表明當(dāng)天博客整體傳遞的信號或情緒越積極，反之，越消極。

第三步，構(gòu)造包含情緒特征的互動變量。

互動的主體是博主與投資者，從博主的角度，一方面我們需要考察眾多博主的互動訴求如何，即每天有多少篇博客被發(fā)表；另一方面則是博主的影響力，在所有博客中，其博主為高人氣博主的比例如何。從投資者的角度，一方面可以通過博客的閱讀量來衡量互動覆蓋范圍的大小，另一方面可以通過博客的評論/轉(zhuǎn)發(fā)/喜歡/收藏數(shù)來衡量互動程度的高低。除了上述衡量互動程度的指標(biāo)之外，我們構(gòu)造的互動變量還需要包含博客所傳遞的情緒傾向，也就是這種社會互動的屬性是消極、積極還是中性。

結(jié)合第一步中計算出的每日的博客數(shù)量、閱讀數(shù)、評論/轉(zhuǎn)發(fā)/喜歡/收藏數(shù)和高人氣博主所占比例，以及第二步中構(gòu)建的每日博客情緒指數(shù)，將它們分別相乘取乘積，便可以確定最終的每日包含情緒的社會互動變量，如表2所示。

實證結(jié)果與分析

一、變量描述性統(tǒng)計

在我們的樣本期內(nèi)，共有475個交易日。表3是本文所使用的每日博客數(shù)據(jù)的統(tǒng)計情況。

475個交易日中，博客數(shù)量平均值為276，發(fā)表最多的一天達448篇。閱讀數(shù)最多的一天平均每篇博客被閱讀了34086次，閱讀數(shù)最少的一天則是1754次。評論/轉(zhuǎn)發(fā)/喜歡/收藏數(shù)中，平均值最大的是喜歡數(shù)76.57，表明投資者使用最多的一種互動形式是點擊“喜歡”，就像在微博、微信等社交平臺上點贊一樣，由于最為方便快捷而成為了投資者最喜歡的互動形式。一些博客關(guān)閉了評論功能或者禁止轉(zhuǎn)載，但我們難以分辨究竟是博主關(guān)閉了這種功能還是沒有人評論和轉(zhuǎn)發(fā)，兩種情況混在一起，會使得我們統(tǒng)計出來的數(shù)據(jù)偏低，因此在下文的分析中我們僅使用其中的“喜歡數(shù)”來作進一步的分析。高人氣博主所占比例的均值為0.20，并且大多比例都介于0.15和0.30之間，較為穩(wěn)定。

表2 社會互動變量的構(gòu)造

表3 每日博客原始數(shù)據(jù)描述性統(tǒng)計

關(guān)于博客情緒指數(shù)，根據(jù)上文的構(gòu)建方法可知，情緒指數(shù)大于0，說明當(dāng)天的博客整體傳遞出積極信號，數(shù)值越大，積極信號越強烈；情緒指數(shù)等于0，傳遞中性信號；情緒指數(shù)小于0，則整體傳遞消極信號。本文的475個樣本中，213天的數(shù)值小于0，平均值為-0.27；等于0的天數(shù)為16天；其余246天的情緒指數(shù)均大于0，平均值為0.29。各互動變量和股票市場變量的描述性統(tǒng)計，如表4所示。

為了能夠直觀地觀察互動變量與股票市場的關(guān)系，我們選取其中的幾組變量繪制成如圖所示的變化曲線。圖2的左軸是博主的互動訴求——包含情緒的博客數(shù)量，右軸是滬深300指數(shù)收益率。總體來看，兩者呈現(xiàn)出一定的聯(lián)動關(guān)系，收益率的上漲往往伴隨著博主的互動訴求的增加。

表4 主要變量描述性統(tǒng)計

圖2 博主的互動訴求與滬深300指數(shù)收益率

圖3 博客閱讀量與滬深300指數(shù)成交量

圖3顯示了博客閱讀量與滬深300指數(shù)成分股成交量隨時間變化的趨勢。左軸代表博客閱讀量，右軸代表成交量。成交量在2014年10月底開始陡增，隨后的階段博客閱讀量與成交量存在明顯的正向動態(tài)關(guān)系5，尤其是在2015年3～6月股市成交量迅猛增加的時期，投資者熱情高漲，博客閱讀量也顯著上升。在2015年6～7月股災(zāi)發(fā)生的階段，成交量迅速萎縮，而博客閱讀量曾出現(xiàn)急劇上升的情況，這意味著市場的高度不確定性引發(fā)了大量投資者的關(guān)注，人們不愿意相信牛市終結(jié)了。至2015年10月成交量和博客閱讀量雙雙跌落到低點，這表明投資者對市場已經(jīng)失去信心。

