李合龍 ,袁宜晨 ,張衛(wèi)國

(1.華南理工大學(xué) 經(jīng)濟(jì)與金融學(xué)院,廣州 510006;2.華南理工大學(xué) 工商管理學(xué)院,廣州 510641)

一直以來,中國股市不同行業(yè)之間的“同漲同跌”現(xiàn)象充斥著整個市場。以West[1]為代表的“非理性行為觀”認(rèn)為“同漲同跌”反映的是股票收益中的噪音、泡沫,以及投資者“狂熱”和“恐慌”心理所引發(fā)的“追漲殺跌”“從眾”等與公司基本面無關(guān)的非理性行為和因素。這也意味著市場細(xì)微波動會導(dǎo)致投資者的情緒發(fā)生變化,進(jìn)而使投資者做出非理性行為,最終形成巨大的市場波動,這一過程極大增加了中國股市的風(fēng)險,也是2015 年股災(zāi)的重要原因之一。當(dāng)今信息化時代的快速發(fā)展使得各行業(yè)之間的聯(lián)系更加緊密,各行業(yè)的投資者更容易受到其他行業(yè)投資者的影響,因此,行業(yè)間投資者情緒會出現(xiàn)不同程度的傳染現(xiàn)象。不同類型行業(yè)間投資者情緒傳染效應(yīng)強(qiáng)度如何? 其持續(xù)時間如何? 這些問題既是亟須研究的熱點,也對控制風(fēng)險、穩(wěn)定金融市場有著重要的指導(dǎo)意義。

行業(yè)之間的聯(lián)系日益緊密,行業(yè)間溢出效應(yīng)也成為熱門研究課題,現(xiàn)有文獻(xiàn)關(guān)于行業(yè)間溢出效應(yīng)的研究主要從兩個方面展開。一方面,從價格的角度出發(fā),徐曉光等[2]探究了滬港通背景下不同行業(yè)指數(shù)之間的波動溢出效應(yīng)。Barunik等[3]首次表明美國股市行業(yè)間波動溢出具有非對稱性。劉靜一等[4]通過實證證明行業(yè)間“壞的波動”溢出效應(yīng)占據(jù)主導(dǎo)地位。另一方面,從風(fēng)險的角度出發(fā),Karimalis等[5]使用CoVaR模型探究了銀行業(yè)、保險業(yè)和證券業(yè)之間的風(fēng)險傳遞與溢出關(guān)系。陳暮紫等[6]使用GARCH-CoVaR模型探究了A 股行業(yè)間的動態(tài)風(fēng)險溢出效應(yīng)。除了關(guān)于行業(yè)間價格與風(fēng)險的溢出效應(yīng)的研究外,工業(yè)行業(yè)間投入對產(chǎn)出的溢出效應(yīng)[7]、行業(yè)間生產(chǎn)率的溢出效應(yīng)[8]與行業(yè)板塊間流動性溢出效應(yīng)[9]等也都是值得研究的問題。行業(yè)間溢出效應(yīng)的研究涉及了行業(yè)信息的多方面,行業(yè)情緒傳染效應(yīng)卻極少被提及,探究行業(yè)間情緒傳染效應(yīng)能夠為風(fēng)險控制與穩(wěn)定金融市場提供重要參考。

