陳 玉，李述山

(山東科技大學 數(shù)學與系統(tǒng)科學學院，山東 青島 266590)

微博博主的專業(yè)性和微博內(nèi)容傳遞的廣泛性與快捷性使得微博信息成為影響消費者信息評價的重要因素，微博情感分析可以顯示博主對當前事件的情感和觀點,張淯婷提出一種基于決策樹的微博情感度判斷方法[1]123-126，并對微博情感做了探索性空間分析，為中文微博平臺的海量文本規(guī)律研究提供一個新的視角。劉德喜提出與特定語言無關的基于分類思想的微博新情感詞抽取方法[2]1-23，并根據(jù)微博數(shù)據(jù)集和情感詞典自動構建訓練數(shù)據(jù)、訓練分類器并判別候選詞的情感極性,最后采用投票機制確定候選詞的情感極性。Keran(1971)在研究貨幣供給量與貨幣供給增長率、貨幣供給量與股票價格、貨幣供給增長率與股票價格之間的線性關系時，在模型中額外加入利率作為一種影響因素[3]635-654。Hamburger與Kochin(1972)在Keran研究的基礎上額外加入公司債券利率和當期價格水平，并以此識別貨幣供給量確實對股票價格波動造成了直接的影響[4]27-34。

基于上述研究，本文擬利用情感傾向點互信息算法建立微博情感量化方法，以EGARCH—GED模型為基礎，通過添加微博情感變量的方式建立模型，并采用實際微博數(shù)據(jù)及股市數(shù)據(jù)進行實證研究，綜合考查微博情感對股票市場收益率、波動率等方面的影響。

一、微博情感對股票市場影響的計量分析模型

(一)微博情感的量化

本文基于簡體中文情感極性詞典，通過SO—PMI算法篩選出部分領域情感詞并計算情感傾向點互信息[5]89-95，具體方法如下。

1．在新浪微博選取若干位在上證市場分析方具有較大影響力博主，粉絲量要在20萬以上。

2．假設某日(t-1日)的微博內(nèi)容能夠?qū)Φ诙?t日)的股市收益產(chǎn)生影響，根據(jù)博主在該天發(fā)布的微博內(nèi)容，將微博內(nèi)容進行分詞法分析。

(1)建立數(shù)據(jù)集{set}，包括積極基準詞組Pword和消極基準詞組Nword兩類；

(2)運用情感傾向點互信息算法計算情感傾向。

首先，計算基準詞word1和候選詞word2的點互信息(PMI)，其計算公式為：

(1)

式(1)中PMI>0表示兩個詞正相關，值越大，相關性越強；PMI=0表示兩個詞是統(tǒng)計獨立的不相關也不互斥；PMI<0表示兩個詞負相關；

其次，計算一個詞的情感傾向點互信息(SO—MI)，其計算公式為：

(2)

式(2)中，word表示候選詞，Pword與Nword分別表示該文本的積極基準詞組和消極基準詞組，Pwords與Nwords分別表示積極詞集合和消極詞集合。

通常情況下，將0作為SO—PMI的閥值，相應得到三種狀態(tài)：SO—PMI>0表示該詞有正面傾向，即褒義詞；SO—PMI=0表示該詞有中性傾向，即中性詞；SO—PMI<0表示該詞有負面傾向，即貶義詞。

3．量化微博情感變量。本文采用如下方式量化微博情感：針對t-1日的微博，定義t日的微博情感變量WBt=

(3)

式(3)中，N表示博主(博文)的數(shù)量，gs與SO—PMIst分別表示第s博主(博文)的權重及t日的情感傾向點互信息，k表示博文中積極詞的個數(shù)，l表示消極詞的個數(shù)。此時，-1WBt1，-1WBt<0表達消極情感；WBt=0表達中立情感；0

(二)加入微博情感的模型

經(jīng)典的ARMA(m, n)—EGARCH(p,q)具體結構如下：

(4)

將得到的微博情感變量作為外生變量加入EGARCH模型，以考察微博情感對股票市場的影響，參數(shù)估計采用極大似然估計法，相應的假設檢驗采用漸進似然比檢驗法。

1．在均值方程中加入微博情感變量，得到模型(5)：

(5)

在模型(5)中考慮檢驗問題：原假設H0∶θ1=0,備擇假設為H0∶θ1≠0，如果拒絕原假設，說明微博情感對市場收益有顯著影響。

2．在方差方程中加入微博情感，模型為：

(6)

在模型(6)中考察檢驗問題：原假設H0∶θ2=0,備擇假設為H0∶θ2≠0，如果拒絕原假設，說明微博情感對市場的條件波動率有顯著影響。

3．在均值方程和方差方程中均加入微博情感，模型的表達式為：

二、實證分析

(一)數(shù)據(jù)來源

本文實證數(shù)據(jù)來源為網(wǎng)易財經(jīng)，選取起始時間為2016年6月1日，截止時間為2017年12月31日，同時對數(shù)據(jù)進行節(jié)假日處理，即非周末的休市日期，按照最近一個交易日的數(shù)據(jù)進行補齊，最終處理指數(shù)是頻率為一周五天的日數(shù)據(jù)，共388個對數(shù)收益率。選定楊德龍、水皮、李大霄、但斌、花榮5位博主的微博(388天)，積極基準詞和消極基準詞如表1所示。

