在線(xiàn)情緒對(duì)股票波動(dòng)的影響及預(yù)測(cè)

徐雨迪

(南京審計(jì)大學(xué)，江蘇 南京 211815)

一、 引言

波動(dòng)率是衡量股市風(fēng)險(xiǎn)的重要指標(biāo)，國(guó)內(nèi)外學(xué)者一直致力于研究如何刻畫(huà)及預(yù)測(cè)市場(chǎng)波動(dòng)率。 有大量文獻(xiàn)基于股票市場(chǎng)的歷史數(shù)據(jù)或金融市場(chǎng)現(xiàn)有的指數(shù)來(lái)預(yù)測(cè)股市波動(dòng)，雖然研究取得了一定的成果，但預(yù)測(cè)能力一直得不到很大的提升，而互聯(lián)網(wǎng)的出現(xiàn)和興起，為股市波動(dòng)預(yù)測(cè)領(lǐng)域的研究提供了新的方向。 在網(wǎng)絡(luò)時(shí)代，社交媒體既是信息傳播的重要媒介，也是投資者的重要信息來(lái)源渠道。 越來(lái)越多的投資者在社交媒體平臺(tái)上發(fā)表自己對(duì)當(dāng)前股市的看法、通過(guò)網(wǎng)絡(luò)搜索獲取信息等，產(chǎn)生了大量具有極大研究?jī)r(jià)值的網(wǎng)絡(luò)信息。 這些信息中往往包含投資者對(duì)股市的看法和未來(lái)投資計(jì)劃，由此通過(guò)這一類(lèi)型的社交媒體信息來(lái)了解投資者的未來(lái)的投資行為，進(jìn)而對(duì)股票波動(dòng)進(jìn)行預(yù)測(cè)是一條行之有效的路徑。 這一方面能夠引導(dǎo)投資者客觀認(rèn)識(shí)自身存在的認(rèn)知偏差，避免盲目跟風(fēng)的同時(shí)，做好風(fēng)險(xiǎn)管理；另一方面，能夠?yàn)橥晟乒善笔袌?chǎng)的運(yùn)行機(jī)制、制定監(jiān)管政策提供思路。

二、 文獻(xiàn)綜述

過(guò)去市場(chǎng)波動(dòng)率的研究大多基于GARCH 族和SV 族模型。 但GARCH 模型和SV 提供的是低頻波動(dòng)率，這種估計(jì)往往不夠精確，會(huì)包含大量的噪聲。為了解決這種估計(jì)的偏差，Andersen 等首次在高頻數(shù)據(jù)的基礎(chǔ)上提出了已實(shí)現(xiàn)波動(dòng)率，是對(duì)日高頻收益率的某種范式的直接加總。 在對(duì)已實(shí)現(xiàn)波動(dòng)的研究中，波動(dòng)率的預(yù)測(cè)占據(jù)著核心的位置。 Blair等、Koopman 等將已實(shí)現(xiàn)波動(dòng)率引入 GARCH模型和SV 模型中發(fā)現(xiàn)，新構(gòu)建的模型能顯著提高對(duì)波動(dòng)率的預(yù)測(cè)能力。 Corsi基于異質(zhì)市場(chǎng)假說(shuō)，定義短、中、長(zhǎng)期波動(dòng)，構(gòu)建異質(zhì)自回歸已實(shí)現(xiàn)波動(dòng)率模型，實(shí)證結(jié)果表明HAR-RV 模型對(duì)未來(lái)波動(dòng)的預(yù)測(cè)能力明顯優(yōu)于GARCH、SV 等波動(dòng)率模型。 在HAR-RV 模型之后，許多學(xué)者在此基礎(chǔ)上提出了擴(kuò)展模型。 如Andersen 等基于多種跳躍統(tǒng)計(jì)檢驗(yàn)方法，建立了 HAR-RV-J 和 HAR-RV-CJ 模型，證實(shí)了分離已實(shí)現(xiàn)波動(dòng)可以提高HAR-RV 模型的預(yù)測(cè)表現(xiàn)。 還有學(xué)者基于股票市場(chǎng)的歷史交易數(shù)據(jù)或金融市場(chǎng)現(xiàn)有的指數(shù)，對(duì)HAR 模型進(jìn)行改進(jìn)。 如馬鋒等引入隔夜收益、劉曉倩等引入中國(guó)波指，有效提升了HAR 類(lèi)模型的預(yù)測(cè)能力。

