投資者關注與股市收益

摘? ?要：采用股吧發帖量衡量個股投資者關注度，并構建了市場整體的關注度指標以及關注度風險因子，通過對市場整體以及異質性股票的實證檢驗，結果發現：（1）總體關注度指標只對當期市場收益率有影響，對未來預測能力的影響并不顯著，同時投機性較強的股票對關注度指標的敏感性更高;（2）在控制了現有定價因子（MKT、SMB、HML、MOM、ILLIQ）后，關注度因子仍然能夠獲得顯著的正阿拉法收益;（3）多因子回歸結果顯示關注度因子對投資組合收益率有顯著的解釋能力，說明關注度因子能夠為現有的定價模型帶來增量信息。總體來看，采用個股關注度簡單加權的市場總體關注度指標并不能對市場收益率進行有效預測，但是采用分組排序法構造的關注度因子卻對市場收益率具有較強的解釋能力。

關鍵詞：投資者關注;投資者情緒;資產定價;風險定價;風險因子

中圖分類號：F830.91? 文獻標識碼：A? 文章編號：1674-2265（2021）04-0060-09

DOI：10.19647/j.cnki.37-1462/f.2021.04.009

一、引言

有效市場理論認為投資者是理性的，但是行為金融學卻指出投資者容易受到自身情緒的影響，從而使得資產價格偏離其內在價值，致使金融市場非有效。常用來衡量投資者情緒的方法包括直接調查以及利用間接指標兩種，其中直接調查是調查機構直接詢問被訪者對經濟或市場的觀點，常見的有密西根大學消費者情緒指數、UBS/GALLUP投資者樂觀指數等;間接指標主要是基于市場交易數據，常見的有交易量、封閉式基金折溢價、IPO、VIX、共同基金資金流入等。相對于直接調查，間接指標能夠獲得相對高頻的數據，但是間接指標的變動可能是由于經濟形勢而不是情緒造成的，從而出現估計錯誤。Qiu和Welch（2006）[1]指出，怎樣用輸出變量來衡量“輸入→輸出”的過程，顯然間接指標就是輸出變量，而投資者情緒卻是影響輸入到輸出的過程變量。但是，直接指標就一定有效嗎？一方面，調查情緒往往只有月度或季度數據，無疑限制了分析的及時性和實際應用過程中的可操作性;另一方面，被調查者往往不會仔細或準確地回答問題，尤其當問題過于敏感的時候，比如“你是否失業了”“貴公司是否面臨困境”等（Singer，2002）[2]。

隨著互聯網技術的迅猛發展，采用網絡數據可以直接對投資者情緒進行衡量。相對于調查情緒，網絡情緒更為高頻、準確和有效。如Da等（2011）[3]最早采用谷歌搜索指數代表的投資者關注度來衡量市場情緒;Loughran和McDonald（2011）[4]通過對網絡媒體信息進行文本分析，提取出投資者情緒，并對未來的股票波動進行預測。但是，鑒于很多搜索行為的發起者不一定是證券市場投資者，如可能只是關注公司的產品或者工作機會等，因此，搜索指數的噪聲仍然較大。相對于搜索指數，股吧作為投資者交流的平臺，其參與者幾乎都是證券投資者，因此，采用股吧數據來衡量投資者關注度無疑更為準確。但由于我國股市投機氛圍較重，莊股較多，股吧中散布的虛假信息也較多，因此，采用文本分析有時反而不能得到準確的信息。鑒于此，本文聚焦于股吧中個股的發帖量來對投資者關注進行衡量，既可以較準確地衡量出投資者的情緒，也可以避免文本中過多的虛假信息。本文基于個股數據構造了投資者整體關注度指標，研究了其對市場的影響，并采用分組排序法構建了基于關注度的風險因子，驗證了其在股票市場中的定價能力。相對于已有研究，本文既是對行為金融學理論的有力補充，也可以為投資管理實踐提供較強的現實指導。

