尹海員 楊慶松

(陜西師范大學(xué)國(guó)際商學(xué)院)

1 研究背景

我國(guó)證券市場(chǎng)發(fā)展速度快，但存在歷史短、投資者成熟度低、個(gè)人投資者占據(jù)主體、市場(chǎng)機(jī)制不健全等問(wèn)題。股票市場(chǎng)充斥著非理性行為，股票價(jià)格暴漲暴跌。研究發(fā)現(xiàn)，2000～2017年間我國(guó)股票市場(chǎng)出現(xiàn)了多次泡沫，其中最長(zhǎng)泡沫周期長(zhǎng)達(dá)17個(gè)月，隱藏著巨大的市場(chǎng)風(fēng)險(xiǎn)[1]。

股價(jià)泡沫是股價(jià)脫離實(shí)際價(jià)值的暴漲暴跌。有效市場(chǎng)理論認(rèn)為，如果金融市場(chǎng)是有效的，股票價(jià)格將及時(shí)反映所有基本面信息，非理性投資者造成的股價(jià)偏離會(huì)被套利者及時(shí)糾正。噪聲交易者理論則認(rèn)為，噪音交易者的預(yù)期往往受到無(wú)意義的市場(chǎng)信號(hào)和情緒的影響，從而造成股票價(jià)格的偏差?，F(xiàn)有文獻(xiàn)也表明，投資者的非理性行為會(huì)降低股價(jià)的信息含量和市場(chǎng)定價(jià)效率[2]。噪音交易者理論成立的前提是：情緒波動(dòng)在噪音交易者之間具有系統(tǒng)相關(guān)性，這往往被理性主義者所駁斥。如果此前提理論上成立，那么投資者群體的過(guò)度樂(lè)觀和悲觀在套利限制存在的市場(chǎng)上，都會(huì)體現(xiàn)在股價(jià)的形成中。情緒通過(guò)羊群效應(yīng)和正反饋效應(yīng)最終促成股價(jià)泡沫的形成。投資者情緒在噪音交易者之間是否具有系統(tǒng)相關(guān)性，是否及如何對(duì)股價(jià)泡沫產(chǎn)生影響？這是本研究需要探討的主要問(wèn)題。

本研究以滬深300指數(shù)成分股為研究對(duì)象，抓取東方財(cái)富股吧上的個(gè)股評(píng)論文本，通過(guò)搭建雙向長(zhǎng)短時(shí)記憶(Bi-LSTM)模型對(duì)文本進(jìn)行情感分類，構(gòu)建日度投資者情緒指標(biāo)；同時(shí)，使用PHILLIPS等[3]提出的GSADF法檢驗(yàn)樣本股價(jià)泡沫，利用BSADF法獲得個(gè)股泡沫持續(xù)期及泡沫強(qiáng)度；并在此基礎(chǔ)上建立面板數(shù)據(jù)模型，分析投資者情緒與股價(jià)泡沫之間的內(nèi)在關(guān)系。

2 文獻(xiàn)綜述

2.1 投資者情緒挖掘技術(shù)

金融領(lǐng)域中，傳統(tǒng)的文本情感分析法(如情感詞典匹配法和有監(jiān)督的機(jī)器學(xué)習(xí)法)往往泛化性較弱且會(huì)忽視上下文的語(yǔ)義關(guān)系[4,5]。近年來(lái)，深度學(xué)習(xí)模型(如卷積神經(jīng)網(wǎng)絡(luò)CNN和循環(huán)神經(jīng)網(wǎng)絡(luò)RNN等)在文本情感分析領(lǐng)域被廣泛應(yīng)用。其優(yōu)點(diǎn)在于，模型可以考慮到詞語(yǔ)位置并善于處理不規(guī)范和大規(guī)模文本[6]。

CNN的特點(diǎn)在于，可以提取文本的細(xì)粒度局部特征，其準(zhǔn)確率和召回率等指標(biāo)往往優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)模型，現(xiàn)已被廣泛用于網(wǎng)絡(luò)大數(shù)據(jù)分析中[7]。RNN模型的特征識(shí)別兼顧當(dāng)期輸入和歷史信息，有利于具有時(shí)間依賴關(guān)系的文本序列的情感分類任務(wù)[8]。RNN模型在訓(xùn)練過(guò)程中常出現(xiàn)梯度消失和梯度爆炸問(wèn)題。學(xué)界基于RNN模型進(jìn)行改進(jìn)，出現(xiàn)了長(zhǎng)短時(shí)記憶(LSTM)模型、門控循環(huán)神經(jīng)網(wǎng)絡(luò)(GRU)模型等。這些模型克服了RNN模型的缺點(diǎn)，同時(shí)保留了其可以結(jié)合上下文語(yǔ)義提取文本特征的優(yōu)勢(shì)。LSTM模型目前已被用于金融領(lǐng)域執(zhí)行文本情感分析任務(wù)[9]。Bi-LSTM模型可結(jié)合前后兩個(gè)方向的文本特征進(jìn)行文本情感分類，其分類效果常優(yōu)于LSTM模型[10]。

2.2 股價(jià)泡沫的檢驗(yàn)

國(guó)內(nèi)外學(xué)者檢測(cè)股價(jià)泡沫的方法可分為3類：代理變量法、線性檢驗(yàn)?zāi)Ｐ秃头蔷€性檢驗(yàn)?zāi)Ｐ汀４碜兞糠ㄊ侵甘褂门c股價(jià)泡沫高度相關(guān)的其他金融變量來(lái)量化股價(jià)泡沫，該方法具有間接性，衡量的精準(zhǔn)度存在問(wèn)題。線性檢驗(yàn)?zāi)Ｐ褪腔趥鹘y(tǒng)的單位根和協(xié)整檢驗(yàn)的泡沫檢驗(yàn)方法[11]。該類模型不能檢測(cè)出坍塌性泡沫。非線性檢驗(yàn)?zāi)Ｐ椭?，基于馬爾可夫區(qū)制轉(zhuǎn)換的檢驗(yàn)方法可檢測(cè)坍塌性泡沫但會(huì)過(guò)度接受泡沫存在的假設(shè)[12]，而右尾遞歸單位根(SADF)檢驗(yàn)法不適用于多重和異方差泡沫的檢驗(yàn)[13]。

