基于房地产企业的社交媒体对资本市场的影响——以微博为例

2022-09-10

本文以房地产上市公司为研究对象, 以微博为例, 构建微博情绪指数, 研究对于房地产行业而言, 微博情绪与股票市场的互动影响、微博情绪对股票收益率及成交量的预测作用。一方面, 能够帮助投资者预测股票市场的变动获取投资收益, 更主要的是帮助投资者理性投资、避免盲目跟风, 另一方面, 有助于信息监管者加强社交媒体信息监管, 使社交媒体真正成为促进资本市场发展的助推器。

1 文献综述

学者们对于社交媒体已经进行了好多研究, 但是大部分研究都集中在社交媒体与股市大盘之间的关系, 很少有学者以以某一个行业的股票为研究对象。而且在社交媒体情绪的研究中, 很少研究不同程度等级的情绪对股票市场的影响, 实际上, 股票市场对不同程度等级的投资者情绪的敏感程度会存在差异。所以本文以房地产上市公司为研究对象, 研究微博情绪指数与股票收益率, 股票成交量之间的互动关系, 并且分等级研究积极情绪 (一般、中度、高度) , 消极情绪 (一般、中度、高度) 对股票市场的影响。

2 理论分析及假设的提出

非理性因素对股票市场的影响一直是行为金融领域的重要研究内容。由于环境的复杂性, 信息的不完全以及个人能力的限制, 在资本市场交易中投资者很难达到传统金融学所假设的“完全理性”状态, 而只能做到“有限理性”。在非理性因素中, 投资者情绪是主要因素之一。个体差异的存在使得投资者情绪有所不同, 而由于情绪的传染效应, 投资者对于市场预期的非理性情绪往往会在互动交流中趋向一致。这种“羊群效应”可能会对股票市场交易产生噪声干扰, 而使股票价格偏离真实价格出现异常波动。学者们对于投资者情绪与股票市场的关系已经做了大量的研究。Delong等 (1990) 认为投资者情绪会增加资本市场定价的系统性风险, 并建立了DSSW模型比较了理性投资者的噪声交易者的投资行为, 认为噪声交易者承受更大的风险的同时也会拥有更高的风险收益。Shiller (2000) 以及Fisher, Statman (2000) , 以及国内学者如张宗新、王海亮 (2013) , 刘维奇 (2014) 以及胡昌生 (2013) 等也进行了实证研究, 认为投资者情绪对股票市场的收益会有影响。当然也有学者对此提出异议, 认为投资者情绪不能反映股票市场收益的波动, 如Chen (1993) , 张俊生 (2001) 等。

本文采用情感分析工具挖掘微博中包含的投资者情绪, 构建微博情绪指数。提出如下假设:

H1:微博情绪对股票收益率会产生影响, 不同程度的情绪对股票收益率的影响也是不同的;

H2:微博情绪对股票成交量产生影响, 不同程度的情绪对股票收益率的影响也是不同的。

3 研究设计

3.1 样本选择及数据来源

分析微博对某只股票的影响, 首先应该保证某上市公司在微博中被提到的次数较多, 所以该公司应该具有规模大、知名度高、被关注程度高的的特点。在我国134家房地产上市公司中, 随机抽取2天, 测试了每只股票每天被提到的微博量, 选取出每天微博量最多的前50只股票作为研究样本, 微博搜索的时间区间是2016年1月3日-2016年6月31日, 其中剔除掉周六日和法定节假日。

3.2 变量定义及数据来源

3.2.1 微博情绪指数构建。

使用八爪鱼数据采集系统抓取微博数据, 50只股票2016年前半年共抓取了564639条微博, 去掉空白微博之后, 得到431 724条有效微博, 从该平台能够获取到微博的发布时间、转发数量、评论数量以及微博的内容。

在微博抓取成功之后, 使用ROST Content Mining内容挖掘系统中的情感分析模块对每一条微博进行情感分析, 情感分析结果如下:其一是是情感分析的详细结果, 对每一条微博进行打分得到的情绪值。其二是是对情绪进行分类, 每一类情绪所占的比例, 积极情绪与消极情绪共分为三段, 分别包括一般、中度与高度。

