基于房地產企業的社交媒體對資本市場的影響——以微博為例

□代婧　王喆　鐘靜瑤　檀昕

（中國政法大學北京100088）

基于房地產企業的社交媒體對資本市場的影響——以微博為例

□代婧王喆鐘靜瑤檀昕

（中國政法大學北京100088）

以新浪微博為數據源，以我國2016年滬、深兩市A股房地產上市公司為研究對象，通過情緒分析工具構建微博情緒綜合指數，并將微博情緒分為一般、中度、高度三個等級，通過多元回歸分析、Grange因果檢驗研究微博情緒與股票市場之間的關系。研究結果表明，微博情緒能夠預測股票收益率與股票成交量的變化，但是對股票收益率的預測時間要短于股票成交量的預測時間，股票收益率和股票成交量能夠影響微博情緒。對于不同程度等級的微博情緒對股票市場的影響不同，無論是積極還是消極情緒，較高情緒等級對股票市場的影響要大于較低情緒等級的影響。

社交媒體；資本市場；微博

本文以房地產上市公司為研究對象，以微博為例，構建微博情緒指數，研究對于房地產行業而言，微博情緒與股票市場的互動影響、微博情緒對股票收益率及成交量的預測作用。一方面，能夠幫助投資者預測股票市場的變動獲取投資收益，更主要的是幫助投資者理性投資、避免盲目跟風，另一方面，有助于信息監管者加強社交媒體信息監管，使社交媒體真正成為促進資本市場發展的助推器。

1　文獻綜述

學者們對于社交媒體已經進行了好多研究，但是大部分研究都集中在社交媒體與股市大盤之間的關系，很少有學者以以某一個行業的股票為研究對象。而且在社交媒體情緒的研究中，很少研究不同程度等級的情緒對股票市場的影響，實際上，股票市場對不同程度等級的投資者情緒的敏感程度會存在差異。所以本文以房地產上市公司為研究對象，研究微博情緒指數與股票收益率，股票成交量之間的互動關系，并且分等級研究積極情緒（一般、中度、高度），消極情緒（一般、中度、高度）對股票市場的影響。

2　理論分析及假設的提出

非理性因素對股票市場的影響一直是行為金融領域的重要研究內容。由于環境的復雜性，信息的不完全以及個人能力的限制，在資本市場交易中投資者很難達到傳統金融學所假設的“完全理性”狀態，而只能做到“有限理性”。在非理性因素中，投資者情緒是主要因素之一。個體差異的存在使得投資者情緒有所不同，而由于情緒的傳染效應，投資者對于市場預期的非理性情緒往往會在互動交流中趨向一致。這種“羊群效應”可能會對股票市場交易產生噪聲干擾，而使股票價格偏離真實價格出現異常波動。學者們對于投資者情緒與股票市場的關系已經做了大量的研究。Delong等（1990）認為投資者情緒會增加資本市場定價的系統性風險，并建立了DSSW模型比較了理性投資者的噪聲交易者的投資行為，認為噪聲交易者承受更大的風險的同時也會擁有更高的風險收益。Shiller（2000）以及Fisher，Statman（2000），以及國內學者如張宗新、王海亮（2013），劉維奇（2014）以及胡昌生（2013）等也進行了實證研究，認為投資者情緒對股票市場的收益會有影響。當然也有學者對此提出異議，認為投資者情緒不能反映股票市場收益的波動，如Chen（1993），張俊生（2001）等。

本文采用情感分析工具挖掘微博中包含的投資者情緒，構建微博情緒指數。提出如下假設：

H1：微博情緒對股票收益率會產生影響，不同程度的情緒對股票收益率的影響也是不同的；

H2：微博情緒對股票成交量產生影響，不同程度的情緒對股票收益率的影響也是不同的。

3　研究設計

3.1樣本選擇及數據來源

分析微博對某只股票的影響，首先應該保證某上市公司在微博中被提到的次數較多，所以該公司應該具有規模大、知名度高、被關注程度高的的特點。在我國134家房地產上市公司中，隨機抽取2天，測試了每只股票每天被提到的微博量，選取出每天微博量最多的前50只股票作為研究樣本，微博搜索的時間區間是2016年1月3日-2016年6月31日，其中剔除掉周六日和法定節假日。

3.2變量定義及數據來源

3.2.1微博情緒指數構建。使用八爪魚數據采集系統抓取微博數據，50只股票2016年前半年共抓取了564 639條微博，去掉空白微博之后，得到431 724條有效微博，從該平臺能夠獲取到微博的發布時間、轉發數量、評論數量以及微博的內容。