二、文獻綜述

（一）行為金融學的理論基礎

傳統金融學假設投資者都是理性的，依照預期效用最大化來進行決策，因此，股票的價格應該等于未來全部現金流的現值。但Shiller（1981）[5]的研究表明，股價的波動遠高于公司未來現金流的波動;De Bondt和Thaler（1985）[6]指出一些投資策略可以獲得風險水平無法匹配的超額收益;DeLong等（1990）[7]更是認為，噪聲交易者會基于情緒做出投資決策，而套利交易者會遭遇套利限制，因此，情緒變動會導致噪聲交易、錯誤定價以及超額的市場波動。這些實證發現都和傳統金融學理論相左，行為金融學則對這些異象進行了很好的解釋。

行為金融學認為人們的信念并不是完全理性的，容易產生過度外推（extrapolation）和過度自信（overconfidence）（Eyster等，2019）[8]，且認知限制（cognitive limits）會導致投資者無法對全部信息進行及時處理（Dellavigna和Pollet，2009）[9]。對于決策偏好，行為金融學認為人們在做決策時也難以做到完全理性，因此，前景理論（prospect theory）以及模糊厭惡（ambiguity aversion）能夠比預期效用理論更好地描述人如何在不確定條件下做決策（Ingersoll和Jin，2013）[10]。總體而言，行為金融學是從微觀個體行為以及產生這種行為的心理動因來解釋、研究和預測金融市場的發展。這一研究視角認為投資行為其實很大程度上受投資者的情緒左右，情緒和認知偏差的存在使投資者無法做到理性預期和效用最大化，造成市場非有效和資產價格偏離內在價值，從而可能進一步導致金融市場整體產生系統性偏差（周亮，2017）[11]。因此，從21世紀初期開始，投資者情緒引起了學術界的廣泛關注。

（二）投資者情緒的實證研究

早期的研究主要關注股票市場中投資者情緒的作用，發現投資者情緒能夠顯著影響股票的橫截面收益率（Baker和Wurgler，2006;Huang等，2015）[12，13]。隨后有學者將投資者情緒引入其他資本市場，Nayak（2010）[14]研究了投資者情緒對企業債券利差的影響，Simon和Wiggins（2001）[15]、Wang（2004）[16]研究了投資者情緒對股指期貨市場的影響，Bahloul和Bouri（2015）[17]、周亮（2019）[18]研究了投資者情緒對商品期貨市場的影響。但是，投資者情緒對資產收益的影響方向卻有不同的研究結果，Ben-Rephael等（2012）[19]、文鳳華等（2014）[20]等學者認為投資者情緒對資產收益有正向影響;Aissia（2014）[21]的研究卻表明投資者情緒是資產收益的反向預測指標;周亮（2017）[11]發現投資者情緒對短期股票指數有反方向影響，對跨期的股票指數有正方向影響。

對股市投資者情緒的度量主要包括：采用市場調查等方式獲取消費者對市場漲跌看法的直接指標法（Lemmon和Portniaguina，2006;余佩琨和鐘瑞軍，2009）[22，23]，以及采用如基金資金凈流入、換手率、新增投資者開戶數等客觀指標來反映投資者情緒的間接指標法（Delong，1990;Baker和Wurgler，2006;池麗旭等，2012）[7，12，24]。由于商品和債券市場的信息數量要少于股票市場，因此，對這兩個市場投資者情緒的度量，大體可以歸類為基于市場自身的數據（Simon和Wiggins，2001）[15]及基于交易者的數量（楊陽和萬迪昉，2010;陳標金和譚瑩，2017）[25，26]兩種。隨著互聯網的迅猛發展，很多學者通過微博、財經論壇等社交媒體來提取投資者情緒指標（Da等，2015;Dimpfl和Kleiman，2016;易洪波等，2015）[27-29]。