2015年，PHILLIPS等[3]提出了GSADF檢驗(yàn)法以及對(duì)應(yīng)的BSADF泡沫持續(xù)期標(biāo)記法。2017年，CASPI[14]在EViews軟件中發(fā)布了GSADF檢驗(yàn)的標(biāo)準(zhǔn)執(zhí)行程序。MONSCHANG等[15]對(duì)比了GSADF檢驗(yàn)法與兩種異方差調(diào)整的GSADF檢驗(yàn)法，發(fā)現(xiàn)BSADF檢驗(yàn)在標(biāo)記泡沫持續(xù)期時(shí)，對(duì)數(shù)據(jù)頻率的敏感度更低且檢驗(yàn)精度更高。目前，GSADF檢驗(yàn)被廣泛應(yīng)用于期貨[16]、股票[17]和房地產(chǎn)[18]等各類資產(chǎn)的泡沫檢驗(yàn)中。

2.3 投資者情緒與股價(jià)泡沫

股價(jià)泡沫的影響因素可分為宏觀和微觀兩個(gè)視角。宏觀因素主要包括制度因素[19]、信用違約互換利差和波動(dòng)率[20]等。微觀因素主要包括投資者過(guò)度自信及投資者情緒[21]等。

投資者情緒與股市泡沫關(guān)系的研究大多著眼于市場(chǎng)整體泡沫。如羅衎等[22]以中證800指數(shù)為研究對(duì)象，發(fā)現(xiàn)社會(huì)互動(dòng)會(huì)加劇投資者情緒傳染進(jìn)而加劇市場(chǎng)泡沫。YAO等[23]用主成分分析法構(gòu)建投資者情緒指數(shù)，用剩余收益模型提取了股市泡沫，發(fā)現(xiàn)投資者情緒與股市泡沫成正相關(guān)關(guān)系。PAN[24]以標(biāo)準(zhǔn)普爾500指數(shù)為研究對(duì)象，發(fā)現(xiàn)投資者情緒對(duì)股市泡沫的產(chǎn)生概率及泡沫大小有顯著影響。總之，股市泡沫的研究目前以市場(chǎng)整體泡沫的檢驗(yàn)和成因?yàn)橹鳎狈膫€(gè)股視角剖析投資者情緒對(duì)泡沫影響機(jī)理的探討。

3 研究設(shè)計(jì)

3.1 數(shù)據(jù)來(lái)源

本研究以滬深300指數(shù)成分股為研究對(duì)象，研究期為2018年4月3日～2021年5月31日，觀測(cè)頻率為日度數(shù)據(jù)。為保證數(shù)據(jù)的有效性和連續(xù)性，本研究按照以下標(biāo)準(zhǔn)對(duì)樣本進(jìn)行篩選：①剔除金融類上市公司；②剔除在研究期間調(diào)入或調(diào)出滬深300指數(shù)的樣本，以保證研究時(shí)段的連續(xù)性；③剔除在個(gè)股股吧上平均日度發(fā)貼數(shù)量少于10條的樣本，以保證文本挖掘有足夠的容量；④剔除研究期間出現(xiàn)停牌超過(guò)一個(gè)月的樣本。最終獲得142只樣本股作為研究對(duì)象。

本研究所使用的投資者發(fā)帖文本來(lái)自東方財(cái)富股吧。股吧上的投資者多為散戶投資者。來(lái)源于股吧的投資者情緒更能直接地反映散戶投資者情緒。研究中，散戶投資者由于缺乏有效的市場(chǎng)信息和信息處理能力往往被當(dāng)作噪音交易者。研究噪音交易者的情緒是否對(duì)股價(jià)泡沫產(chǎn)生系統(tǒng)影響具有重要意義。相較于國(guó)內(nèi)其他股票交流論壇，東方財(cái)富網(wǎng)股吧論壇提供了股票行情、公司財(cái)務(wù)數(shù)據(jù)、交易明細(xì)等多維度資料，具有高發(fā)帖頻率和高內(nèi)容質(zhì)量等優(yōu)勢(shì)。本研究使用網(wǎng)絡(luò)爬蟲，抓取了東方財(cái)富股吧上滬深300指數(shù)成分股在研究期內(nèi)的日度發(fā)帖文本、閱讀量和發(fā)帖時(shí)間等內(nèi)容。在剔除“問(wèn)董秘”、投票以及重復(fù)發(fā)帖等無(wú)效發(fā)帖后，共得到8 259 295條文本。其中，樣本個(gè)股日均發(fā)帖量76條，個(gè)股最高日均發(fā)帖量343條，個(gè)股最低日平均發(fā)帖量15條。其余市場(chǎng)變量數(shù)據(jù)來(lái)自于Wind數(shù)據(jù)庫(kù)和RESSET數(shù)據(jù)庫(kù)。為了保證數(shù)據(jù)的準(zhǔn)確性，使用兩個(gè)數(shù)據(jù)庫(kù)對(duì)變量數(shù)據(jù)進(jìn)行了交叉驗(yàn)證。同時(shí)，為了緩解極端異常值的影響，對(duì)樣本期間所有連續(xù)變量在1%上下端進(jìn)行Winsorize處理。