在微博抓取成功之后，使用ROST ContentMining內容挖掘系統中的情感分析模塊對每一條微博進行情感分析，情感分析結果如下：其一是是情感分析的詳細結果，對每一條微博進行打分得到的情緒值。其二是是對情緒進行分類，每一類情緒所占的比例，積極情緒與消極情緒共分為三段，分別包括一般、中度與高度。

根據情感分析結果，每一只股票在第t天的微博情緒值等于該只股票在第t天所有微博的微博情緒的平均值，用SENT表示。

（SENTi，t表示第i只股票在第t天的微博情緒值，SENTi，j表示i只股票在第t天的第j條微博的情緒值）

3.2.2股票收益率。關于股票收益率的計算，一種方法是采用股票指數變化率來計算，即，如張書煜和王瑤（2015）和程琬蕓和林杰（2013）；另一種方法是采用對數收益率的計算方法，如余志紅（2013）、郭小文（2015）。本文采用第二種方法衡量股票的收益率，用RET表示，其中收盤價的數據來源于國泰安數據庫。

（Pt為個股的第t日的日收盤價，Pt-1為個股的第t-1的日收盤價）

3.2.3股票交易量。股票的日交易量的數據來源于國泰安數據庫，對其交易股數也進行取對數處理，記為LnVOL。

3.2.4流通市值。田利輝和王冠英（2014）認為我國A股市場存在規模效應，股票市值與股票收益率呈負相關關系。余志紅（2013）在運用多元回歸研究微博情緒與股票收率的關系時，引入了流通市值和成交量作為控制變量，蔣玉梅和王明照（2010）研究投資者情緒對零成本套利組合收益的影響時，引入了市場溢價因子、市值因子、賬面市場比因子作為控制變量。所以本文也選取流通市值作為控制變量，對其取對數，用LnLIMV表示，數據來源于國泰安數據庫。

3.3研究模型的建立

本文采用多元回歸分析、基于VAR模型的Grange因果檢驗研究微博情緒與股票市場之間互動關系，所以建立了如下模型：

3.3.1多元回歸模型。采用逐步回歸的方法，將LnVOL、LnLIMV、SENT逐漸引入到模型中，LnVOL、LnLIMV、SENT分別采用滯后1期、滯后3期、滯后5期的數據。

3.3.2向量自回歸模型（VAR）。用向量自回歸模型檢驗微博情緒與成交量、股票收益之間的關系，VAR模型的一般形式為：

其中，Yt為內生變量向量，Yt原p為滯后p期內生變量向量，At是滯后內生變量的系數，Xt原r為滯后r期外生變量向量，Bt為滯后外生變量的系數。

4　實證分析

描述性統計與單位根檢驗

表1　描述性統計與單位根檢驗結果

微博日情緒得分均值（SENT）的極小值是-25分，極大值是53，標準差較大，說明微博情緒得分均值波動較大，平均值是10.032，是屬于積極情緒。股票收益率（RETA）、對數成交量（LnVOL）、對數流通市值（LnLIMV）的均值分別是0.028、19.399、19.270，波動程度也都比較小。

面板數據的回歸分析以及Grange檢驗都要進行單位根檢驗，否則會出現偽回歸。表1最后一欄是運用增廣的迪基—福勒檢驗(ADF檢驗)得到的單位根檢驗結果。各時間序列一階差分的ADF檢驗的t統計量都通過了1%的顯著性水平，因此可以拒絕單位根假設，各個時間序列是平穩的，能夠進行回歸分析。

結束語

本文以房地產上市公司為研究樣本，運用八爪魚技術抓取海量微博數據，通過情感分析工具得到的結果建立了微博情感指數，運用多元回歸分析、Grange因果檢驗來研究微博情緒指數與股票收益率、股票成交量的動態關系。

通過多元回歸分析得到微博情緒會顯著的影響股票收益率，滯后1期和滯后3期微博情緒值都通過了顯著性檢驗，而滯后5期微博情緒未通過檢驗，所以微博情緒對股票收益率影響的持續時間較短。當微博情緒表現消極時，會使股票收益率在短期內下降，當微博情緒表現積極時，就會使股票收益率在短期內上升。

[1]朱南麗,鄒平,張永平.基于博客/微博信息量的投資者關注度測量研究——來自中國股票市場的經驗數據[J].經濟問題探索,2015(2):159-166.

[2]施榮盛.投資者關注與分析師評級漂移——來自中國股票市場的證據[J].投資研究,2012(6).

1004-7026（2016）11-0117-02中國圖書分類號：G219;F27

A

本文10.16675/j.cnki.cn14-1065/f.2016.11.081

中國政法大學2015年碩士創新實踐項目（2015SSCX183）。