（三）簡要述評及創新之處

綜上可以看到，國內外學者對行為金融學尤其是投資者情緒的測度及影響方面進行了大量的研究，并得到了很多一致的結論，正如Baker和Wurgler（2007）[30]所指出的，投資者情緒會影響股票價格，這是毫無異議的，唯一存在爭論的是如何去度量投資者情緒以及量化它的影響。隨著互聯網的發展，相對于傳統的直接調查和間接指標，用投資者的網絡行為來衡量投資者情緒更為直接和準確，因此，越來越多的研究聚焦于互聯網大數據的挖掘。但是，網絡數據也存在噪聲，如搜索行為可能并不是由投資者發起、文本信息包含大量虛假信息等，因此，本文擬聚焦于投資者在金融論壇的發帖行為，用發帖數量來衡量投資者關注度，并研究其對股票市場的影響。相對于已有的研究，本文的主要創新之處在于：一是利用大數據挖掘技術，聚焦于投資者的發帖行為，通過投資者關注度的變化能夠更準確地衡量出投資者情緒;二是利用個股投資者關注度數據，構造出了投資者關注度定價因子，并通過資產定價模型驗證了該因子的有效性，補充和完善了現有資產定價理論。

三、研究設計

（一）投資者關注度的構建

東方財富股吧是目前我國股市投資者最主要的交流平臺，因此，本文通過設計爬蟲程序，收集東方財富股吧中個股的發帖量來對個股投資者關注進行衡量。主要包括以下步驟：第一步，利用爬蟲程序獲取樣本區間內每只個股每周的發帖數量總和;第二步，取個股周發帖數的對數差作為個股關注度的原始指標;第三步，考慮到個股關注度的極端值較多，因此，進行5%縮尾得到最終的個股關注度[Attentioni，t]（其中i表示個股，t表示時間）;第四步，采用等權重法構造出市場總體的投資者關注度指標[AttentionEWt]，同時采用市值加權法構造出關注度指標[AttentionVWt]，檢驗[AttentionEWt]的穩健性（兩者相關系數高達0.98）。

我國股市可以分為主板、中小板、創業板及科創板等板塊，相對于其他板塊，在創業板發行上市的大多是科技型企業，這些企業規模普遍較小，所處行業發展較快，估值普遍較高，更容易受到投資者情緒或者市場關注度的影響。科創板雖然與創業板較為相似，但是上市時間過短，數據量過小，因此，本文選擇創業板上市公司作為分析對象。由于創業板2009年10月30號才上市，到2010年12月31日上市公司數量只有160余家，因此，本文的樣本區間為2011年1月—2019年8月。相對于日數據的波動頻繁以及月數據的相對滯后，周數據的穩定性及可操作性更強，因此，本文最終選擇了樣本區間的所有周數據進行分析，共443周。

圖1報告了創業板指數與[AttentionEWt]在樣本區間的走勢圖，可以看到，在2015年6月創業板指數達到牛市頂點時，投資者關注度也達到了階段性高點;而在隨后的反彈高點處（2015年12月），投資者關注度同樣處于階段性高點;在近期的一個小高點處（2019年4月），投資者關注度同樣達到了一個小高點。說明從走勢上看，投資者關注度與市場指數間存在著一定的關聯性。但是，從圖1也可以看出，兩者之間的走勢也存在著很多不相吻合的地方，如2017年8月和2017年10月相繼出現了關注度的最小值和最大值，而創業板指卻沒有明顯的波動。因此，要更深入地探究投資者關注度與市場指數間的關系，需要建立更準確的實證模型。

（二）模型設計與數據描述

1. 投資者關注與指數收益率。為了檢驗投資者關注度對市場指數的影響，本文設計了如下模型：

其中[Rt+k]為市場指數收益率，k表示對市場收益率的向前預測，其中，k=0表示投資者關注度對市場指數收益率當期的影響，k=1表示投資者關注度對市場指數下一期收益率的影響，依次類推，本文實證中對k分別設定為0、1、2、3;[Controli，t]代表一系列控制變量，參考周亮（2017）[11]等學者的研究，采用工業增加值（IVA）、CPI、M2增速、SHIBOR利率（采用7天利率的周平均值）、期限利差（Spread，用10年期國債收益率與1年期國債收益率的差值表示）等作為控制變量。表1報告了各變量的描述性統計情況，可以看到，指數收益率、等權重關注度和市值加權關注度的均值均接近于0，中位值均大于0，而偏度顯示三個序列均為左偏，下尾更長。