二、社會互動對股票市場的影響

本文中股票市場的相關(guān)變量是以時間序列的形式呈現(xiàn)的，因此我們采用GJR-GARCH(1,1)模型來分析社會互動對股票市場的影響。

我們使用Stata計量軟件。首先，對各個互動變量和股票市場變量序列進行ADF平穩(wěn)性檢驗，結(jié)果顯示，所有互動變量均為平穩(wěn)時間序列，滬深300指數(shù)收益率為平穩(wěn)序列(收益率單位為%)，而波動率和成交量取其一階差分Dvolatility和Dvolume后平穩(wěn)。接著，我們檢驗是否存在ARCH效應(yīng)。以滬深300指數(shù)收益率和包含情緒的博客數(shù)量為例，先建立簡單的線性模型：

BG檢驗的p值為0.0409，在5%顯著性水平下拒絕“無自相關(guān)”的原假設(shè)，即認為存在線性的自相關(guān)關(guān)系，因而修改上述簡單線性模型為：

BG檢驗的p值為0.2564，無法拒絕“無自相關(guān)”的原假設(shè)，即認為不存在線性的自相關(guān)關(guān)系。然后對該線性模型做ARCH效應(yīng)檢驗：采用最小二乘法OLS估計原方程，進而對殘差平方序列進行Q檢驗，結(jié)果顯示存在ARCH效應(yīng)。

最后，我們建立GJR-GARCH(1,1)模型，具體形式如下：

其中，λ1表示包含情緒的博客數(shù)量對滬深300指數(shù)收益率的影響，衡量了博主的互動訴求是否會影響到市場指數(shù)的收益率。α1、?1和?1則分別是ARCH項、GARCH項和TARCH的系數(shù)，其中，dt-1為虛擬變量，當(dāng)隨機擾動項εt-1小于0(表示負沖擊)時，dt-1等于1，反之等于0，因此，若?1大于0，表示負的沖擊對收益率的影響要大于同等強度的正向沖擊，小于0則表示正向沖擊對收益率的影響要大于同等強度的負沖擊。這里，我們需要重點考察的是系數(shù)λ1。

對于其他幾組變量，采用上述同樣的方法檢驗ARCH效應(yīng)并構(gòu)建模型。

表5、6、7和8顯示了四個互動變量分別與滬深300指數(shù)收益率、波動率和成交量回歸的結(jié)果(其中收益率的單位取%)。

表5 博主對互動的訴求EN對股票市場的影響

表5的結(jié)果顯示，包含情緒的博客數(shù)量EN對滬深300指數(shù)收益率在1%顯著性水平上具有正向影響、對成交量在5%顯著性水平上具有正向影響，但對于波動率的影響不顯著。這表明財經(jīng)博客的博主作為互動的主體，他們的互動訴求越強烈，包含情緒的博客數(shù)量越大，那么這種互動效應(yīng)就越能影響到市場指數(shù)收益率和成交量的提高。

從表6可以看出，包含情緒的高人氣博主所占比例與滬深300指數(shù)收益率與成交量都呈顯著正相關(guān)關(guān)系，而與波動率關(guān)系不顯著。說明互動主體的影響力會在一定程度上增加市場收益、擴大成交量。

表7和表8的結(jié)果顯示，互動覆蓋范圍與滬深300指數(shù)收益率和成交量均顯著正相關(guān)，與波動率負相關(guān)但是不顯著；互動程度同樣與收益率和成交量正相關(guān)并且顯著，同時與波動率負相關(guān)但不顯著。我們知道，互動覆蓋范圍和互動程度是分別由閱讀數(shù)和喜歡數(shù)與博客情緒指數(shù)的乘積項來衡量的，對于同樣的閱讀數(shù)或喜歡數(shù)，若情緒越積極，或者對于同樣的情緒指數(shù)，若閱讀數(shù)或喜歡數(shù)越高，互動的效應(yīng)就會越大，這種效應(yīng)帶來了股市收益率和成交量的增加。

此外，表5、6、7和8的結(jié)果中，波動率方程中的TARCH(1)項均顯著為負，而成交量方程中的TARCH(1)項均顯著為正，表明對波動率來說，正向沖擊的影響比同等強度的負向沖擊的影響更大，即好消息對波動率的波動性的影響大于壞消息；而對成交量來說，負向沖擊的影響比同等強度的正向沖擊的影響更大，即壞消息對成交量的波動性的影響大于好消息。

表6 博主的影響力EI對股票市場的影響

表7 互動覆蓋范圍ER對股票市場的影響

表8 互動程度EL對股票市場的影響

三、穩(wěn)健性檢驗

為了進一步考察社會互動對股票市場的影響同時對上述結(jié)果進行穩(wěn)健性檢驗，我們按照滬深300指數(shù)點位分組回歸、更換因變量為上證指數(shù)和創(chuàng)業(yè)板指數(shù)再進行回歸。

根據(jù)2014～2015年滬深300指數(shù)的具體情況來看，2015年6月8日到達最高5335.12點，此前指數(shù)呈明顯上漲期，而此后呈明顯下跌期。因此，我們以2015年6月8日為節(jié)點，將總體樣本分為兩個部分分別對收益率進行回歸：5335.12點之前，359個交易日，為上漲期；5335.12點之后，116個交易日，為下跌期。回歸結(jié)果如表9所示(此處僅報告均值方程中社會互動變量的系數(shù)情況)。