3.2 投資者情緒的度量

3.2.1Bi-LSTM模型

神經(jīng)網(wǎng)絡(luò)模型進(jìn)行文本情感分類的基本步驟如下：①文本預(yù)處理：使用正則表達(dá)式及jieba分詞工具，對(duì)文本進(jìn)行噪音字符的過(guò)濾和分詞。②詞典構(gòu)建及詞向量的獲?。簩⑺形谋窘?jīng)文本預(yù)處理后獲得詞語(yǔ)庫(kù)；根據(jù)詞庫(kù)中每個(gè)詞語(yǔ)出現(xiàn)的頻率對(duì)其進(jìn)行編號(hào)，構(gòu)建詞典；接著利用構(gòu)建好的詞典，將文本轉(zhuǎn)化為數(shù)字序列；再調(diào)用embedding層，將數(shù)字序列化后的文本轉(zhuǎn)化為詞向量矩陣。③數(shù)據(jù)輸入和特征提?。簩⒃~向量矩陣輸入Bi-LSTM模型，根據(jù)訓(xùn)練后的模型參數(shù)提取文本特征。④結(jié)果輸出：將Bi-LSTM模型的輸出結(jié)果輸入到logsoftmax層。softmax函數(shù)的表達(dá)式見(jiàn)式(1)，其中y代表Bi-LSTM模型輸出結(jié)果。softmax函數(shù)的計(jì)算結(jié)果為該文本屬于積極或消極某一類別的概率值。logsoftmax函數(shù)是對(duì)softmax函數(shù)計(jì)算結(jié)果的對(duì)數(shù)化處理，可以解決softmax函數(shù)固有的數(shù)值計(jì)算問(wèn)題。根據(jù)logsoftmax輸出值的大小可判斷該文本的具體類別。

softmax(y)=exp(y)/∑exp(y)。

(1)

LSTM模型神經(jīng)元的內(nèi)部結(jié)構(gòu)見(jiàn)圖1。

圖1 LSTM模型神經(jīng)元內(nèi)部結(jié)構(gòu)

一個(gè)神經(jīng)元的信息傳播過(guò)程見(jiàn)式(2)～式(8)：

ft=logistic(Wfxt+Ufht-1+bf)；

(2)

it=logistic(Wixt+Uiht-1+bi)；

(3)

(4)

(5)

ot=logistic(Woxt+Uoht-1+bo)；

(6)

ht=ot×tanh(Ct)；

(7)

(8)

3.2.2Bi-LSTM模型訓(xùn)練、測(cè)試與投資者情緒量化

本研究使用分層抽樣法，在各樣本股的發(fā)帖中隨機(jī)抽取了8 000條文本作為模型訓(xùn)練集、2 000條文本作為模型測(cè)試集。邀請(qǐng)了10位金融學(xué)碩士分別對(duì)這10 000條訓(xùn)練集和測(cè)試集文本做人工標(biāo)注，將每條文本分為“樂(lè)觀”或“悲觀”兩類。針對(duì)標(biāo)注結(jié)果不一致的文本，10位標(biāo)注者進(jìn)行了集中討論，最終給出一致意見(jiàn)，形成最終訓(xùn)練(測(cè)試)集。接著，利用訓(xùn)練集進(jìn)行模型訓(xùn)練，利用測(cè)試集進(jìn)行模型測(cè)試。為提升模型訓(xùn)練速度，在支持GPU的主機(jī)上進(jìn)行模型訓(xùn)練和測(cè)試，主機(jī)型號(hào)為NVIDIA GeForce RTX 3090。訓(xùn)練和測(cè)試結(jié)果表明，模型樣本外準(zhǔn)確率為73%，可以滿足研究精度要求。最后，使用訓(xùn)練后的模型，將8 259 295條文本進(jìn)行情感分類，共得到悲觀發(fā)帖量5 210 227條，樂(lè)觀發(fā)帖量3 049 068條。

利用式(9)對(duì)樣本進(jìn)行投資者情緒(Se)量化：

Se=ln((1+Mpos)/(1+Mneg)) ，

(9)

式中，Mpos表示某股票在某日的加權(quán)積極情緒帖子總數(shù)；Mneg表示某股票在某日的加權(quán)消極情緒帖子總數(shù)，權(quán)重為該帖子的閱讀總量。統(tǒng)計(jì)區(qū)間為第t-1日15∶00到第t日15∶00。之所以以閱讀量為權(quán)重，是因?yàn)樘颖旧碇荒艽戆l(fā)帖人的個(gè)人情緒，難以反映股吧上投資者的整體情緒。此外，股吧上存在大量網(wǎng)絡(luò)水軍，他們的發(fā)帖并不能代表其真正情緒和決策。然而，股吧上的發(fā)帖人所表達(dá)的情緒具有傳染性，瀏覽帖子的投資者易受到這些情緒的影響，進(jìn)而在市場(chǎng)上形成強(qiáng)勢(shì)的意見(jiàn)環(huán)境。加權(quán)之后的投資者情緒可以更全面科學(xué)地反映股吧投資者的整體情緒。投資者情緒變量Se會(huì)隨著積極情緒帖子的數(shù)量和閱讀量的增加而提高，反之則降低。當(dāng)Mpos等于Mneg時(shí)，該指數(shù)為0。經(jīng)統(tǒng)計(jì)，變量Se的均值為-0.145，標(biāo)準(zhǔn)差為0.397，極小值為-5.227，極大值為5.264，偏度-1.764，峰度為42.921。說(shuō)明研究期間內(nèi)投資者情緒偏向悲觀，投資者情緒指數(shù)具有一定的左偏和尖峰性質(zhì)。

3.3 股價(jià)泡沫的度量

考慮到市盈率比股票價(jià)格更能反映公司的內(nèi)在價(jià)值，本研究選擇個(gè)股市盈率日度數(shù)據(jù)，檢驗(yàn)了樣本股的泡沫存在性，并利用BSADF檢驗(yàn)得到泡沫持續(xù)期。SADF、GSADF以及BSADF檢驗(yàn)三者均是以右尾單位根檢驗(yàn)法為基礎(chǔ)，并做進(jìn)一步拓展的檢驗(yàn)方法。一般性右尾單位根檢驗(yàn)的拒絕域在臨界值的左邊，當(dāng)檢驗(yàn)統(tǒng)計(jì)量落入拒絕域，則拒絕序列是平穩(wěn)或單位根過(guò)程的原假設(shè)，接受序列變量存在泡沫特征的備擇假設(shè)。SADF、GSADF及BSADF檢驗(yàn)則是在右尾單位根檢驗(yàn)基礎(chǔ)上引入了遞歸思想，具體遞歸過(guò)程如下：