2. 投資者關注與股票異質性。投資者關注除了會對股票指數產生影響之外，還會對異質性股票產生不同的影響。本文采用總體關注度分析其對異質性股票的影響差異，根據不同特征（比如根據市值、估值、波動率等指標）將所有股票按照從小到大的順序分為10組，對每組股票采用等權重的方式構造投資組合，并將（1）式中的[Rt+k]替換成不同異質性股票組合的收益率，考察[β]系數在不同分組中的差異，結果見圖2。

除此以外，相對于其他很多學者的研究，本文所研究的投資者關注度指標是基于個股數據獲得的，因此，可以直接利用個股數據分析投資者關注對股票收益及股票特征的影響。表2報告了不同程度投資者關注下股票特征的變化情況，從1到10依次表示投資者關注從最低到最高的分組，最后一行表示最高組與最低組間的差異，括號內為t檢驗值。借鑒Da等（2015）[27]等學者的研究，本文選擇了如下股票特征進行分析：（1）規模（Scale）。采用股票流通市值來表示。（2）估值（Value）。采用市凈率來衡量，如果市凈率小于0，則縮尾到0。（3）市場貝塔（StockBeta）。市場貝塔主要用來衡量股票的系統性風險，通過過去一年個股周收益率和市場指數周收益率計算得到，計算公式為[βi=cov（Ri，RM）var（RM）]，其中[Ri]為個股收益率序列，[RM]為市場指數收益率序列，cov和var分別表示計算協方差和方差。（4）股價（Price）。采用股票的前復權收盤價格來表示。（5）波動率（RangeVol）。考慮到極差波動率在度量股票風險時也能體現出較好的效果，因此，采用計算相對簡單的極差波動率來衡量個股風險，計算公式為[σrng，i=14Nln2i=1N（lnhili）2]，其中[hi]為某段時間的最高價，[li]為某段時間的最低價。（6）換手率（Turnover）。采用周成交額除以流通市值來衡量。（7）動量（Mom）。借鑒Carhart（1997）[31]的構造方法，采用前12個月股票收益率（即48周）來衡量。（8）非流動性（ILLIQ）。采用Amihuid（2002）[32]的非流動性指標來衡量，計算公式為[ILLIQi=RiVoli]，其中[Ri]為個股收益率，[Voli]為個股成交量。

從表2第1列可以看出，最低投資者關注組的流通市值平均值為41.65億，最高投資者關注組的流通市值平均值為43.69億，最后一行顯示最高最低組間差值為2.04億，t檢驗值僅為1.07，說明兩者之間并無顯著差異，即不同投資者關注度股票間的市場規模不存在顯著差異。同樣可以發現，不同投資者關注度股票間的估值（BookToMarket）、市場貝塔（StockBeta）、價格（Price）和動量（Mom）并無顯著差異，但是其波動率（RangeVol）、換手率（Turnover）及非流動性（ILLIQ）卻存在顯著差異，表現為高投資者關注度股票的波動率更大、換手率更高、非流動性更明顯，波動率大、換手率高、流動性較差的股票往往是投機性更強的股票，也就說明投資者關注度越高的股票投機程度也越高，符合行為金融學的一般假設。

