網絡媒體過度樂觀情緒與上市公司股價崩盤風險

□ 張天驕 孫 謙

(復旦大學 管理學院, 上海 200433)

一、引言與文獻綜述

我國網絡媒體規模近年來飛速發展。與傳統紙質媒體相比網絡媒體信息更易生產、復制和傳播。當一篇吸引眼球的網絡新聞被撰寫出來便可迅速被其他媒體轉載或模仿,受眾規模將呈指數型增長。與此同時,隨著我國資本市場的發展,上市公司和投資者數量不斷擴大,財經新聞成為媒體上的重要板塊和公眾熱議的話題。作為重要的信息傳播中介,媒體對股票市場會產生不可忽視的影響。媒體向投資者傳遞了公司當期和未來盈余的信息,降低了市場摩擦,提高了投資者認知,緩解了信息不對稱[1-6]。但也有研究指出媒體并非完美的信息傳遞者。媒體報道經常是模糊或陳舊的,并未包含很多價值相關的信息[7-8]。媒體報道也常常并非完全客觀中立,而是會包含夸大、有偏的內容,這樣做的原因有:(1)人們更傾向于相信與自己預期一致的信息,媒體為迎合這種心理而刻意進行夸大報道以吸引更多讀者,競爭激烈的環境也促使媒體采取這種策略來防止讀者流失;(2)媒體將夸大的報道作為利益交換,以便從被報道方處換取有價值的信息或實際的利益;(3)記者能力有限,輕信他們獲得的有偏差的信息[4,9-11]。

行為金融學認為投資者具有非理性行為偏差。由于有限注意和過度自信,投資者會過于相信吸引眼球的、傳聞性的、與事實相關性較低的信息并對其過度反應,而對抽象的、列舉出統計數據的、與事實高度相關的信息反應不足[12]。投資者還可能表現出證實偏差,即傾向于尋找并相信能夠支持自己信念的信息,在已對公司形成正面印象后會忽略之后出現的負面信號[13]。因此媒體對公司的報道(尤其是正面報道),無論其內容是否陳舊過時,都容易吸引投資者注意,使其過度反應或對公司前景形成過高預期,使股價短暫或長期高于基礎價值[8,14-20]。但當公司實際經營問題被揭露或隨時間推移投資者發現公司沒有取得能夠滿足預期的相應業績時,會產生失望情緒,股價將發生反轉;當媒體報道有偏和夸大時,這一進程將會進一步被強化[16,19,20]。

在賣空限制條件下股價泡沫可能長期存在并最終通過崩盤的方式破裂。Hong和Stein[21]認為,由于投資者存在意見分歧,在賣空限制條件下悲觀投資者不參與交易,股價無法反映他們掌握的負面信息,而只反映了樂觀投資者的預期并表現為泡沫。當隱藏并累積的負面信息集中釋放出來時將引發泡沫破裂、股價崩盤。實證研究證實了投資者意見分歧和股價高估都與股價崩盤風險具有顯著的正相關性[22-25]。從行為金融學的角度,非理性投資者的行為偏差,如有限注意、過度自信等,會導致他們與理性投資者之間產生意見分歧[26]。楊威等[27]發現并購商譽引發了非理性投資者過度反應,使股價產生泡沫,增加了股價崩盤風險。但除此之外較少有文獻從行為金融學角度來研究由投資者行為偏差導致的崩盤風險。

個人投資者在我國股市占主導地位,其與機構投資者相比更易表現出非理性行為偏差。當網絡媒體情緒過度樂觀時,非理性投資者易受其引導對公司前景過度樂觀,從而與掌握真實負面信息的理性投資者產生意見分歧。在我國限制賣空的環境下,股價只反映了過度樂觀投資者的預期并形成泡沫,而真實負面信息難以被反映到股價中,這些隱藏并累積的負面信息將增加未來的股價崩盤風險。雖然國外已有研究證實了媒體樂觀情緒會導致股價高估和反轉,但尚未有研究在媒體樂觀情緒與賣空限制條件下股價泡沫可能發展出的極端后果——崩盤之間建立聯系。本文填補了這一空白,發現網絡媒體過度樂觀情緒顯著增加了公司未來的股價崩盤風險。本文的學術貢獻有:(1)創新性地提出一種估計媒體合理情緒與過度樂觀情緒的方法,為后續研究提供了新的思路。(2)豐富了媒體的資本市場效應這一領域的文獻,提出了媒體過度樂觀情緒可能在股市導致的一種極端后果,對于監管部門和投資者制定投資決策都具有參考價值。(3)本文是目前較少的從行為金融學角度解釋股價崩盤風險的研究之一,在我國個人投資者占主導地位且賣空受到限制的環境下,投資者非理性過度樂觀是導致股價泡沫和崩盤的重要原因,本文為此提供了新的依據。