國(guó)內(nèi)外學(xué)者關(guān)于市場(chǎng)波動(dòng)率模型的研究已十分豐富，但均是基于市場(chǎng)交易的歷史數(shù)據(jù)來(lái)研究和預(yù)測(cè)未來(lái)市場(chǎng)波動(dòng)率。 隨著行為金融學(xué)的興起，定量化研究社交媒體信息，并進(jìn)一步研究其對(duì)市場(chǎng)的影響成為新的研究熱點(diǎn)。 互聯(lián)網(wǎng)的普及，使得微博、Twitter、股吧等社交媒體成為用戶(hù)發(fā)表觀點(diǎn)和交流互動(dòng)的主要平臺(tái)，這從根本上改變了股票市場(chǎng)的信息結(jié)構(gòu)。 這些平臺(tái)上的網(wǎng)絡(luò)信息一般不會(huì)在股市交易數(shù)據(jù)中得到反映，卻蘊(yùn)含著對(duì)股市運(yùn)行有顯著解釋力的有效信息。 基于此，大量學(xué)者運(yùn)用社交媒體信息構(gòu)建在線(xiàn)情緒代理，從而對(duì)股票波動(dòng)進(jìn)行研究。

Da 等首次運(yùn)用Google 股票代碼的搜索量，發(fā)現(xiàn)搜索量會(huì)對(duì)股價(jià)產(chǎn)生影響。 同樣，Dimpfl 等和Kim 等引入Google 搜索量，發(fā)現(xiàn)搜索量與波動(dòng)率之間的走勢(shì)方向具有一定的一致性，搜索量對(duì)未來(lái)股市波動(dòng)性有一定的預(yù)測(cè)能力。 歐陽(yáng)資生等運(yùn)用百度搜索量，揭示了搜索量與滬深兩股市波動(dòng)性之間存在很強(qiáng)的相關(guān)性，歷史搜索量將有助于提升模型的波動(dòng)率預(yù)測(cè)效果。 除了搜索引擎，還有投資者能夠自由發(fā)表觀點(diǎn)、交流互動(dòng)的各種股票論壇，論壇上的帖子能夠非常直接地反映投資者的看法和情緒。 Li 等運(yùn)用Twitter 上的帖子信息構(gòu)建在線(xiàn)情緒，研究發(fā)現(xiàn)當(dāng)日的在線(xiàn)情緒對(duì)三天后的股市具有更好的預(yù)測(cè)性能。 尹海員和吳興穎發(fā)現(xiàn)金融界論壇發(fā)帖信息中的投資者情緒能正向預(yù)測(cè)股票市場(chǎng)運(yùn)行。 Audrino 等使用來(lái)自 Twitter 和Stock Twits 的文本信息構(gòu)建在線(xiàn)情緒，發(fā)現(xiàn)情緒變量能夠顯著提高波動(dòng)性預(yù)測(cè)準(zhǔn)確度。 還有學(xué)者發(fā)現(xiàn)投資者主要借助新聞媒體來(lái)幫助他們處理信息并決定信息的重要程度。 Moussa 等采用Factiva 數(shù)據(jù)庫(kù)的新聞標(biāo)題構(gòu)建在線(xiàn)情緒，發(fā)現(xiàn)公司特有市場(chǎng)信息會(huì)對(duì)股票波動(dòng)產(chǎn)生影響。 Atkins 等發(fā)現(xiàn)，當(dāng)使用財(cái)務(wù)新聞作為機(jī)器學(xué)習(xí)算法的輸入時(shí)，能提高波動(dòng)性的預(yù)測(cè)。 王曉丹等發(fā)現(xiàn)從互聯(lián)網(wǎng)新聞媒體發(fā)布的信息中提取的關(guān)注和情感指標(biāo)對(duì)我國(guó)市場(chǎng)運(yùn)行有一定的影響。