(10)

式(10)是SADF檢驗(yàn)統(tǒng)計(jì)量的定義式，其中r0、r1和r2均代表全樣本的部分比例；r0表示最小有效樣本窗口；具體檢驗(yàn)中r1恒等于0并作為樣本窗口起點(diǎn)；r2為窗口終點(diǎn)，取值范圍為[r0，1]。r2從r0的位置向前遞歸，每次遞歸增加一個(gè)樣本并進(jìn)行一次右尾單位根檢驗(yàn)，直到r2取值為1。SADF檢驗(yàn)統(tǒng)計(jì)量等于所有右尾單位根檢驗(yàn)統(tǒng)計(jì)值的上界值。

(11)

式(11)是GSADF檢驗(yàn)統(tǒng)計(jì)量的定義式。與SADF檢驗(yàn)不同的是，GSADF檢驗(yàn)起點(diǎn)r1不再恒等于0。r1的取值范圍為[0，r2-r0]。GSADF統(tǒng)計(jì)量被定義為r1和r2所有可行范圍內(nèi)右尾單位根檢驗(yàn)統(tǒng)計(jì)值的最大值。其中，GSADF統(tǒng)計(jì)量的極限分布為

(12)

式中，W表示標(biāo)準(zhǔn)維納過(guò)程；rw=(r2-r1)，當(dāng)r1=0，r2=1時(shí)，該式為ADF統(tǒng)計(jì)量的極限分布；當(dāng)r1=0，r2從[r0，1]之間取值時(shí)，該式為SADF統(tǒng)計(jì)量的極限分布。顯然，SADF檢驗(yàn)是GSADF檢驗(yàn)的一種特殊情況，用GSADF法檢驗(yàn)全樣本的泡沫存在性問(wèn)題會(huì)更準(zhǔn)確。BSADF檢驗(yàn)統(tǒng)計(jì)量的定義式為

(13)

簡(jiǎn)而言之，BSADF檢驗(yàn)是針對(duì)特定r2進(jìn)行的后向SADF檢驗(yàn)。與正常SADF檢驗(yàn)的區(qū)別在于，BSADF檢驗(yàn)的r2固定，而r1在區(qū)間[0，r2-r1]之間取值。GSADF統(tǒng)計(jì)量與BSADF統(tǒng)計(jì)量的聯(lián)系為

(14)

綜上，SADF檢驗(yàn)本質(zhì)上是起點(diǎn)固定，終點(diǎn)向前遞歸的并不斷擴(kuò)充樣本容量的一系列右尾單位根檢驗(yàn)。SADF統(tǒng)計(jì)量則是一系列右尾單位根檢驗(yàn)統(tǒng)計(jì)值的最大值，可以判斷全樣本泡沫的存在性。GSADF檢驗(yàn)是起點(diǎn)和終點(diǎn)均向前遞歸的一系列單位根檢驗(yàn)，GSADF統(tǒng)計(jì)量可以對(duì)全樣本進(jìn)行泡沫存在性的檢驗(yàn)。BSADF檢驗(yàn)是終點(diǎn)固定而起點(diǎn)向后遞歸的檢驗(yàn)，BSADF統(tǒng)計(jì)量針對(duì)的是部分樣本泡沫存在性的檢驗(yàn)統(tǒng)計(jì)量。因此，針對(duì)每個(gè)可行范圍的r2進(jìn)行BSADF檢驗(yàn)，得到BSADF的統(tǒng)計(jì)值序列，該序列與臨界值序列進(jìn)行比較，大于臨界值的位置就是處于泡沫持續(xù)期。

表1 部分樣本GSADF檢驗(yàn)結(jié)果

圖2 部分樣本與滬深300指數(shù)的BSADF檢驗(yàn)結(jié)果

基于上述基礎(chǔ)研究，本研究設(shè)定了劃分泡沫階段的虛擬變量Be，若某股票在某一日處于泡沫持續(xù)期，則Be=1，否則為0。此外，更大的BSADF統(tǒng)計(jì)值意味著更高的泡沫強(qiáng)度，因此本研究設(shè)定衡量泡沫強(qiáng)度指標(biāo)Bs，其值等于某股票在某一日的BSADF檢驗(yàn)統(tǒng)計(jì)值。

3.4 控制變量

參考趙汝為等[25]的研究，本研究選取以下變量作為控制變量：①市凈率、市銷率及公司規(guī)模等來(lái)控制公司價(jià)值因素；②凈資產(chǎn)收益率和資產(chǎn)負(fù)債率變化量等來(lái)控制公司財(cái)務(wù)特征因素；③流通股比例變化、股權(quán)集中度變化以及機(jī)構(gòu)持股比例變化等來(lái)控制股權(quán)特征因素；④為了排除市場(chǎng)層面和宏觀經(jīng)濟(jì)周期的影響，選取市場(chǎng)泡沫整體強(qiáng)度及國(guó)內(nèi)生產(chǎn)總值增長(zhǎng)率(G)作為控制變量；⑤為區(qū)分投資者情緒與投資者關(guān)注度的不同，以某股票在某一日所有發(fā)帖的閱讀量之和作為投資者關(guān)注度控制變量；⑥引入解釋變量滯后一期和滯后二期，以考察投資者情緒對(duì)股價(jià)泡沫影響的延續(xù)性。