二、研究設計

(一)樣本選擇與回歸模型

選擇A股公司2008—2019年的數據為樣本,剔除了金融業公司、凈資產為負的公司、當年剛上市的公司及變量缺失的觀測值,得到22930個“公司—年度”觀測值。網絡財經新聞數據來自CNRDS,其余數據來自CSMAR。主回歸模型為式(1)。因變量為t+1年的股價崩盤風險CrashRisk,自變量為t年的媒體過度樂觀情緒MediaOpt。參考已有研究,控制如下變量:t年的股價崩盤風險CrashRisk,總資產的對數LnSize,市值賬面比MB,杠桿率LEV,資產回報率ROA,銷售增長率SG,股價年收益率Ret,去趨勢的平均月換手率Dturn,周特有收益率的標準差Sigma,并控制了公司和年度固定效應。在估計標準誤時進行了公司層面的聚類處理。

CrashRiski,t+1=α+β1MediaOpti,t+β2Controlsi,t+

FirmFE+YearFE+εi,t

(1)

(二)網絡財經新聞數據概述

中國研究數據服務平臺(CNRDS)中的“中國上市公司財經新聞數據庫”包含了20家主流網絡財經媒體及其他400余家網站的新聞報道,可以使我們較為全面、準確地估計網絡媒體整體情緒。從中得到2007—2018年A股公司被網絡新聞報道的數據,篩選出符合以下兩個條件之一的新聞:(1)公司名稱出現在新聞標題中;(2)公司名稱未出現在新聞標題中但出現在新聞內容中,且該新聞只提及一家上市公司,提及的語句不少于5句。經過篩選得到A股公司被網絡媒體進行專題報道的數據,各年度報道情況如表1所示。在早期階段,網絡媒體數量較少,對上市公司報道的規模也較小。隨著時間推移,網絡媒體數量和平均每家公司被報道的次數大體呈先增加后減少趨勢。

表1 網絡財經新聞逐年統計

(三)媒體過度樂觀情緒的計算方法

統計出每家公司在一年中被正面報道的次數PosNum和被負面報道的次數NegNum,用二者的差值除以當年平均每家公司被報道的次數,得到該公司當年的媒體情緒MediaSent。媒體情緒必然會受到公司盈余信息的影響,為了衡量媒體過度樂觀情緒,需要將由盈余信息引起的合理情緒部分去除。Ayers和Freeman[28]發現,公司規模越大、分析師關注度越高,股票價格會包含更多關于盈余的信息。同理可以推測,對于規模更大和分析師關注度更高的公司,媒體情緒也可能包含了更多的公司盈余信息。因此進行式(2)所示的回歸,其中因變量為t年的媒體情緒MediaSent,方程右側包括前后3年的盈利水平E,還包括t-1年的公司規模LnSize、分析師關注度LnAnaly(分析師數量加1的對數),以及二者與前后三年E的交叉項,并控制了行業和年度固定效應。盈利水平E分別用ROA、ROE和EPS來衡量。

αALnAnalyi,t-1+IndFE+YearFE+εi,t

(2)

回歸結果如表2所示。列(1)、(3)、(5)為模型僅包含前后3年E時的回歸結果,前后3年的E均與媒體情緒顯著正相關。列(2)、(4)、(6)為加入LnSize和LnAnaly與E的交叉項時的回歸結果,對于規模越大或分析師關注度越高的公司,它們的媒體情緒與過去盈余的正相關性越小,與當前盈余的正相關性越大。加入交叉項后,調整R2得到了明顯提高,說明該方法能更準確地估計媒體合理情緒。本文用列(2)、(4)、(6)得到的三個殘差的平均值ε_mean與0的較大值作為衡量媒體過度樂觀情緒的變量MediaOpt。

表2 計算媒體過度樂觀的回歸結果

(四)股價崩盤風險的計算方法

根據已有研究計算兩個常用的股價崩盤風險變量Ncskew和Duvol。首先將每一年度的個股周收益率用模型(3)進行回歸,其中ri,k為股票i在當年第k周的收益率,rm,k為第k周的市場收益率。將得到的殘差εi,k根據wi,k=ln (1+εi,k)計算股票i在第t周的周特有收益率wi,k,并根據式(4)(5)計算Ncskew和Duvol,其中n為股票i在第t年交易的周數,nu(nd)為股票i在第t年的周特有收益率大于(小于)年平均收益率的周數。Ncskew和Duvol越大,說明股價崩盤風險越大。

ri,k=αi+β1,irm,k-2+β2,irm,k-1+β3,irm,k+
β4,irm,k+1+β5,irm,k+2+εi,k

(3)

(4)

(5)

三、實證結果

(一)主回歸

用t年的MediaOpt作為自變量,t+1年的Ncskew或Duvol作為因變量,進行式(1)所示的回歸,結果如表3列(1)、(2)所示。自變量的系數估計均為正,且在1%的水平顯著,說明網絡媒體過度樂觀情緒顯著增加了上市公司下一年度的股價崩盤風險,與本文的預期相符。本文還計算了所有變量的方差膨脹因子,它們的值均小于2,因此回歸不存在嚴重的多元共線性問題。