綜上所述，目前國(guó)內(nèi)外學(xué)者的研究已經(jīng)證實(shí)由社交媒體信息構(gòu)建的在線(xiàn)情緒代理包含股票市場(chǎng)運(yùn)行的相關(guān)信息，但以往的研究基本上使用單一的數(shù)據(jù)源構(gòu)建在線(xiàn)情緒代理，鮮有學(xué)者深入探討不同社交媒體源構(gòu)建的在線(xiàn)情緒代理在對(duì)股票市場(chǎng)的影響上，以及對(duì)未來(lái)市場(chǎng)波動(dòng)預(yù)測(cè)包含的信息上是否存在差異。 此外，股市周末休市期間，社交媒體仍然在產(chǎn)生新的信息，較少學(xué)者將周末在線(xiàn)情緒納入研究當(dāng)中。 只有進(jìn)一步解決上述問(wèn)題，才能更好地進(jìn)行股票波動(dòng)預(yù)測(cè)的研究，這也會(huì)使得本研究更具實(shí)踐意義。 基于此，本文選取上海和深圳證券交易所的A 股作為研究對(duì)象，通過(guò)收集社交媒體的數(shù)據(jù)構(gòu)建不同類(lèi)別的在線(xiàn)情緒代理，然后構(gòu)建控制周一效應(yīng)的HAR_M 模型，并將在線(xiàn)情緒代理引入構(gòu)建擴(kuò)展HAR_M 模型，通過(guò)比較新舊模型預(yù)測(cè)精度的差異研究在線(xiàn)情緒代理對(duì)股票波動(dòng)額外的預(yù)測(cè)能力。

三、 數(shù)據(jù)構(gòu)建與描述性統(tǒng)計(jì)分析

(一)數(shù)據(jù)的獲取和預(yù)處理

本文從上海和深圳證券交易所A 股市場(chǎng)中隨機(jī)選取了300 只股票，以2011 年1 月1 日至 2019年12 月31 日所選股票5 分鐘高頻數(shù)據(jù)作為研究樣本。 選擇上述研究樣本基于以下考慮:①2011 年至2019 年跨越了較長(zhǎng)樣本期，涵蓋了中國(guó)股票市場(chǎng)相對(duì)完整的牛熊市波動(dòng)周期；②上交所和深交所A 股市場(chǎng)存在大量的散戶(hù)投資者，其行為更可能受到在線(xiàn)情緒的影響。 股票數(shù)據(jù)來(lái)源于Wind 數(shù)據(jù)庫(kù)，社交媒體數(shù)據(jù)來(lái)源于中國(guó)研究數(shù)據(jù)服務(wù)平臺(tái)(CNRDS)，包括報(bào)刊財(cái)經(jīng)新聞相關(guān)數(shù)據(jù)、網(wǎng)絡(luò)新聞相關(guān)數(shù)據(jù)、上市公司股票代碼網(wǎng)絡(luò)搜索指數(shù)和股吧相關(guān)數(shù)據(jù)。 使用R 作為數(shù)據(jù)分析工具。

考慮到周末股市停盤(pán)而社交媒體仍然在產(chǎn)生新的信息，這些信息也是投資者做出決策的重要參考，從而會(huì)對(duì)未來(lái)股市波動(dòng)產(chǎn)生影響，造成股市的周一效應(yīng)，為此本文在處理數(shù)據(jù)時(shí)，將周末的社交媒體信息累加到周五的信息上，使得周末的在線(xiàn)信息能夠被充分利用。

(二)變量構(gòu)建

1. 已實(shí)現(xiàn)波動(dòng)率

根據(jù)Andersen 和Bollerslev 對(duì)已實(shí)現(xiàn)波動(dòng)率的計(jì)算方法，將交易日

t

分割為

N

段，

P

為交易日

t

中第

i

個(gè)股價(jià)，

i

=1，…，

N

。 令

r

為交易日

t

內(nèi)第

i

時(shí)段的對(duì)數(shù)收益率，

r

=100×(ln

P

-ln

P

)。 上交所和深交所上午的交易時(shí)間為 9∶30 ～11∶30，下午的交易時(shí)間為 13∶00～15∶00，在 5 分鐘的采樣頻率下，每個(gè)交易日共有48 個(gè)樣本點(diǎn)(不含開(kāi)盤(pán)價(jià))，因此通過(guò)求解48 個(gè)5 分鐘收益的平方和來(lái)計(jì)算已實(shí)現(xiàn)波動(dòng)率。 已實(shí)現(xiàn)波動(dòng)率(RV)可以表示為:

2. 在線(xiàn)情緒代理

(1)新聞。 新聞相關(guān)數(shù)據(jù)包括與股票相關(guān)的每日積極和消極的報(bào)刊財(cái)經(jīng)新聞數(shù)量，其中報(bào)刊財(cái)經(jīng)新聞來(lái)源于國(guó)內(nèi)400 多個(gè)主要金融媒體，基本上能覆蓋投資者瀏覽和關(guān)注的大部分新聞。 本文借鑒Lin 等的研究，根據(jù)新聞的情感分類(lèi)，構(gòu)建新聞情緒(NBI):