本研究主要變量的釋義見(jiàn)表2。

3.5 基礎(chǔ)回歸模型

本研究的被解釋變量包括泡沫存在性(Be)和泡沫強(qiáng)度(Bs)，分別建立面板Logit回歸模型和面板回歸模型進(jìn)行主回歸檢驗(yàn)。經(jīng)過(guò)初步檢驗(yàn)，兩模型中均具有顯著的個(gè)體效應(yīng)，拒絕使用混合回歸模型的原假設(shè)。進(jìn)一步經(jīng)過(guò)Hausman檢驗(yàn)后發(fā)現(xiàn)，兩模型均拒絕了隨機(jī)效應(yīng)模型的原假設(shè)。最終構(gòu)建兩個(gè)個(gè)體固定效應(yīng)基礎(chǔ)回歸模型，即泡沫存在性的面板Logit模型和泡沫強(qiáng)度的面板回歸模型：

(15)

Bs=α0+β1Se+∑βkC+γ。

(16)

式中，Be=1則代表泡沫存在；α0為截距項(xiàng)；β1、βk為系數(shù)；C為系列控制變量；γ為擾動(dòng)項(xiàng)。

4 實(shí)證分析

4.1 描述性統(tǒng)計(jì)與相關(guān)性分析

主要變量的描述性統(tǒng)計(jì)結(jié)果見(jiàn)表3。表3中，變量PB和PS因個(gè)別股票停牌存在少量數(shù)據(jù)缺失；變量Dc、Di、Do、Dr和Dl因經(jīng)過(guò)差分處理，樣本總量均減少142。本研究后續(xù)所有回歸模型中，因各控制變量樣本量存在差異、各回歸模型自身要求以及分組回歸要求等原因，樣本量各有不同。由表3可知：①因變量Be的均值為0.051。結(jié)合前文GSADF檢驗(yàn)結(jié)果：142只樣本股中的61.7%顯著存在泡沫，綜合說(shuō)明在橫截面方向個(gè)股泡沫出現(xiàn)的頻率較高，但是在時(shí)間序列上個(gè)股泡沫出現(xiàn)的頻率并不高，與現(xiàn)實(shí)情況較為吻合。經(jīng)統(tǒng)計(jì)，所有泡沫的平均持續(xù)天數(shù)為5.21天；②因變量Bs整體上呈現(xiàn)右偏、尖峰分布且其正向極端值較大；③第9列展示了所有變量的平穩(wěn)性檢驗(yàn)結(jié)果，可以發(fā)現(xiàn)所有變量均為平穩(wěn)序列；④第10列是按照某股票在某一日是否存在泡沫將樣本觀測(cè)值分為兩組后，針對(duì)其余變量所做的均值T檢驗(yàn)，結(jié)果顯示解釋變量Se以及大部分控制變量在兩組之間均顯著存在差異。通過(guò)變量之間的相關(guān)性檢驗(yàn)結(jié)果(1)限于篇幅，變量之間的相關(guān)系數(shù)矩陣表格未展示，留存?zhèn)渌?。發(fā)現(xiàn)，因變量Be、Bs與當(dāng)期投資者情緒Se顯著正相關(guān)，與其余控制變量也顯著相關(guān)。

4.2 投資者情緒對(duì)泡沫存在性的影響

投資者情緒對(duì)泡沫存在性和泡沫強(qiáng)度的影響見(jiàn)表4。表4 中列(2)和列(3)分別為依次加入自變量滯后一期、滯后二期與其余控制變量的回歸結(jié)果?？梢钥闯觯谒谢貧w結(jié)果中，投資者情緒Se均在1%的水平上顯著正向影響泡沫存在性Be?？刂谱兞糠矫妫瑴笠黄诤蜏蠖谕顿Y者情緒Se-1和Se-2系數(shù)均小于當(dāng)期投資者情緒系數(shù)；投資者情緒對(duì)泡沫存在概率的正向影響具有一定的延續(xù)性；投資者關(guān)注度A對(duì)泡沫存在的概率也具有顯著正向影響，但其系數(shù)小于Se、Se-1和Se-2的系數(shù)；市凈率PB、市銷率PS和公司規(guī)模Si均顯著正向影響股價(jià)泡沫的存在概率。列(3)中，Dr和Dl對(duì)泡沫存在概率的影響不顯著，說(shuō)明泡沫存在概率對(duì)公司收益和公司債務(wù)的變化并不敏感；Di、Do和Dc對(duì)泡沫存在概率的影響不顯著；G和Bm顯著正向影響泡沫的存在概率，即個(gè)股泡沫存在概率隨國(guó)內(nèi)宏觀經(jīng)濟(jì)水平和市場(chǎng)泡沫強(qiáng)度的提高而提高。

4.3 投資者情緒對(duì)泡沫強(qiáng)度的影響

由表4的列(4)～列(6)可知，在所有回歸結(jié)果中，投資者情緒至少在10%的水平上對(duì)泡沫強(qiáng)度具有顯著正向影響?？刂谱兞糠矫妫琒e-1和Se-2對(duì)泡沫強(qiáng)度的影響在加入所有控制變量后不再顯著，投資者情緒對(duì)泡沫強(qiáng)度的正向影響延續(xù)性不強(qiáng)；投資者關(guān)注度A對(duì)泡沫強(qiáng)度具有顯著正向影響，但其系數(shù)小于Se的系數(shù)；市凈率PB和市銷率PS顯著正向影響股價(jià)泡沫強(qiáng)度；公司規(guī)模Si對(duì)泡沫強(qiáng)度的影響不顯著；Dr和Dl對(duì)股價(jià)泡沫強(qiáng)度的影響不顯著，說(shuō)明股價(jià)泡沫強(qiáng)度對(duì)公司收益和公司債務(wù)變化的敏感度不高。同理，股價(jià)泡沫強(qiáng)度對(duì)機(jī)構(gòu)持股比例變化Di、流通股比例變化Do和股權(quán)集中度變化Dc也不敏感。最后，市場(chǎng)泡沫強(qiáng)度Bm顯著正向影響個(gè)股泡沫強(qiáng)度，而G對(duì)個(gè)股泡沫強(qiáng)度的影響不顯著。