四、投資者關注對市場的影響

（一）投資者關注對指數收益率的影響

利用模型（1）分析投資者關注度對指數收益率的影響，表3報告了相關回歸結果，其中，Panel A是采用等權重關注度[AttentionEWt]的回歸結果，Panel B是采用市值加權關注度[AttentionVWt]的回歸結果。其中，每個Panel均包含4列，分別是對當期[Rt]、未來一期[Rt+1]、未來二期[Rt+2]和未來三期[Rt+3]指數收益率的預測結果。由于因變量和核心解釋變量[Attentiont]均為差分序列，因此，對所有自變量同樣取差分序列，差分后的序列均平穩，可以直接建立回歸模型，無須進行協整檢驗。

從表3可以看到，無論是等權重還是市值加權，投資者關注度在當期都會對指數收益率有正向影響，在未來一期影響轉為負向，在未來二期和未來三期又轉為正向，這與Da等（2015）[27]的研究結論較為相似。投資者關注度的短暫提高會使得當期指數超漲，未來一期指數價格因為均值回復趨勢而導致收益率發生下跌，且下跌幅度會超過當期的漲幅，但是，在未來兩期或三期，指數價格又會回到原有的趨勢軌道。觀察[Attentiont]系數的t值，只有當期系數在10%水平下是顯著的，未來一期、二期和三期的系數均不顯著，說明投資者關注度雖然表現出了行為金融學的某些特征，但對市場整體收益的影響并不大。從控制變量來看，只有CPI和SHIBOR對當期和未來一期的指數收益率有顯著影響，且系數均為負，說明通脹越厲害、市場利率越高時，指數收益率越低，符合經濟基礎理論。

（二）投資者關注對異質性股票的影響

從表2初步看到，不同投資者關注的股票其特征會存在一定的差異，本節將從數理角度分析投資者關注對異質性股票的影響。具體步驟為：首先，將所有的股票按照不同特征從小到大的順序分為10組;其次，將每組股票的收益率進行等權重加總為組合收益率;最后，按照模型（1）分析投資者關注對不同組合收益率的影響（由于表3中只有當期收益率的系數顯著，因此將k取0）。由于等權重關注度與市值加權關注度的影響差異不大，因此，圖2中只匯報了等權重關注度的分析結果（市值加權關注度的分析結果可以向作者索取）。圖2展示了關注度回歸系數[β]的變動情況，可以看到，規模分組（Scale）的[β]系數變動趨勢并不明顯，先是增大，隨后又發生了下跌;估值分組（Value）在第7組前基本保持著上漲的趨勢，但從第8組開始又轉向了下跌;市場貝塔分組（StockBeta）和價格分組（Price）均沒有表現出明顯的趨勢;波動率分組（RangeVol）前面組別變動幅度較小，但是在第10組發生了極其明顯的上漲;換手率分組（Turnover）、動量分組（Mom）和非流動性分組（ILLIQ）均保持了較為明顯的上漲趨勢。總體來看，投資者關注度對規模、估值、市場貝塔和價格四個特征分組的股票敏感性較小，而對波動率、換手率、動量和非流動性特征分組的股票敏感性較大，即對投機性較強的股票敏感性更大。

為了更準確地觀察投資者關注對異質性股票的影響，表4報告了不同特征股票分組下，投資者關注度對10-1組合收益率（即最高組和最低組的收益率之差）的回歸分析結果，控制變量和模型（1）一致。Panel A報告了等權重關注度的回歸系數，Panel B報告了市值加權關注度的回歸系數，可以看到與圖2相似的結果，規模、估值、市場貝塔和價格四個特征下的投資者關注度對10-1組合收益率的[β]系數并不顯著，而換手率、波動率、動量及非流動性四個特征下的[β]系數顯著為正，其中數值和顯著性最高的均為非流動性特征，其系數高達0.0263，t值也高達3.4，說明非流動性對投資者關注最敏感。