再根據(jù)每日與股票相關(guān)的新聞總數(shù)量構(gòu)建新聞關(guān)注(NAT):

其中，News是股票

i

在

t

時(shí)新聞總數(shù)量。

(2)股吧。 股吧是投資者分享股市相關(guān)信息、發(fā)表觀點(diǎn)和看法并交換投資經(jīng)驗(yàn)的互動(dòng)平臺(tái)，其中的帖子反映了股市中大部分投資者的心理。 本文根據(jù)股吧帖子的情感分類(lèi)，匯總每日每只股票的積極和消極股吧帖子數(shù)，構(gòu)建股吧情緒(PBI):

再根據(jù)每日的股吧帖子數(shù)量構(gòu)建股吧關(guān)注:

其中，Post是股票

i

在

t

時(shí)帖子數(shù)。

(3)搜索引擎。 本文選取上市公司股票代碼網(wǎng)絡(luò)搜索量構(gòu)建投資者關(guān)注(SVI)。 為了避免出現(xiàn)異方差的問(wèn)題，對(duì)其進(jìn)行對(duì)數(shù)處理:

其中，SV是股票

i

在

t

時(shí)的股票代碼搜索量。

3. 周一效應(yīng)

由于周末的信息會(huì)對(duì)周一股市產(chǎn)生影響，為此本文構(gòu)建周一虛擬變量Monday，用以控制股市波動(dòng)中的周一效應(yīng)，即交易日為周一取1，其他取值為0。

(三)描述性統(tǒng)計(jì)分析

收集相關(guān)變量數(shù)據(jù)后，本文對(duì)數(shù)據(jù)進(jìn)行描述性統(tǒng)計(jì)分析，具體結(jié)果見(jiàn)表1。

從表1 可知，股吧情緒和新聞情緒的描述性統(tǒng)計(jì)類(lèi)似，在樣本期內(nèi)，均值約為0.2，內(nèi)部標(biāo)準(zhǔn)差都大于股票之間標(biāo)準(zhǔn)差。 對(duì)關(guān)注在線(xiàn)關(guān)注指數(shù)(股吧關(guān)注、新聞關(guān)注和投資者關(guān)注)，均值差異較大。 這說(shuō)明不同社交媒體的情緒類(lèi)似，關(guān)注差異大。

表1 主要變量描述性統(tǒng)計(jì)

(四)相關(guān)性分析

表2 為樣本中每只股票的相關(guān)變量之間的成對(duì)同期Pearson 相關(guān)性，可以看出各變量之間均存在一定的相關(guān)性。

表2 主要變量的相關(guān)系數(shù)

四、 實(shí)證分析

(一)基準(zhǔn)模型

根據(jù)波動(dòng)率所具有的長(zhǎng)記憶性，本文使用異質(zhì)自回歸(HAR)模型作為預(yù)測(cè)模型。 基準(zhǔn)HAR 模型由下式給出:

但是HAR 模型沒(méi)有考慮股市中普遍存在的周一效應(yīng)，因此本文將控制周一效應(yīng)的Monday變量引入HAR 模型，構(gòu)建HAR_M 模型:

本文對(duì)HAR 模型和HAR_M 進(jìn)行 Hausman 檢驗(yàn)，Hausman 統(tǒng)計(jì)量的值分別為994.6 和1010.1，

p

值均小于0.05，說(shuō)明隨機(jī)效應(yīng)模型的假設(shè)無(wú)法滿(mǎn)足，個(gè)體效應(yīng)與回歸變量是相關(guān)的，所以采用固定效應(yīng)模型比較合適。 因此，本文對(duì)模型(1)和(2)進(jìn)行控制個(gè)體固定效應(yīng)的面板數(shù)據(jù)回歸，回歸結(jié)果見(jiàn)表3。

表3 基準(zhǔn)模型回歸結(jié)果

續(xù)表

從表3 可以發(fā)現(xiàn):①M(fèi)onday 變量的系數(shù)顯著為正，股市波動(dòng)存在顯著的周一效應(yīng)，這是由周末各種信息積累造成的；②綜合模型的擬合優(yōu)度

R

可知，控制周一效應(yīng)的HAR_M 模型的擬合能力要優(yōu)于HAR 模型。 綜上可知，控制周一效應(yīng)的HAR_M 模型要優(yōu)于傳統(tǒng)的HAR 模型。

(二)未來(lái)已實(shí)現(xiàn)波動(dòng)率的樣本內(nèi)預(yù)測(cè)