表4 投資者情緒對(duì)泡沫存在性和泡沫強(qiáng)度的影響

5 進(jìn)一步研究：異質(zhì)性和中介路徑

5.1 投資者情緒對(duì)股價(jià)泡沫影響的異質(zhì)性分析

根據(jù)已有研究[26]，投資者情緒對(duì)股票收益率的影響受股權(quán)集中度和產(chǎn)權(quán)性質(zhì)等因素的影響顯著。投資者情緒對(duì)股價(jià)泡沫的影響是否因公司規(guī)模、股權(quán)集中度等截面特征的不同而存在異質(zhì)性，需進(jìn)一步討論?；诠疽?guī)模的子樣本異質(zhì)性分析結(jié)果見(jiàn)表5。本研究按照公司市值是否小于中位數(shù)的標(biāo)準(zhǔn)，將全部樣本分為小規(guī)模和大規(guī)模兩組子樣本。由表5可知，無(wú)論因變量是Be還是Bs，無(wú)論是否加入Se-1和Se-2，小規(guī)模樣本組Se的系數(shù)絕對(duì)值均大于大規(guī)模樣本組Se的系數(shù)絕對(duì)值，顯著性水平也是如此，說(shuō)明當(dāng)期投資者情緒對(duì)股價(jià)泡沫存在概率以及泡沫強(qiáng)度的影響，隨公司規(guī)模的擴(kuò)大而減弱?；诠蓹?quán)集中度差異和產(chǎn)權(quán)性質(zhì)的分組回歸結(jié)果(2)限于篇幅，基于股權(quán)集中度差異和產(chǎn)權(quán)性質(zhì)的分組回歸結(jié)果未展示，留存?zhèn)渌?。可知，無(wú)論是否加入Se-1和Se-2，Se對(duì)Be和Bs的正向影響隨股權(quán)集中度的提高而降低?？赡艿脑蛟谟?，股權(quán)集中度是衡量公司股權(quán)分布狀態(tài)和公司穩(wěn)定性的指標(biāo)，股權(quán)集中度越高，公司決策效率以及穩(wěn)定性也越高，應(yīng)對(duì)突發(fā)事件的能力也越強(qiáng)，泡沫出現(xiàn)的概率和強(qiáng)度也越低。此外，非國(guó)有企業(yè)當(dāng)期投資者情緒對(duì)泡沫存在概率以及泡沫強(qiáng)度的正向影響相比國(guó)有企業(yè)更強(qiáng)，國(guó)有企業(yè)的股價(jià)相對(duì)更穩(wěn)定。

表5 基于公司規(guī)模的異質(zhì)性分析回歸結(jié)果

5.2 中介效應(yīng)檢驗(yàn)

已有研究發(fā)現(xiàn)，投資者情緒通過(guò)影響市場(chǎng)交易量進(jìn)而影響股票收益率[27]。趙宣凱等[28]也發(fā)現(xiàn)，市場(chǎng)情緒越高，盈余公告前的股票交易量越大，投資者的投機(jī)行為也越瘋狂。王高義[29]的研究也表明，超額交易量與未來(lái)股價(jià)泡沫破滅概率顯著正相關(guān)。理論上，投資者情緒直接影響的是投資者決策行為，具有積極情緒的投資者傾向于買入股票；反之，傾向于賣出股票。隨著市場(chǎng)上積極情緒的積累，看漲買入股票的投資者逐漸增多，交易量增大，股價(jià)提高，加之股市羊群效應(yīng)、正反饋效應(yīng)以及套利限制的存在，股價(jià)泡沫快速出現(xiàn)；隨著市場(chǎng)上消極情緒的醞釀，看跌賣出股票的投資者增多，交易量同樣增大，而股價(jià)下跌，泡沫破裂。泡沫的產(chǎn)生和破滅過(guò)程雖然均伴隨交易量的激增，但由于股價(jià)的表現(xiàn)不同，最終體現(xiàn)為總交易金額的不同。因此可以認(rèn)為，投資者情緒以個(gè)股交易金額為中介對(duì)股價(jià)泡沫產(chǎn)生影響。為了驗(yàn)證上述猜想，本研究使用個(gè)股日度交易金額作為中介變量，進(jìn)行中介效應(yīng)檢驗(yàn)，符號(hào)表示為Vo。參考溫忠麟等[30]的做法，建立如下面板數(shù)據(jù)中介效應(yīng)模型：

D=α0+β1Se+∑βkC+γ；

(17)

M=α0+β1Se+∑βkC+γ；

(18)

D=α0+β1Se+β2M+∑βkC+γ，

(19)

式中，D代表因變量Be或Bs；M代表中介變量Vo；β2為M的系數(shù)。

中介效應(yīng)的檢驗(yàn)結(jié)果見(jiàn)表6。由表6可知，當(dāng)期投資者情緒Se顯著正向影響個(gè)股日度交易總金額Vo；在沒(méi)有加入中介變量之前，Se顯著正向影響B(tài)e和Bs；在加入中介變量之后，Vo在1%的水平上顯著正向影響B(tài)e和Bs；Se對(duì)泡沫存在概率、泡沫強(qiáng)度的影響系數(shù)和顯著性水平相對(duì)加入中介變量前有所下降。上述結(jié)果表明，投資者情緒以個(gè)股當(dāng)期交易總金額為中介，正向影響泡沫出現(xiàn)的概率及泡沫強(qiáng)度。該結(jié)論由Sobel檢驗(yàn)也可得到證實(shí)：Sobel、good1及good2統(tǒng)計(jì)值均顯著拒絕不存在中介效應(yīng)的原假設(shè)。此外，Sobel檢驗(yàn)結(jié)果表明，投資者情緒通過(guò)個(gè)股當(dāng)期交易總金額對(duì)泡沫存在概率具有22.2%的中介效應(yīng)，對(duì)泡沫強(qiáng)度具有56.4%的中介效應(yīng)。

6 內(nèi)生性討論與穩(wěn)健性檢驗(yàn)

6.1 內(nèi)生性討論：工具變量檢驗(yàn)