個體情緒是情緒傳染最初的切入點,Barsade[10]從行為的角度指出情緒傳染是選擇性吸收他人情緒。Benerjee[11]建立序列性羊群行為模型,發(fā)現(xiàn)投資主體通過貝葉斯過程能從市場的噪聲以及其他個體的決策中獲取自己決策的信息,不同市場中投資者間發(fā)生的情緒傳染是市場情緒傳染的直接原因。隨著經(jīng)濟(jì)全球化發(fā)展趨勢,國際市場間情緒傳染效應(yīng)越來越被學(xué)者們關(guān)注和研究。Hudson等[12]發(fā)現(xiàn),美國市場情緒對英國市場情緒有著強(qiáng)烈影響。萬千等[13]使用Copula-DCCGARCH 模型研究了中美兩國的投資情緒的動態(tài)相關(guān)性,發(fā)現(xiàn)兩國情緒相關(guān)性時變且整體正向。文鳳華等[14]發(fā)現(xiàn),資本市場的開放會增強(qiáng)中美情緒傳染效應(yīng)。尹海員等[15]探究了中、美等7國間情緒傳染的渠道,發(fā)現(xiàn)宏觀經(jīng)濟(jì)狀況是影響投資者情緒跨國傳染的主要因素?？v觀上述研究,對投資者情緒傳染效應(yīng)的研究多集中于國家市場層面,忽略了行業(yè)層面,而不同行業(yè)情緒會影響市場參與者對各行業(yè)的預(yù)期。當(dāng)產(chǎn)業(yè)政策發(fā)生改變時,相關(guān)行業(yè)的參與者會作出相應(yīng)的反應(yīng),同時不同行業(yè)的參與者會通過信息渠道相互產(chǎn)生影響,行業(yè)投資者情緒發(fā)生了傳染,進(jìn)而影響參與者的行為。沈沛龍等[16]的研究也表明,投資者情緒傳染會顯著提升風(fēng)險傳染效應(yīng)。綜上所述,研究行業(yè)間情緒傳染有助于監(jiān)測市場風(fēng)險的產(chǎn)生與擴(kuò)散,在此基礎(chǔ)上,對于制定相應(yīng)的行業(yè)政策具有重要的理論和現(xiàn)實意義。

中國金融市場是典型信息非對稱市場,影響行業(yè)投資者情緒的因素錯綜復(fù)雜,情緒通常呈現(xiàn)出非線性、非平穩(wěn)等復(fù)雜特性,僅僅使用傳統(tǒng)的計量方法從時域的角度進(jìn)行分析并不能完整刻畫行業(yè)間投資情緒傳染效應(yīng)。正如李合龍等[17]指出,金融市場由短期和長期等不同投資時間水平的交易者所組成,與此對應(yīng),不同類型交易者的情緒分散反映在不同的時間尺度上,不同的交易者將從不同的時間尺度來看待和影響市場。因此,以多時間尺度的方式研究行業(yè)間投資者情緒傳染效應(yīng)能夠更加準(zhǔn)確地刻畫其特征。金融領(lǐng)域常用的經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)[18-20]與集成經(jīng)驗?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition,EEMD)[21-23]算法在處理非線性、非平穩(wěn)的序列上具有較好的時域和頻域分辨率,能夠?qū)⒎蔷€性、非平穩(wěn)時間序列分解為頻率特征不一致但相對平穩(wěn)的多個序列,但EMD 存在模態(tài)混疊現(xiàn)象嚴(yán)重、對噪聲及采樣敏感等缺點,EEMD 則具有過包絡(luò)、欠包絡(luò)及缺乏數(shù)學(xué)基礎(chǔ)等問題,導(dǎo)致其分解效果有限[24]。針對上述問題,變分模態(tài)分解(Variational Mode Decomposition,VMD)將信號分量的獲取過程轉(zhuǎn)移到變分框架內(nèi),采用一種非遞歸的處理策略,通過構(gòu)造并求解約束變分問題實現(xiàn)原始信號的分解[25]。學(xué)者們也將其引入金融領(lǐng)域。Wang 等[26]使用VMD 探究了“黑色”期貨在不同時間尺度下收益率的相關(guān)性。Li等[27]使用VMD 探究了不同時間尺度下原油市場與中國股市的風(fēng)險溢出效應(yīng)。Mensi等[28]把VMD 運用到原油與外匯市場,發(fā)現(xiàn)出口國家的原油與匯率在短期與長期都有著強(qiáng)烈聯(lián)系。VMD 算法可以將原序列分解為包含不同時間尺度信息的多個序列,但上述研究對分解得到的本征模態(tài)函數(shù) (Intrinsic Mode Function,IMF)的分類十分主觀,這容易導(dǎo)致不同時間尺度的信息出現(xiàn)混頻現(xiàn)象。不同時間尺度序列的突出區(qū)別在于其周期性特征不同。Baubeaul等[29]運用連續(xù)小波變換分析捕捉序列周期性分量的內(nèi)在特征。Addo等[30]運用復(fù)Morlet小波分析檢測和表征美國工業(yè)生產(chǎn)指數(shù)時間序列的周期,證實小波分析(Wavelet Analysis,WA)能夠更有效地分析時間序列的隱藏信息。武華華等[31]使用WA 研究了BDI指數(shù)的周期性特征。基于此,本文使用WA 對IMF 進(jìn)行周期性分析,依據(jù)其周期性特征進(jìn)行重構(gòu)。與以往研究中主觀分類方式相比,本文獲得的重構(gòu)序列能夠更精確地表現(xiàn)情緒序列多時間尺度周期波動特征,使結(jié)果更加符合現(xiàn)實。