五、投資者關注作為定價因子

（一）定價因子及描述性統計

常見的風險定價模型包括CAPM模型、Fama-French三因子模型、加入動量因子的四因子模型、加入非流動性因子的四因子模型，以及將這五個因子都涵蓋在內的五因子模型。本文選擇這五個因子來研究關注度因子的有效性，其中FF三因子（MKT、SMB和HML）數據來自銳思數據庫;動量因子（MOM）和非流動性因子（ILLIQ）采用10組分組法，利用第10組的組合收益率減去第1組的組合收益率進行構建;關注度因子的構造方法與MOM和ILLIQ類似，將關注度最高組（第10組）的組合收益率減去關注度最低組（第1組）的組合收益率，得到投資者關注度因子（ATT）。

表5報告了6個因子的描述性統計結果以及因子間的相關系數矩陣。可以看到，在樣本區間內，市場因子收益率僅為0.01%，且t值不顯著;其他五個因子均能獲得顯著的正收益率，t值均在5以上，收益率最高的是非流動性因子，其周均收益率高達0.88%，最小的是規模因子，但是也有0.29%。從相關系數來看，除了規模因子（SMB）與估值因子（HML）、SMB與MOM、HML與MOM的相關系數均超過了0.6，其他因子間相關系數均不大;關注度因子（ATT）除了與市場因子（MKT）保持一定的正相關性外，與其他四個因子均是負相關關系，且數值均不大。因此，初步看來，ATT因子不同于目前常用的定價因子。

（二）因子回歸分析

為了更準確地判斷關注度因子是否不同于現有的定價因子，即是否能夠為資產定價模型提供增量信息，采用各因子模型對ATT因子進行回歸，模型如公式（2）所示：

回歸結果如表6所示，可以看到，動量因子和非流動性因子對ATT因子的回歸系數均不顯著，MKT、SMB和HML三因子的回歸結果均是顯著的，其中，MKT和HML的回歸系數顯著為正，而SMB的回歸系數顯著為負。無論采用哪種模型，Alpha系數均是顯著為正的，說明ATT因子包含了三因子甚至五因子所無法解釋的部分，能夠為資產定價模型帶來增量價值。此外，模型的R2均小于0.2，也說明ATT因子與現有的風險因子具有顯著的差異性。因此，在接下來的分析中采用ATT和其他風險因子共同為投資組合進行定價研究。

（三）因子定價能力分析

本文采用關注度分組來研究因子的定價能力，即按照關注度從低到高的順序將所有股票分為10組，并分別對每組的等權重投資組合收益率進行因子回歸，模型如公式（3）所示：

其中，[Rt]為各投資組合的收益率，回歸結果見表7。從第1列可以看到，不同關注度分組下投資組合的平均收益率并沒有顯著的變化趨勢，除了第9組和第10組外，其他組合的收益率均值均小于0;從第2列收益率的標準差看，隨著關注度的升高，投資組合的風險不斷上升，最低關注度組的標準差僅為3.74%，但最高關注度組的標準差達到5.84%。第3到9列報告了因子定價回歸結果，可以看到，除了市場因子、非流動性因子和關注度因子在絕大部分投資組合下的回歸系數顯著外，規模因子回歸系數僅在第1、9和10組顯著，而估值因子和動量因子的回歸系數在絕大部分組合下均不顯著。除了第3組和第7組外，其他組合的[α]系數均不顯著，說明因子模型能夠很好地對組合收益定價。這從R2也可以看出，所有投資組合的R2均在0.9以上，模型擬合效果很好。從系數的變化趨勢來看，無論[α]系數，還是MKT、SMB、HML、ILLIQ和MOM的系數，均沒有明顯的趨勢變化，但是ATT的系數卻具有明顯的上漲趨勢，從最低組的-0.2445到最高組的0.7555，說明ATT因子對不同關注度組合的影響存在著顯著差異。因此，總體來看ATT因子是具有顯著定價能力的。