考慮日和周平均的在線(xiàn)情緒對(duì)未來(lái)一日股市波動(dòng)的影響，本文將在線(xiàn)情緒代理分別引入HAR_M_media 模型:

表4 樣本內(nèi)回歸結(jié)果

從表4 可以發(fā)現(xiàn)，在線(xiàn)情緒代理均會(huì)對(duì)股票波動(dòng)產(chǎn)生顯著影響，具體來(lái)看除了周平均新聞、股吧和投資者關(guān)注對(duì)股票波動(dòng)的影響存在反轉(zhuǎn)效應(yīng)外，在線(xiàn)情緒均對(duì)股市波動(dòng)產(chǎn)生顯著的正向影響，這可能是由于過(guò)度關(guān)注引起的。 綜合模型的擬合優(yōu)度

R

可知，在線(xiàn)情緒代理變量的引入均在不同程度上提高了模型預(yù)測(cè)的準(zhǔn)確度，說(shuō)明在線(xiàn)情緒的引入有助于改善對(duì)未來(lái)波動(dòng)率的預(yù)測(cè)效果。

(三)未來(lái)已實(shí)現(xiàn)波動(dòng)率的樣本外預(yù)測(cè)

上文驗(yàn)證了在線(xiàn)情緒變量的引入有助于改善對(duì)未來(lái)波動(dòng)的預(yù)測(cè)效果，本節(jié)進(jìn)一步研究在線(xiàn)情緒代理對(duì)股票波動(dòng)的樣本外預(yù)測(cè)能力及差異。 基于此，本文在HAR_M 模型的基礎(chǔ)上分別引入來(lái)自新聞、股吧和搜索引擎的在線(xiàn)情緒變量集，以研究不同類(lèi)別在線(xiàn)情緒對(duì)股票波動(dòng)的預(yù)測(cè)能力，具體的擴(kuò)展HAR_M 模型如下。

為研究股吧在線(xiàn)情緒對(duì)股票波動(dòng)的預(yù)測(cè)價(jià)值，在HAR_M 模型的基礎(chǔ)上引入日和周平均的股吧情緒和關(guān)注，構(gòu)建HAR_M_Posts:

為研究新聞在線(xiàn)情緒對(duì)股票波動(dòng)的預(yù)測(cè)價(jià)值，在HAR_M 模型的基礎(chǔ)上引入日和周平均的新聞情緒和新聞關(guān)注，構(gòu)建HAR_M_Online:

為研究搜索引擎在線(xiàn)情緒對(duì)股票波動(dòng)的預(yù)測(cè)價(jià)值，在HAR_M 模型的基礎(chǔ)上引入日和周平均的投資者關(guān)注，構(gòu)建HAR_M_Searching:

對(duì)模型運(yùn)用“滑動(dòng)時(shí)間窗”的樣本外預(yù)測(cè)方法，具體如下。 以2011 年 1 月 1 日至 2012 年 12 月 31日為訓(xùn)練窗口期，用訓(xùn)練窗口期數(shù)據(jù)訓(xùn)練的模型進(jìn)行未來(lái)20 天的預(yù)測(cè)。 然后保持訓(xùn)練窗口的長(zhǎng)度不變，將訓(xùn)練窗口向前移動(dòng)20 天，再次進(jìn)行未來(lái)20 天的預(yù)測(cè)。 通過(guò)在整個(gè)樣本期間重復(fù)滾動(dòng)訓(xùn)練窗口，并且進(jìn)行未來(lái)20 天的預(yù)測(cè)，獲得了2013 年1 月1日至2019 年12 月31 日的滾動(dòng)預(yù)測(cè)數(shù)據(jù)。 本文用均方百分比誤差(MSPE)和平均絕對(duì)百分比誤差(MAPE)作為判斷模型預(yù)測(cè)精度的標(biāo)準(zhǔn)，定義如下:

HAR_M 類(lèi)模型的樣本外預(yù)測(cè)性能列在表5 中。上部面板列出的是2013 年至2019 年 MSPE 值，下部面板列出的是2013 年至2019 年MSAE 值。