上述文獻(xiàn)分別較為全面地研究了行業(yè)間風(fēng)險與價格的溢出效應(yīng)、情緒在市場之間的傳染效應(yīng)以及多時間尺度下市場之間、各指標(biāo)之間的相互作用關(guān)系,但存在以下不足:①行業(yè)間溢出效應(yīng)的研究多停留在價格與風(fēng)險方面,但要更加了解市場需要研究會影響價格與風(fēng)險的其他因素,情緒就是一個切入點;② 情緒傳染的研究多停留在市場層面,行業(yè)間情緒傳染的研究較少,但這方面的研究有助于增強(qiáng)監(jiān)管的針對性,有助于市場整體的穩(wěn)定;③目前用于多時間尺度分析市場的算法在應(yīng)用于金融領(lǐng)域時有一定的局限性,且在劃分不同時間尺度時具有很強(qiáng)的主觀性。綜上所述,本文從投資者情緒的角度出發(fā),以行業(yè)間的關(guān)聯(lián)性為主線,研究行業(yè)間傳染效應(yīng)。具體而言,首先通過構(gòu)建的VMD-WA 模型提取出各行業(yè)情緒的高頻部分(短期波動項)與低頻部分(長期趨勢項),然后運用VAR 及DCCGARCH 模型分析行業(yè)間情緒的均值溢出效應(yīng)與波動溢出效應(yīng)。

本文的貢獻(xiàn)主要體現(xiàn)在:①從投資者情緒的視角探究了行業(yè)間傳染效應(yīng);② 突破了傳統(tǒng)的單一時間尺度,從短期波動與長期趨勢兩個角度分析了行業(yè)間情緒傳染問題。

1 方法與模型

不同時間尺度序列的差別使其頻率有所不同。VMD 能夠?qū)⑿蛄袕牡皖l到高頻逐步分離成多個IMF分量,在處理非線性、非平穩(wěn)的序列時效果突出,而投資者情緒序列具有此特征,非常適合分析行業(yè)投資者情緒序列。但原序列經(jīng)過VMD 分解后得到的IMF分量只是長期趨勢項或短期波動項的一部分。與以往文獻(xiàn)中較不準(zhǔn)確的主觀分類方法不同,本文將使用WA 計算IMF 分量的主周期并根據(jù)其對IMF進(jìn)行重構(gòu),最終得到情緒長期趨勢項與短期波動項。

1.1 變分模態(tài)分解(VMD)

VMD算法作為一種在2014年被提出的新序列處理方法[25],通過不斷尋求模型的最優(yōu)解,進(jìn)一步明確序列中模態(tài)分量的帶寬與中心頻率,最終將序列中的模態(tài)分量從低頻到高頻逐步分離。首先需要假設(shè)每個模態(tài)都是具有中心頻率的有限帶寬,如果將序列分解為K層模態(tài)分量,則優(yōu)化的目標(biāo)是最小化模態(tài)的帶寬之和,由此產(chǎn)生的約束變分問題為:

式中:f是原始序列為最終分解得出的K個IMF分量ωK}為對應(yīng)的每個IMF 分量的中心頻率;δ(t)是狄拉克函數(shù);*是卷積運算符。VMD 使用了二次懲罰因子α與拉格朗日懲罰算子λ(t)來保證在環(huán)境噪聲影響中序列重構(gòu)的準(zhǔn)確性和約束條件的嚴(yán)格程度,并成功將式(1)轉(zhuǎn)換為非約束性變分問題,最終獲得