為了使研究結果更穩健，表8采用Fama-French的分組方法，將所有股票按照規模和估值分為S/H（小規模高估值）、S/M（小規模中估值）、S/L（小規模低估值）、B/H（大規模高估值）、B/M（大規模中估值）和B/L（大規模低估值）六組，再對每組構造等權重組合，利用模型（3）檢驗風險因子對組合收益率的定價能力。從表8可以看到，風險因子的定價能力較強，表現為除了S/H和S/L組的[α]系數顯著外，其他四組的[α]系數均不顯著，且所有組合的R2均在0.95以上（除S/L組為0.8）。從風險因子來看，MKT回歸系數在所有組合中均顯著，SMB和HML的回歸系數也在絕大部分組合中顯著，ILLIQ回歸系數僅在S/H和S/L組顯著，MOM回歸系數在S/H、B/H和B/L組顯著，而ATT回歸系數在S/M、S/L和B/L組顯著。所以綜合來看，ATT因子具有一定的定價能力，尤其是在低估值的股票組合中表現得更為明顯（S/L和B/L組的回歸系數極為顯著），而且對小規模股票的定價能力一般為正，而對大規模股票的定價能力一般為負。綜合表7和表8來看，采用投資者關注來構造定價因子，能夠對現有的資產定價模型進行一定的補充。

六、結論與討論

基于2011年1月—2019年8月的創業板上市公司數據，通過設計爬蟲程序挖掘出創業板個股每周在東方財富網的發帖量，從而獲得個股的投資者關注信息，并分別采用等權重法和市值加權法構造出市場整體的投資者關注度指標，以及采用定價因子的構造方法構造了關注度因子。通過對市場整體以及異質性股票的實證檢驗，結果發現：市場總體的關注度指標只對當期的指數收益率有影響，對未來的預測能力并不顯著，同時投機性較強的股票（包括波動率、換手率、動量和非流動性較大的股票）對總體關注度指標的敏感性更高;關注度因子與常見的定價因子間的相關性并不高，且在控制了現有定價因子（MKT、SMB、HML、MOM、ILLIQ）后，關注度因子仍然能夠獲得顯著的正阿拉法收益，說明關注度因子不同于現有的定價因子;利用多因子模型對不同投資組合的收益率進行回歸，發現關注度因子對投資組合的收益率有顯著的解釋能力，能夠為現有的定價模型帶來增量信息。

本文的研究結論既是對行為金融理論的有力補充，也對投資者、金融機構和金融監管層具有較為重要的現實價值：首先，對于投資者而言，一方面應盡量避免個人情緒影響到投資決策，如嚴格執行交易規則、堅持價值投資等;另一方面也可以關注與情緒相關的變量，短期內可以利用其他投資者的不理性行為獲利，如買入投資者關注度更高的股票，長期則應避免在市場情緒高漲時入市。其次，對于金融機構而言，可以充分利用其規模優勢和研究優勢，通過大數據或人工智能技術，監控并追蹤投資者情緒的變化情況，并以此為基準開發相關金融產品，既為投資者提供了更廣泛的投資產品，也可以為市場提供更多的流動性。最后，對于監管層而言，應緊密監測投資者情緒變動情況，可以將投資者情緒作為系統性金融風險的一個前瞻指標，通過對其監測和引導，為防范和化解金融風險提供數據支持。

參考文獻：

[1]Qiu L，Welch I. 2006. Investor Sentiment Measures[R].Working Paper，Brown University.

[2]Singer E. 2002. The Use of Incentives to Reduce Nonresponse in Household Surveys [R].Working Paper，University of Michigan.

[3]Da Z，Engelberg J，Gao P J. 2011. In Search of Attention [J].Journal of Finance，66（5）.

[4]Loughran T，McDonald B. 2011. When is a Liability not a Liability？ Textual Analysis，Dictionaries，and 10-Ks [J]. Journal of Finance，66（1）.

[5]Shiller R J. 1981. Do Stock Prices Move Too Much to be Justified by Subsequent Changes in Dividends？ [J]. American Economic Review，71（3）.

[6]De Bondt W F M，Thaler R. 1985. Does the Stock Market Overreact？ [J].Journal of Finance，40（3）.