上文總體樣本的回歸的四個互動變量均顯著，此處分組的結(jié)果與總體樣本保持一致。再進一步觀察回歸結(jié)果，下跌期樣本的系數(shù)均大于上漲期樣本。例如，對于互動程度EL，EL每增加(減少)一單位，下跌期樣本對指數(shù)收益率的影響是低指數(shù)點位樣本的1.87倍。由此可見，在我國股市2015年6月以后出現(xiàn)的暴跌階段，面對股市高度的不確定性，投資者之間社會互動對股票市場產(chǎn)生了更為顯著的影響。

表10是以上證指數(shù)收益率和創(chuàng)業(yè)板指數(shù)收益率為因變量的估計結(jié)果。我們將上文的滬深300指數(shù)的結(jié)果同時列出進行比較。可以看出，四組因變量回歸的結(jié)果不論是互動變量的系數(shù)方向還是顯著性水平均保持一致，只是系數(shù)大小不同。總體來看，社會互動對創(chuàng)業(yè)板指數(shù)的影響略大一些，這可能是處于成長階段的創(chuàng)業(yè)板更容易受到社會互動這種外部因素的作用。

表9 互動變量對滬深300指數(shù)收益率影響的分組回歸結(jié)果(均值方程)

表10 互動變量對滬深300指數(shù)、上證指數(shù)、創(chuàng)業(yè)板指數(shù)收益率的影響(均值方程結(jié)果)

結(jié)論

本文以新浪財經(jīng)博客作為社會互動的方式，實證檢驗社會互動對股票市場的影響。從互動的主體——博主和投資者兩個角度出發(fā)，我們利用文本挖掘技術(shù)分析了2013年12月～2015年11月期間博客文本的情緒傾向，構(gòu)造了四個變量來描述和衡量投資者的社會互動。具體包括博主的互動訴求、博主的影響力、互動覆蓋范圍和互動程度。實證結(jié)果顯示博主的互動訴求、博主的影響力、互動覆蓋范圍和互動程度對市場指數(shù)的收益率和成交量存在正向影響。樣本期間我國股票市場發(fā)生了劇烈的震蕩，股指呈現(xiàn)倒U型走勢。以2015年6月股指達到頂點為分界線，我們發(fā)現(xiàn)社會互動對收益率的影響程度在指數(shù)處于下跌期時比上升期時更大。與滬深300指數(shù)和上證指數(shù)相比，創(chuàng)業(yè)板指數(shù)收益率受到互動的影響更大。此外，博主的互動訴求、博主的影響力、互動覆蓋范圍和互動程度對波動率均沒有顯著影響。

本文的結(jié)論為網(wǎng)絡(luò)互動對股票市場產(chǎn)生的影響提供了證據(jù)。基于上述結(jié)論，我們認為在互聯(lián)網(wǎng)時代，監(jiān)管當(dāng)局應(yīng)該規(guī)范網(wǎng)絡(luò)互動平臺，杜絕不實謠言，并積極引導(dǎo)投資者理性、健康地參與社會互動，在長期內(nèi)營造和諧的、有助于推動經(jīng)濟發(fā)展與改革的社會互動氛圍。而對于財經(jīng)博客的博主來說，作為一名財經(jīng)專業(yè)人士，應(yīng)該理性表達自己的觀點態(tài)度，不能為了吸引讀者眼球、彰顯個性、提升知名度而刻意夸大說法；此外，還應(yīng)該避免傳遞盲目樂觀或者過分悲觀的信號及情緒，以此引導(dǎo)投資者行為趨于理性，為市場的發(fā)展產(chǎn)生積極的作用。

注釋

1. 近年來興起的雪球網(wǎng)兼具第二類和第三類平臺的特征，即有實名認證的知名專業(yè)人士，也有普通投資者。

2. 通常情況下，投資者在瀏覽博客時，正文部分不一定會看完，或者僅僅瀏覽博客列表，那么此時投資者接收到的信息幾乎完全來自博客標(biāo)題，因此我們僅針對標(biāo)題分類也具有現(xiàn)實合理性。

3. KNN算法的基本原理是：如果一個樣本與K個最相似的樣本中的大多數(shù)屬于某一個類別，則該樣本也屬于這個類別。例如，在K=5時，有某篇待分類的博客，我們找出它在訓(xùn)練數(shù)據(jù)集中特征最相近的5篇博客，如果其中有3篇博客都是積極類，則該篇博客也被分類為積極。

4. 實際上，計算機對博客分類的錯誤大多來自將一部分傳遞積極或消極信號的博客歸為了中立類型，而混淆積極和消極的錯誤是很少出現(xiàn)的。具體結(jié)果顯示：訓(xùn)練數(shù)據(jù)集中被人工分類為“消極”的博客，其中3.12%被錯誤地歸為了積極；而人工分類為“積極”的博客，其中0.50%被錯誤地歸為了消極。

5. 如果剔除2013年12月26日博客閱讀量的異常點，閱讀量高峰均出現(xiàn)在2015年6月之后。