經(jīng)過上述過程,輸入的時間序列被分解為若干個IMF序列與R序列,其中的R序列就是從序列當(dāng)中分解出的噪聲項,將其剔除,剩下的若干個IMF分量{uk}便是需要的時間序列。

1.2 小波分析

小波分析是20世紀(jì)80年代Morlet在傅里葉分析基礎(chǔ)上發(fā)展起來的、具有時頻多分辨功能的方法,其主要內(nèi)容包括小波函數(shù)和小波變換,重要思想是通過小波函數(shù)的平移和縮放表示與逼近相應(yīng)的序列。

序列ψ(t)∈L2(R)是平方可積函數(shù),其傅里葉變換為ψ(ω),如果滿足如下相容性條件,則稱其為基本小波:

ψ(t)又稱為母小波,將其進(jìn)行伸縮、平移轉(zhuǎn)換,可構(gòu)成L2(R)的一個標(biāo)準(zhǔn)正交基:

式中:a為尺寸因子,a的變化表示遠(yuǎn)序列不同時間尺度的周期信息;b為時間因子,表示時間上的平移。通常情況下,連續(xù)小波變換表達(dá)式為

WTf(a,b)為小波變化系數(shù),本質(zhì)上表現(xiàn)出小波函數(shù)與原序列的相似程度是ψ(t)的復(fù)共軛函數(shù);式(7)為小波函數(shù)的容許性條件。函數(shù)ψ(t)為基小波函數(shù),具有震蕩特性,能夠迅速衰減到0的特性。

不同時間尺度的小波系數(shù)能夠反映在該時間尺度下的變化特征,小波系數(shù)絕對值越大表明該時間尺度越顯著,將時間域上關(guān)于a的所有小波變換系數(shù)的平方在b上進(jìn)行積分,即為小波方差:

由于尺度因子a的變化表示原序列不同時間尺度的周期信息,var(a)反映了尺度因子a的波動周期強(qiáng)度,直接反映了時間序列中所包含的各種尺度(周期)的波動以及其能量隨尺度變化的分布特性。

1.3 VMD-WA模型

長期趨勢項的周期相較于短期波動項而言更長,從周期性的角度對IMF分量分析可以得到長期趨勢項與短期波動項。利用VMD 的時空濾波特性與小波分析多分辨率提取時間序列中隱藏周期性特征的能力,將情緒序列分解為長期趨勢項與短期波動項,構(gòu)建的VMD-WA 模型流程如圖1所示。

圖1 VMD-WA 流程

具體步驟如下:

(1) 對行業(yè)情緒指數(shù)x(t)進(jìn)行VMD 分解,得到若干IMF序列IMFi(t),i≥1;

(2) 用小波分析方法對分解出的IMF 序列IMFi(t)進(jìn)行周期性分析,選取morlet小波作為基小波,通過式(10)計算每個IMFi(t)序列的主周期;

(3) 結(jié)合IMFi(t)序列的周期長度進(jìn)行聚類分析并重組,最終得到行業(yè)情緒的長期趨勢序列與短期波動序列。

2 實證研究

2.1 行業(yè)間情緒傳染理論分析

世界金融市場是一個復(fù)雜集群系統(tǒng),要對其進(jìn)行分析首先需要進(jìn)行分解。根據(jù)普利高津混沌理論系統(tǒng),運用其開放性原則,可以最終將投資者情緒從微觀至宏觀劃分為個人投資者、集群投資者、市場投資者與國家投資者。本文要研究的行業(yè)間情緒傳染效應(yīng)便屬于集群投資者的部分,這部分投資者由若干個投資者組成,個人投資者會通過觀察或交流等方式獲取其他個人投資者對市場的預(yù)期并判斷其行為,而這些信息會影響自身對市場的判斷從而發(fā)生了個人投資者情緒之間的情緒傳染。當(dāng)個人投資者間情緒傳染達(dá)成一定規(guī)模,并且發(fā)生在關(guān)注不同行業(yè)的個人投資者之間時,集群投資者情緒傳染即行業(yè)間情緒傳染就發(fā)生了。由于行業(yè)間情緒傳染的基礎(chǔ)是個人投資者之間發(fā)生信息交換后的情緒傳染,故提出:

假設(shè)1信息交換發(fā)生更為頻繁的行業(yè)之間的情緒傳染效應(yīng)更強(qiáng)。

此外,個人投資者是有選擇性地吸收來自其他個人投資者的情緒,兩個行業(yè)的信息交換并不對稱,因此提出:

假設(shè)2兩行業(yè)間情緒傳染效應(yīng)并不總是對稱的。

上述假設(shè)也是本文后續(xù)選擇行業(yè)數(shù)據(jù)的基礎(chǔ)。

2.2 數(shù)據(jù)選取與行業(yè)分組

首先基于滬深行業(yè)指數(shù)的行業(yè)分類,綜合考慮數(shù)據(jù)的可得性、相關(guān)行業(yè)指數(shù)樣本股的數(shù)量以及后續(xù)對照組的特性等因素,選取了金融行業(yè)、工業(yè)行業(yè)、醫(yī)藥行業(yè)、信息行業(yè)與材料行業(yè)作為研究對象,使用滬深行業(yè)指數(shù)的成交量、周收益波動率、漲跌幅、市盈率以及相關(guān)行業(yè)搜索熱度的谷歌趨勢,構(gòu)建行業(yè)投資者情緒。其中,谷歌趨勢數(shù)據(jù)的周維度數(shù)據(jù)最長的時間跨度為5年。其次,考慮到一個行業(yè)在一個自然年當(dāng)中會發(fā)生的周期性變化,數(shù)據(jù)選取時段從年初開始。最后,考慮到2020年初新冠疫情的開始可能會對行業(yè)間情緒傳染效應(yīng)產(chǎn)生極其重大的影響,因此暫不將其納入研究范圍?；谝陨?行業(yè)相關(guān)數(shù)據(jù)區(qū)間為2014年1月24日至2019年1月25日,除去節(jié)假日等休市期后共244周的周度數(shù)據(jù)。數(shù)據(jù)來自Wind數(shù)據(jù)庫與谷歌官網(wǎng)。

本文依據(jù)行業(yè)是否受到宏觀經(jīng)濟(jì)因素顯著影響以及兩個行業(yè)是否處于產(chǎn)業(yè)鏈上下游,將上述5個行業(yè)分為產(chǎn)業(yè)鏈相關(guān)的周期性行業(yè)組、產(chǎn)業(yè)鏈不相關(guān)的周期性行業(yè)組以及產(chǎn)業(yè)鏈不相關(guān)的非周期性行業(yè)組3組。具體地,金融行業(yè)與工業(yè)行業(yè)之間并沒有明顯的投入產(chǎn)出關(guān)系,兩行業(yè)都受到宏觀經(jīng)濟(jì)因素影響,因此劃入產(chǎn)業(yè)鏈不相關(guān)的周期性行業(yè)組;醫(yī)藥行業(yè)與信息行業(yè)之間同樣無明顯投入產(chǎn)出關(guān)系,且受到宏觀經(jīng)濟(jì)因素的影響較小,因此劃入產(chǎn)業(yè)鏈不相關(guān)的非周期性行業(yè)組;材料行業(yè)為工業(yè)行業(yè)的活動提供原材料,兩行業(yè)處于同一產(chǎn)業(yè)鏈的上下游,同時兩行業(yè)都與宏觀經(jīng)濟(jì)緊密相關(guān),因此歸入產(chǎn)業(yè)鏈相關(guān)的周期性行業(yè)組。通過對照分析能夠簡要探討宏觀經(jīng)濟(jì)因素與行業(yè)間緊密聯(lián)系對投資者情緒傳染效應(yīng)的影響。由于本文選擇的研究對象為滬深行業(yè)指數(shù),其包含行業(yè)中屬于產(chǎn)業(yè)鏈相關(guān)的非周期性行業(yè)指數(shù)所包含的公司過少,數(shù)據(jù)樣本可能不具有普適性。此外,本文設(shè)立分組的目的是通過對比來探究宏觀經(jīng)濟(jì)因素與行業(yè)間是否處于產(chǎn)業(yè)鏈上下游對行業(yè)間情緒傳染效應(yīng)的影響,前文所設(shè)立的3組行業(yè)組已經(jīng)能夠達(dá)成此研究目的,因此不再設(shè)立產(chǎn)業(yè)鏈相關(guān)的非周期性行業(yè)組。