從表5 可知:①與HAR_M 模型相比，HAR_M_Online 和 HAR_M_Posts 模型的 MSPE 和 MSAE 降低的年份較少，而HAR_M_Searching 幾乎所有年份的MSPE 和MSAE 都有降低。 這表明，在對(duì)股票波動(dòng)的預(yù)測(cè)上，新聞和股吧在線(xiàn)情緒的額外預(yù)測(cè)能力微弱，搜索引擎的額外預(yù)測(cè)能力最強(qiáng)。 ②三種在線(xiàn)情緒同時(shí)引入時(shí)的HAR_M_Media 模型的預(yù)測(cè)性能最好，這表明三種在線(xiàn)情緒在對(duì)股票波動(dòng)預(yù)測(cè)上有互補(bǔ)價(jià)值。

表5 HAR_M 類(lèi)模型樣本外預(yù)測(cè)結(jié)果

(四)穩(wěn)健性檢驗(yàn)

本文借鑒Davydenko 等提出的平均相對(duì)平均絕對(duì)誤差(AvgRelMAE)和平均相對(duì)均方誤差(AvgRelMSE)，以評(píng)估引入不同類(lèi)型在線(xiàn)情緒代理的不同模型之間的相對(duì)波動(dòng)性預(yù)測(cè)精度來(lái)進(jìn)一步檢驗(yàn)實(shí)證結(jié)果的穩(wěn)健性。 定義如下:

本文使用HAR_M 模型作為計(jì)算AvgRelMSE 和AvgRelMAE 的基線(xiàn)模型，若 AvgRelMSE 和 AvgRel-MAE 小于1，說(shuō)明擴(kuò)展模型提高了基線(xiàn)模型的預(yù)測(cè)性能。 HAR_M 類(lèi)模型的滾動(dòng)預(yù)測(cè)相對(duì)性能見(jiàn)表6。

表6 HAR_M 類(lèi)模型相對(duì)預(yù)測(cè)性能

從表6 可以看出，擴(kuò)展HAR_M 模型的AvgRelMSE和AvgRelMAE 均小于1，其中 HAR_M_Media 的值最小，其次是HAR_M_Searching，再是 HAR_M_Online 和HAR_M_Posts，可以得出與上文一致的結(jié)論。

五、 結(jié)論與展望

本文選取上海和深圳證券交易所的A 股作為研究對(duì)象，通過(guò)收集三種社交媒體的數(shù)據(jù)(搜索引擎、股吧和新聞媒體)構(gòu)建不同類(lèi)別的在線(xiàn)情緒代理，以HAR_M 模型為基線(xiàn)模型，并將在線(xiàn)情緒代理引入基線(xiàn)模型構(gòu)建擴(kuò)展HAR_M 模型，通過(guò)比較HAR_M 類(lèi)預(yù)測(cè)精度的差異研究在線(xiàn)情緒代理對(duì)股票波動(dòng)額外的預(yù)測(cè)能力。 研究結(jié)果表明:①股市波動(dòng)存在周一效應(yīng)，周末信息會(huì)對(duì)周一股市波動(dòng)產(chǎn)生顯著的正向沖擊，且控制周一效應(yīng)的HAR_M 模型優(yōu)于傳統(tǒng)HAR 模型；②來(lái)源于新聞、股吧和搜索引擎的在線(xiàn)情緒代理均包含對(duì)股票波動(dòng)的預(yù)測(cè)信息，其中來(lái)源于搜索引擎的變量包含的預(yù)測(cè)信息最多，其次是新聞，最后是股吧；③三種在線(xiàn)情緒在對(duì)股票波動(dòng)的預(yù)測(cè)上有互補(bǔ)價(jià)值，三種在線(xiàn)情緒一起引入預(yù)測(cè)模型時(shí)，模型的預(yù)測(cè)性能最好。

本文的研究結(jié)果具有重要的實(shí)踐意義。 由于社交媒體信息包含對(duì)股市波動(dòng)的額外預(yù)測(cè)能力，因此，政府部門(mén)一方面應(yīng)該重視社交媒體對(duì)股市的影響，充分挖掘社交媒體信息隱含的金融價(jià)值，實(shí)時(shí)把握股市動(dòng)態(tài)，維持股票市場(chǎng)穩(wěn)定；另一方面要加強(qiáng)對(duì)相關(guān)媒體的監(jiān)管，防范不法公司或個(gè)人非法利用網(wǎng)絡(luò)媒體操縱股市，發(fā)揮政府“無(wú)形的手”的力量。 此外，當(dāng)下經(jīng)濟(jì)形勢(shì)復(fù)雜多變，各種社交媒體信息充斥股票市場(chǎng)，難辨真?zhèn)危顿Y者應(yīng)保持理性，多方位、全面了解公司和各類(lèi)市場(chǎng)信息，提升決策水平。