根据情感分析结果, 每一只股票在第t天的微博情绪值等于该只股票在第t天所有微博的微博情绪的平均值, 用SENT表示。

(SENTi, t表示第i只股票在第t天的微博情绪值, SENTi, j表示i只股票在第t天的第j条微博的情绪值)

3.2.2 股票收益率。

(Pt为个股的第t日的日收盘价, Pt-1为个股的第t-1的日收盘价)

3.2.3 股票交易量。

股票的日交易量的数据来源于国泰安数据库, 对其交易股数也进行取对数处理, 记为Ln VOL。

3.2.4 流通市值。

田利辉和王冠英 (2014) 认为我国A股市场存在规模效应, 股票市值与股票收益率呈负相关关系。余志红 (2013) 在运用多元回归研究微博情绪与股票收率的关系时, 引入了流通市值和成交量作为控制变量, 蒋玉梅和王明照 (2010) 研究投资者情绪对零成本套利组合收益的影响时, 引入了市场溢价因子、市值因子、账面市场比因子作为控制变量。所以本文也选取流通市值作为控制变量, 对其取对数, 用Ln LIMV表示, 数据来源于国泰安数据库。

3.3 研究模型的建立

本文采用多元回归分析、基于VAR模型的Grange因果检验研究微博情绪与股票市场之间互动关系, 所以建立了如下模型:

3.3.1 多元回归模型。

采用逐步回归的方法, 将Ln VOL、Ln LIMV、SENT逐渐引入到模型中, Ln VOL、Ln LIMV、SENT分别采用滞后1期、滞后3期、滞后5期的数据。

3.3.2 向量自回归模型 (VAR) 。

用向量自回归模型检验微博情绪与成交量、股票收益之间的关系, VAR模型的一般形式为:

其中, Yt为内生变量向量, Yt-p为滞后p期内生变量向量, At是滞后内生变量的系数, Xt-r为滞后r期外生变量向量, Bt为滞后外生变量的系数。

4 实证分析

描述性统计与单位根检验

微博日情绪得分均值 (SENT) 的极小值是-25分, 极大值是53, 标准差较大, 说明微博情绪得分均值波动较大, 平均值是10.032, 是属于积极情绪。股票收益率 (RETA) 、对数成交量 (Ln VOL) 、对数流通市值 (Ln LIMV) 的均值分别是0.028、19.399、19.270, 波动程度也都比较小。

面板数据的回归分析以及Grange检验都要进行单位根检验, 否则会出现伪回归。表1最后一栏是运用增广的迪基—福勒检验 (ADF检验) 得到的单位根检验结果。各时间序列一阶差分的ADF检验的t统计量都通过了1%的显著性水平, 因此可以拒绝单位根假设, 各个时间序列是平稳的, 能够进行回归分析。结束语

本文以房地产上市公司为研究样本, 运用八爪鱼技术抓取海量微博数据, 通过情感分析工具得到的结果建立了微博情感指数, 运用多元回归分析、Grange因果检验来研究微博情绪指数与股票收益率、股票成交量的动态关系。

通过多元回归分析得到微博情绪会显著的影响股票收益率, 滞后1期和滞后3期微博情绪值都通过了显著性检验, 而滞后5期微博情绪未通过检验, 所以微博情绪对股票收益率影响的持续时间较短。当微博情绪表现消极时, 会使股票收益率在短期内下降, 当微博情绪表现积极时, 就会使股票收益率在短期内上升。

摘要：以新浪微博为数据源, 以我国2016年沪、深两市A股房地产上市公司为研究对象, 通过情绪分析工具构建微博情绪综合指数, 并将微博情绪分为一般、中度、高度三个等级, 通过多元回归分析、Grange因果检验研究微博情绪与股票市场之间的关系。研究结果表明, 微博情绪能够预测股票收益率与股票成交量的变化, 但是对股票收益率的预测时间要短于股票成交量的预测时间, 股票收益率和股票成交量能够影响微博情绪。对于不同程度等级的微博情绪对股票市场的影响不同, 无论是积极还是消极情绪, 较高情绪等级对股票市场的影响要大于较低情绪等级的影响。

关键词：社交媒体,资本市场,微博