2.3 行業(yè)投資者情緒的構(gòu)建、分解與重組

考慮到行業(yè)相關(guān)數(shù)據(jù)的可獲得性與完備性,本文選取了滬深行業(yè)指數(shù)的周收益波動率、周交易額、市盈率與漲跌幅作為情緒代理變量。其中,周收益波動率影響投資者對風(fēng)險的評估,成交量反映投資者對股市的參與程度,市盈率代表投資者對公司未來盈利能力的預(yù)期,漲跌幅直接影響投資者對一只股票的看好程度。此外,本文還加入了衡量行業(yè)相關(guān)信息搜索熱度的谷歌趨勢作為第5個代理變量,投資者通常對具有高回報的行業(yè)更加感興趣,因此,投資者對該行業(yè)關(guān)注度越高,則代表投資者情緒越高漲。具體構(gòu)造參考盧米雪等[32]和張國勝等[33]的方法,首先使用主成分分析方法對當(dāng)期代理變量與滯后1期的代理變量進(jìn)行合成,選取累計解釋能夠大于80%的主成分值作為初步的行業(yè)投資者情緒;其次計算初步的行業(yè)投資者情緒與各代理變量當(dāng)期與滯后1期的相關(guān)系數(shù),選取相關(guān)性更強(qiáng)的5個變量再次進(jìn)行主成分分析,最終選取累計解釋能夠大于80%的主成分值作為行業(yè)投資者情緒指標(biāo)。

2.3.1 行業(yè)投資者情緒相關(guān)性分析 表1展示了不同行業(yè)投資者情緒之間的相關(guān)系數(shù)。由表1 可知,所選取的產(chǎn)業(yè)鏈相關(guān)的周期性行業(yè)組、產(chǎn)業(yè)鏈不相關(guān)的周期性行業(yè)組以及產(chǎn)業(yè)鏈不相關(guān)的非周期性行業(yè)組中不同行業(yè)的相關(guān)系數(shù)分別為0.759 6、0.581 0與0.324 9。這說明,同處一條產(chǎn)業(yè)鏈與共同受到宏觀經(jīng)濟(jì)因素影響的行業(yè)之間情緒傳染效應(yīng)會更強(qiáng),與2.1節(jié)中提出的信息交換發(fā)生更加頻繁的行業(yè)之間情緒傳染效應(yīng)更強(qiáng)相符合。

表1 各行業(yè)情緒指標(biāo)相關(guān)系數(shù)

2.3.2 行業(yè)投資者情緒VMD 處理 在對行業(yè)情緒序列進(jìn)行分解之前需要確定合適的IMF數(shù)量,如果IMF數(shù)量過少會導(dǎo)致分解精度不足,無法有效提取不同頻率的序列;如果設(shè)定的IMF數(shù)量過多,則會發(fā)生過度分解。而這些會反映在序列的瞬時頻率均值曲線當(dāng)中。理想的IMF序列的瞬時頻率均值曲線應(yīng)該平滑上升,且兩個序列的瞬時頻率不應(yīng)該過于接近,表現(xiàn)在曲線當(dāng)中就是不應(yīng)該出現(xiàn)過度向下彎曲的趨勢。在這些條件滿足的情況下,分解數(shù)量越大越好。本文以材料行業(yè)的情緒指數(shù)為例。圖2所示為不同分解數(shù)量時的IMF序列瞬時頻率曲線。

圖2 材料行業(yè)情緒不同模態(tài)分量個數(shù)對應(yīng)的平均瞬時頻率

圖2中,9個子圖分別展示了行業(yè)情緒分解層數(shù)從1～9時各個IMF 的平均頻率,每個子圖的橫坐標(biāo)為當(dāng)前分解層數(shù)時的IMF序號,縱坐標(biāo)為IMF序列中心頻率均值。由圖2可見,當(dāng)K=9時,曲線有了明顯向下彎曲的現(xiàn)象。這是因為當(dāng)分解個數(shù)過大時,出現(xiàn)了模態(tài)混疊現(xiàn)象,低序列出現(xiàn)在了高頻區(qū)域,所以材料情緒指數(shù)的分解層數(shù)確定為8。通過上述過程,同樣可以確定其他行業(yè)情緒的分解層數(shù)。其中,金融行業(yè)情緒分解層數(shù)為4層,工業(yè)行業(yè)情緒分解層數(shù)為5層,醫(yī)藥行業(yè)與信息行業(yè)情緒分解層數(shù)為6層。