(二)穩健性檢驗

(1)用ε_mean與0的較小值構建了一個衡量媒體悲觀情緒變量的MediaPes,將其與MediaOpt同時加入回歸,結果如表3列(3)、(4)所示。MediaOpt的回歸系數依然顯著為正,而MediaPes不顯著,說明只有超過合理情緒的過度樂觀情緒才會加劇股價崩盤風險,而未超過合理情緒的部分對崩盤風險不會產生顯著影響。(2)媒體報道分為原創新聞和轉載新聞,將使用原創新聞構建的過度樂觀情緒變量MediaOpt_origin與MediaOpt同時加入回歸,結果如表3列(5)、(6)所示。MediaOpt的回歸系數依然顯著為正,而MediaOpt_origin不顯著。說明媒體過度樂觀導致股價崩盤主要是由于媒體對正面新聞大量跟風轉載,使投資者對公司過度樂觀導致的。

表3 主回歸及穩健性檢驗

(三)內生性討論

(1)一階差分回歸。將所有變量經一階差分后進行回歸,自變量系數估計分別為0.088(t=2.81)和0.061(t=2.82),依然顯著為正。

(2)工具變量檢驗。使用同行業其他公司當年MediaOpt的平均值MediaOpt_Ind作為工具變量,進行兩階段OLS回歸。在第一階段回歸中,MediaOpt_Ind的系數估計分別為0.889(t=8.80)和0.910(t=9.00),說明MediaOpt_Ind與MediaOpt具有顯著的正相關性,是強工具變量。在第二階段回歸中,MediaOpt擬合值的系數估計分別為1.312(t=3.83)和1.059(t=4.50),依然顯著為正。

(3)因果關系檢驗。為檢驗自變量與因變量是否存在反向因果關系,分別使用t+2、t+1、t、t-1及t-2年的MediaOpt作為自變量,進行式(1)所示的回歸,結果如表4所示。

表4 因果關系檢驗

t+2年的自變量回歸系數不顯著;t+1年的自變量回歸系數顯著為負;而t、t-1和t-2年的自變量回歸系數均顯著為正,而顯著性依次遞減。這說明自變量與因變量之間不太可能存在反向因果關系。以上三種檢驗說明本文的主回歸結果不存在嚴重的內生性問題。

(四)分組檢驗

1.處于壟斷地位的公司更可能信息不透明,其投資者更易受媒體過度樂觀情緒引導。本文將行業內市場份額超過年度中位數,且所處行業的集中度也超過年度中位數的公司定義為壟斷型公司,其余公司定義為非壟斷型公司。將總樣本按照公司是否壟斷分組后,回歸結果如表5(分組檢驗1)所示。對于壟斷型公司,媒體過度樂觀情緒更容易加劇股價崩盤風險。

2.公司盈余操縱程度越大,投資者更不容易通過財務報表準確判斷公司真實情況,也更容易受到媒體過度樂觀情緒的影響。用修正Jones模型計算出的操縱性應計利潤的三年均值來衡量盈余操縱程度。將總樣本按照盈余操縱程度分為兩組后,回歸結果如表5(分組檢驗2)所示,對于盈余操縱程度更大的公司,媒體過度樂觀更容易加劇股價崩盤風險。

3.游家興和吳靜[14]發現市場情緒樂觀時,媒體樂觀情緒更容易使股價高估。由此可以推測,市場情緒樂觀時,媒體樂觀情緒也更容易使公司負面信息難以反映到股價中,造成負面信息的隱藏。根據t年的市場收益率是否超過無風險收益率將樣本分為熊市和牛市。分組回歸結果如表5(分組檢驗3)所示,在市場為牛市,即市場情緒樂觀時,媒體過度樂觀更容易加劇未來的股價崩盤風險。

表5 分組檢驗

四、結 論

本文用上市公司網絡新聞數據構建了媒體情緒變量,用公司盈余信息估計媒體合理情緒,發現超過合理情緒的媒體過度樂觀情緒顯著增加了公司未來的股價崩盤風險,而未超過合理情緒的部分不會產生顯著影響。這種效應主要是由于網絡媒體對正面新聞大量跟風轉載,使投資者對公司過度樂觀導致的。這種效應在壟斷型公司中、盈余操縱程度較大的公司中,以及市場情緒樂觀時更加顯著。

本文對媒體監管部門的建議是,應進一步限制虛假報道和不對內容加以鑒別的跟風轉載,警惕網絡媒體的輿論誤導行為,避免媒體成為資本逐利的工具;對證券監管部門的啟示是,對于上市公司在媒體上主動投放的正面宣傳應設置嚴格規定,嚴禁虛假宣傳,保護投資者的權益。對投資者的啟示是,在面對海量的新聞報道時應保持理性態度,避免受其影響產生非理性的狂熱情緒和跟風行為。

對后續研究的啟示是:

1.本文自變量的構建仍較為簡單,后續研究可關注如何更準確地測定媒體情緒的信息含量并估計合理情緒。2.后續研究可更多關注在我國股市環境下,如何從行為金融學的角度解釋股價崩盤。□