(二)EGARCH模型擬合

表2給出了上證指數(shù)對數(shù)收益率序列的ADF單位根檢驗結果，對數(shù)收益率序列為平穩(wěn)序列。

利用赤池信息準則，建立ARMA(1,1)模型，采用ARCH—LM檢驗法對殘差序列進行異方差性檢驗，認為對數(shù)收益率序列存在ARCH效應，可以使用條件異方差模型進行建模。由表3 可以看出，對數(shù)收益率的偏度值小于0，說明序列分布左偏；對數(shù)收益率峰度值高于正態(tài)分布的峰度值3，呈現(xiàn)出高峰厚尾形態(tài)。因此，我們采用基于廣義誤差分布的ARMA—EGARCH模型，結合赤池信息準則最終建立ARMA(1,1)—EGARCH(1,1)—GED模型，其參數(shù)估計結果列于表4。

表1 積極和消極基準詞表

積極基準詞看漲、抄底、反彈、利好、利多、突破、中陽線、收復、反攻、牛市、慢牛、漲停、滿倉、加倉、攀升、上攻、上揚、修復、止跌、穩(wěn)企、陽線、樂觀、上升、探底、高升、高走、井噴、補倉、補漲、回暖、看好、普漲、增量、強反消極基準詞看跌、減倉、跌、跌破、利空、空頭、恐慌、低迷、筑底、危險、熊市、悲觀、陰線、低、低開、解禁、空倉、回調(diào)、割肉、看空、跳水、下跌、跌停、弱勢、暴跌、沖高、砸盤、觀望、疲軟、被套、平倉、謹慎、調(diào)整、縮量、惡戰(zhàn)、觀察、歇整、走低

表2 ADF單位根的檢驗結果

ADF值1% level5% level10% levelProb-11.18964-3.495677-2.890037-2.5820410.0000

表3 對數(shù)收益率統(tǒng)計性描述

均值標準差偏度峰度J-B檢驗0.0011211.914941-0.1392397.402920785.8288

表4 基于模型(4)的參數(shù)估計

φ0φ1η1ωα1β1γ1AIC0.00163(0.5700)0.92424(0.0125)-0.99648(0.0223)-0.248634(0.02095)-0.15456(0.05219)0.97307(0.19249)-0.2411(0.000)-6.5562

ARCH效應檢驗表明模型消除了 ARCH效應，因此模型的擬合效果良好。

(三)微博情感對股票市場影響

鑒于ARMA(1,1)—EGARCH(1,1)—GED模型表現(xiàn)良好，故在該模型基礎上通過添加微博情感變量建立相應模型，即分別在模型(5)、(6)、(7)中取m=n=p=q=1對微博情感對股票市場的影響進行實證研究，參數(shù)估計及假設檢驗結果分別列于表5、表6及表7。

表5 基于模型(5)的參數(shù)估計

φ0φ1η1ωα1β1γ1θ1AIC-0.00147(0.53636)0.46955(0.0000)-0.66020(0.00000)-6.30497(0.00014)-0.65804(0.0064)0.33364(0.03429)0.08686(0.7799)1.20042(0.0106)-7.2352

表6 基于模型(6)的參數(shù)估計

φ0φ1η1ωα1β1γ1θ2AIC0.00183(0.83970)0.75277(0.0110)-0.89709(0.1494)-8.21737(0.0082)-0.85752(0.0131)0.21804(0.4666)0.1314(0.7068)-0.00333(0.0000)-7.23279

表7 基于模型(7)的參數(shù)估計

φ0φ1η1ωα1β1γ1θ1θ2AIC0.00135(0.3822)0.79505(0.0068)-0.92757(0.0278)-0.94276(0.0000)-0.14961(0.0323)0.89959(0.0000)-0.01539(0.6319)0.0026(0.0000)0.17628(0.0000)-7.23956

ARCH效應檢驗表明三個模型皆消除了 ARCH效應，因此模型的擬合效果很好。

由表5可以看出，微博情感變量的系數(shù)θ1的p值為0.0106，表明微博情感對股市收益有顯著的影響。其估計值顯著大于0，說明微博博主的市場分析與實際市場行為一致程度較高。

由表6可以看出，微博情感變量的系數(shù)θ2的p值為0.0000，說明對股市波動有顯著的影響。其估計值顯著小于0，說明微博博主的市場分析有利于市場穩(wěn)定。

針對模型(7)，經(jīng)計算檢驗問題H0:θ1=0,θ2=0檢驗的p值為0.0001，說明博情感對股市收益或股市波動有顯著影響。

三、結語

本文研究微博情感對股票市場的影響為目的，主要進行了三方面工作。第一，以情感傾向點互信息 (SO—PMI)為基礎建立了一種微博情感的量化方法。第二，通過在EGARCH模型中添加微博情感變量作為外生變量的方法建立了三個考察微博情感對股票市場影響的計量模型。第三，使用上證市場的實際數(shù)據(jù)及實際的微博數(shù)據(jù)針對微博情感對股票市場的影響問題進行實證研究，實證結果表明所建模型是有效的，專業(yè)人士的微博內(nèi)容對股票市場影響顯著，我國股市投資者具有跟風的特點，投資理念不強，較易受到外界信息影響。

但本文的研究還存在一些不足之處。

第一，微博信息的利用方面還有待進一步加強。本文實證分析中只是選擇了5位有影響的博主及其博文，尚不能較充分的利用微博信息?；诰W(wǎng)絡大數(shù)據(jù)的數(shù)據(jù)挖掘方法的研究及應用將能較好的破解信息利用不夠充分的問題。

第二，微博情感的量化方法方面還有待進一步研究。微博情感信息的挖掘具有很強的專業(yè)性及很高的技術性，本文實證研究只是采用了一種較成熟的方法；另外在微博情感的量化方面僅僅給出了一種量化方法，尚需與專業(yè)人員配合并采用多種方法進行量化比較。