為盡量消除內(nèi)生性問(wèn)題，在實(shí)證中使用固定效應(yīng)模型，并盡可能多地選擇了可能影響股價(jià)泡沫的控制變量，但仍存在由雙向因果造成的內(nèi)生性問(wèn)題。本研究選擇同行業(yè)同期的其他公司投資者情緒均值(符號(hào)表示為Seo)作為工具變量進(jìn)行檢驗(yàn)。檢驗(yàn)結(jié)果見(jiàn)表7。表7中列(1)的F值為16.456，大于10，不存在弱工具變量問(wèn)題。由列(2)和列(3)的工具變量回歸結(jié)果可知，當(dāng)期投資者情緒仍至少在10%的水平上顯著正向影響股價(jià)泡沫強(qiáng)度和泡沫存在概率，這證明了前文實(shí)證結(jié)果的可靠性。

表6 交易金額的中介效應(yīng)檢驗(yàn)

表7 工具變量及DID模型檢驗(yàn)

6.2 內(nèi)生性討論：DID檢驗(yàn)

變量遺漏問(wèn)題可能是造成本研究?jī)?nèi)生性問(wèn)題的來(lái)源之一。雙重差分模型(DID)可以通過(guò)組內(nèi)差分和組間差分，將隨時(shí)間變化和不變的擾動(dòng)項(xiàng)剔除掉，進(jìn)而更有效地排除潛在的內(nèi)生性問(wèn)題。DID模型需要將樣本在橫截面維度和時(shí)間序列維度各分為兩類。橫截面維度上，本研究將樣本股票分為國(guó)有和非國(guó)有兩類，設(shè)置虛擬變量OW，OW=1代表上市公司為國(guó)有企業(yè)；否則為非國(guó)有企業(yè)。時(shí)間序列維度上，本研究的研究期橫跨國(guó)內(nèi)新冠疫情爆發(fā)時(shí)間點(diǎn) 2019年12月8日，因此以新冠疫情爆發(fā)時(shí)間為節(jié)點(diǎn)劃分研究期，設(shè)置虛擬變量CV，CV=1代表時(shí)間處于2019年12月8日之后，新冠疫情爆發(fā)；否則處于2019年12月8日之前。設(shè)置變量Did代表OW和CV的交乘項(xiàng)，建立DID模型，觀察DID模型下內(nèi)生性問(wèn)題是否存在，并進(jìn)一步觀察疫情爆發(fā)對(duì)不同產(chǎn)權(quán)性質(zhì)樣本股價(jià)泡沫的影響是否存在顯著差異。

本研究截取了2019年12月8日前后各兩個(gè)月時(shí)間的數(shù)據(jù)做平衡趨勢(shì)檢驗(yàn)，結(jié)果見(jiàn)圖3。圖3(a)被解釋變量為Be，圖3(b)被解釋變量為Bs。由圖3可知，疫情爆發(fā)前，國(guó)有企業(yè)的平均泡沫存在概率和平均泡沫強(qiáng)度均低于非國(guó)有企業(yè)，但二者趨勢(shì)類似；平衡趨勢(shì)檢驗(yàn)通過(guò)疫情爆發(fā)后，二者趨勢(shì)出現(xiàn)明顯不同。

圖3 平衡趨勢(shì)檢驗(yàn)結(jié)果

圖4 安慰劑檢驗(yàn)結(jié)果

表7的列(4)～列(7)為DID模型的檢驗(yàn)結(jié)果。首先，無(wú)論是否加入Se-1和Se-2，Se對(duì)Be及Bs的正向影響依然顯著，本研究主要結(jié)論依然成立；其次，變量CV對(duì)Be具有顯著負(fù)向影響，對(duì)Bs的負(fù)向影響不顯著，說(shuō)明新冠疫情的爆發(fā)對(duì)非國(guó)有企業(yè)股價(jià)泡沫存在概率的抑制作用顯著，而對(duì)泡沫強(qiáng)度的抑制作用不明顯；同時(shí)，變量Did對(duì)Be具有顯著正向影響，對(duì)Bs的正向影響不顯著，說(shuō)明國(guó)有企業(yè)與非國(guó)有企業(yè)之間泡沫存在概率的差因疫情爆發(fā)出現(xiàn)顯著變化。結(jié)合圖3可以看出，這種變化呈縮小的趨勢(shì)。其原因可能在于，疫情爆發(fā)后，投資者為了規(guī)避市場(chǎng)風(fēng)險(xiǎn)更多地選擇國(guó)有企業(yè)股票投資，使得國(guó)有企業(yè)股價(jià)泡沫出現(xiàn)的概率提高。

6.3 內(nèi)生性討論：PSM檢驗(yàn)

為排除樣本選擇問(wèn)題帶來(lái)的內(nèi)生性問(wèn)題，繼續(xù)利用傾向評(píng)分匹配法(PSM)檢驗(yàn)。按照投資者情緒Se高低，將大于80%分位數(shù)的樣本作為實(shí)驗(yàn)組，將小于40%分位數(shù)的樣本作為對(duì)照組，利用除Se以外的所有控制變量作為計(jì)算傾向匹配得分的特征變量，進(jìn)行一對(duì)一最近鄰匹配，結(jié)果見(jiàn)表8。由表8可知，高投資者情緒組對(duì)泡沫存在概率及泡沫強(qiáng)度的平均處理效應(yīng)(ATT)均在10%的水平上顯著為正，說(shuō)明投資者情緒越高，泡沫存在的概率和泡沫強(qiáng)度越大，這與前文結(jié)論一致。

表8 PSM檢驗(yàn)結(jié)果

6.4 穩(wěn)健性檢驗(yàn)：安慰劑檢驗(yàn)