[7]DeLong J B，Shleifer A，Summers L H，Waldmann R J. 1990. Noise Trader Risk in Financial Markets [J].Journal of Political Economy，98（4）.

[8]Eyster E，Rabin M，Vayanos D. 2019. Financial Markets where Traders Neglect the Informational Content of Prices [J].Journal of Finance，74（1）.

[9]Dellavigna S，Pollet J M. 2009. Investor Inattention and Friday Earnings Announcements [J].Journal of Finance，? 64（2）.

[10]Ingersoll J E，Jin L J. 2013. Realization Utility with Reference-Dependent Preferences [J].Review of Financial Studies，26（3）.

[11]周亮.投資者情緒及其對股票市場的影響研究[J].湖南財政經濟學院學報，2017，（3）.

[12]Baker M，Wurgler J. 2006. Investor Sentiment and the Cross-Section of Stock Returns [J].Journal of Finance，61（4）.

[13]Huang? D，et al. 2015. Investor Sentiment Aligned： A powerful Predictor of Stock Returns [J].Review of Financial Studies，28（3）.

[14]Nayak S. 2010. Investor Sentiment and Corporate Bond Yield Spreads [J].Review of Behavioral Finance，2（2）.

[15]Simon D P，Wiggins R A. 2001. S&P Futures Returns and Contrary Sentiment Indicators [J].Journal of Futures Markets，21（5）.

[16]Wang C. 2004. Futures Trading Activity and Predictable Foreign Exchange Market Movements [J].Journal of Banking&Finance，28（5）.

[17]Bahloul W，Bouri A. 2015. Profitability of Return and Sentiment-Based Investment Strategies in US Futures Markets [J].Research in International Business and Finance，36（2）.

[18]周亮.投資者情緒對商品期貨價格及波動率的影響研究——以螺紋鋼期貨為例 [J].武漢金融，2019，（6）.

[19]Ben-Rephael A，Kandel S，Wohl A. 2012. Measuring Investor Sentiment with Mutual Fund Flows [J].Journal of Financial Economics，104（2）.

[20]文鳳華，肖金利，黃創霞.投資者情緒特征對股票價格行為的影響研究 [J].管理科學學報，2014，（3）.

[21]Aissia B D. 2014. IPO First-Day Returns：Skewness Preference，Investor Sentiment and Uncertainty Underlying Factors [J].Review of Financial Economics，23（3）.

[22]Lemmon M，Portniaguina E. 2006. Consumer Confidence and Asset Prices：Some Empirical Evidence [J].Review of Financial Studies，19（4）.

[23]余佩琨，鐘瑞軍.個人投資者情緒能預測市場收益率嗎 [J].南開管理評論，2009，（1）.

[24]池麗旭，張廣勝，莊新田，宋大雷.投資者情緒指標與股票市場——基于擴展卡爾曼濾波方法的研究 [J].管理工程學報，2012，（3）.

[25]楊陽，萬迪昉.投資者情緒對我國金屬期貨市場的影響 [J].系統工程，2010，（11）.

[26]陳標金，譚瑩.信息、交易者情緒與中國農產品期貨價格波動 [J].金融經濟學研究，2017，（2）.

[27]Da Z，Engelberg J，Gao P. 2015. The Sum of all FEARS Investor Sentiment and Asset Prices [J].Review of Financial Studies，28（10）.

[28]Dimpfl? T，Kleiman V. 2019. Investor Pessimism and the German Stock Market：Exploring Google Search Queries [J].German Economic Review，20（1）.

[29]易洪波，賴娟娟，董大勇.網絡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].財經論叢，2015，（1）.

[30]Baker M，Wurgler J. 2007. Investor Sentiment in the Stock Market [J].Journal of Economic Perspectives，21（2）.

[31]Carhart M M. 1997. On Persistence in Mutual Fund Performance [J].Journal of Finance，52（1） .

[32]Amihuid Y. 2002. Illiquidity and Stock Returns Cross-Section and Time-Series Effects [J].Journal of Financial Markets，5（1）.