為排除偶然因素的影響，進(jìn)行如下安慰劑檢驗(yàn)：①將所有投資者情緒隨機(jī)打亂，生成虛擬投資者情緒；②利用虛擬投資者情緒、原被解釋變量及原控制變量重新回歸；③提取回歸結(jié)果中當(dāng)期虛擬投資者情緒系數(shù)以及對(duì)應(yīng)顯著性水平。重復(fù)上述步驟500次，所得系數(shù)及對(duì)應(yīng)顯著性水平的p值結(jié)果見(jiàn)圖4。由圖4可知，無(wú)論被解釋變量是Be還是Bs，500次模擬所得虛擬投資者情緒的估計(jì)系數(shù)絕對(duì)值均遠(yuǎn)小于對(duì)應(yīng)基準(zhǔn)回歸結(jié)果的系數(shù)，并以0為中心呈對(duì)稱分布；大部分虛擬情緒所得系數(shù)的對(duì)應(yīng)p值大于0.1，即不顯著，可以認(rèn)為基準(zhǔn)回歸結(jié)果并非偶然因素引起。

6.5 穩(wěn)健性檢驗(yàn)：變量替換

參考陳浪南等[17]的方法，本研究利用Hp濾波法剔除收盤價(jià)中的趨勢(shì)性成分，并定義價(jià)格偏離趨勢(shì)性成分的部分為泡沫強(qiáng)度，用Hps表示用該指標(biāo)替換原泡沫強(qiáng)度Bs作為因變量，驗(yàn)證結(jié)果的穩(wěn)健性，檢驗(yàn)結(jié)果見(jiàn)表9。由表9可知，首先，列(1)和列(3)中投資者情緒對(duì)泡沫強(qiáng)度的影響均在至少10%的水平上顯著為正；其次，逐步回歸和Sobel檢驗(yàn)證明，投資者情緒確以日度交易金額為中介對(duì)泡沫強(qiáng)度產(chǎn)生正向影響。檢驗(yàn)結(jié)果再次證明了本研究結(jié)論的穩(wěn)健性。

表9 投資者情緒影響個(gè)股泡沫強(qiáng)度的穩(wěn)健性檢驗(yàn)

7 結(jié)語(yǔ)

本研究在抓取東方財(cái)富股吧個(gè)股日內(nèi)實(shí)時(shí)發(fā)帖的基礎(chǔ)上，利用Bi-LSTM模型進(jìn)行文本情感分類，并構(gòu)建了投資者情緒指標(biāo)；同時(shí)，基于GSADF法檢驗(yàn)了個(gè)股泡沫情況，并利用BSADF檢驗(yàn)法得到個(gè)股泡沫持續(xù)期和泡沫強(qiáng)度。進(jìn)一步地，通過(guò)構(gòu)建面板數(shù)據(jù)模型，分析了投資者情緒與股價(jià)泡沫的內(nèi)在關(guān)系。實(shí)證結(jié)果表明：①投資者情緒對(duì)個(gè)股泡沫存在概率以及泡沫強(qiáng)度的影響顯著。投資者情緒越高，股價(jià)泡沫存在概率和泡沫強(qiáng)度也越大。②本研究從股權(quán)集中度、公司規(guī)模和產(chǎn)權(quán)性質(zhì)3個(gè)方面進(jìn)行了異質(zhì)性分析，發(fā)現(xiàn)投資者情緒對(duì)股價(jià)泡沫的影響存在截面異質(zhì)性。在小規(guī)模、低股權(quán)集中度和非國(guó)有屬性公司中，投資者情緒對(duì)股價(jià)泡沫的正向影響更強(qiáng)。③中介效應(yīng)檢驗(yàn)結(jié)果發(fā)現(xiàn)，投資者情緒以當(dāng)期交易總金額為中介對(duì)股價(jià)泡沫產(chǎn)生正向影響。利用工具變量回歸、DID模型和PSM法探討內(nèi)生性問(wèn)題，并通過(guò)安慰劑檢驗(yàn)和變量替換等方法進(jìn)行了穩(wěn)健性檢驗(yàn)，發(fā)現(xiàn)上述研究結(jié)論依然成立。

本研究理論上豐富了關(guān)于股價(jià)泡沫成因的相關(guān)文獻(xiàn)。實(shí)踐上，本研究結(jié)論表明：在移動(dòng)互聯(lián)時(shí)代，來(lái)自社交媒體的投資者情緒在一定程度上可以有效預(yù)測(cè)股價(jià)泡沫。這給監(jiān)管者、投資者和上市公司均提供了一定的建議：①監(jiān)管者一方面要靈活運(yùn)用互聯(lián)網(wǎng)信息進(jìn)行風(fēng)險(xiǎn)預(yù)警，注意利用互聯(lián)網(wǎng)投資者情緒識(shí)別股價(jià)泡沫過(guò)程中因公司規(guī)模等因素產(chǎn)生的異質(zhì)性問(wèn)題；另一方面又要加強(qiáng)網(wǎng)絡(luò)信息的監(jiān)管力度，擴(kuò)大監(jiān)管范圍，杜絕網(wǎng)絡(luò)謠言快速傳播造成的泡沫現(xiàn)象。②對(duì)于投資者來(lái)說(shuō)，既要善于甄別網(wǎng)絡(luò)謠言，避免盲目跟風(fēng)、追漲殺跌；又要善于運(yùn)用投資者情緒和交易金額等常見(jiàn)指標(biāo)識(shí)別股價(jià)泡沫，提高自身的專業(yè)素養(yǎng)和決策能力。③上市公司要及時(shí)關(guān)注投資者情緒，及時(shí)披露高質(zhì)量信息、澄清市場(chǎng)謠言，在提升公司自身盈利能力和內(nèi)在價(jià)值等硬實(shí)力的基礎(chǔ)上，防止由于社交網(wǎng)絡(luò)媒體情緒偏離導(dǎo)致的股票價(jià)格泡沫。

本研究還存在一定不足，由于股吧上投資者的發(fā)帖往往不具有規(guī)范性，Bi-LSTM模型的文本情感分類效果雖然可以滿足研究需求，但分類精度仍然有限，未來(lái)需要繼續(xù)完善模型，提高文本分類的準(zhǔn)確率。