使用VMD 對材料情緒指數(shù)進(jìn)行分解,得到8個IMF分量,結(jié)果如圖3所示。其中,第1行是原序列,第2～第9行為IMF1～I(xiàn)MF8,最后一行R序列是分解之后得到的殘差項,依據(jù)頻率從低至高,振幅從高至低排列。

圖3 材料情緒序列的VMD 分解結(jié)果

2.3.3 基于小波分析的IMF 重組 得到IMF 序列后,需要對其進(jìn)行分析重組。使用小波分析計算IMF變量的主周期,并以此為依據(jù)對IMF分量進(jìn)行分類。特別地,將分解之后得到的殘差項R認(rèn)為白噪聲,其具有隨機(jī)的特征,分析得出的結(jié)果不具有普適性,故不對其進(jìn)行后續(xù)分析。表2展示了各行業(yè)情緒序列的IMF分量主周期。

表2 各行業(yè)模態(tài)分析的主周期 周

同樣以材料行業(yè)為例進(jìn)行分析。由表2可知,材料行業(yè)情緒經(jīng)過分解后得到的IMF1～I(xiàn)MF8的主周期,其中:IMF1 序列的周期明顯大于64 周,但由于序列長度的原因無法精確分析,可以認(rèn)為其能夠反映材料情緒的長期趨勢特征IMF2～I(xiàn)MF6的主周期與IMF1的主周期相差巨大且都接近于0;IMF7與IMF8序列沒有主周期,可以認(rèn)為IMF2～I(xiàn)MF8能反映材料情緒原序列當(dāng)中的短期波動特征?；谏鲜鼋Y(jié)果,將IMF2～I(xiàn)MF8 序列相加定義為短期波動項,IMF1序列定義為長期趨勢項,圖4所示為重組之后的結(jié)果。由圖4可見,材料行業(yè)情緒會分離為長期趨勢項與短期波動項,兩者分別描述了原始序列的趨勢與波動。對剩余行業(yè)情緒指數(shù)重復(fù)上述過程,得到所有行業(yè)情緒在長期與短期的特征,為后續(xù)情緒傳染效應(yīng)分析做準(zhǔn)備。

圖4 材料行業(yè)情緒分解重組結(jié)果

2.4 行業(yè)間投資者情緒傳染效應(yīng)分析

根據(jù)短期波動項與長期趨勢項的不同特征,選用不同的計量模型以探究這3組行業(yè)間投資者情緒長期趨勢項與短期波動項的傳染效應(yīng)。短期波動項通常是由于突發(fā)性事件而導(dǎo)致的情緒波動,不同時期波動的原因、特征以及產(chǎn)生的影響通常各不相同,使用傳統(tǒng)模型計算其一定時期內(nèi)的靜態(tài)相關(guān)系數(shù)無法完整刻畫短期波動項之間的傳染效應(yīng)。DCCGARCH 模型能夠計算行業(yè)情緒短期波動項之間的動態(tài)相關(guān)系數(shù),其可以反映出短期波動項之間傳染效應(yīng)的變化,因此,本文借助其分析行業(yè)情緒間波動溢出效應(yīng)。長期趨勢項是投資者對行業(yè)的長期期望,短時間內(nèi)不會輕易發(fā)生改變,脈沖響應(yīng)分析能夠刻畫兩個變量在長期的相互作用關(guān)系的變化,所以本文使用脈沖響應(yīng)分析對行業(yè)間情緒的均值溢出效應(yīng)進(jìn)行探究,所有序列均通過構(gòu)建模型之前的必要檢驗。

2.4.1 產(chǎn)業(yè)鏈不相關(guān)的非周期性行業(yè)組 圖5展

圖5 醫(yī)藥行業(yè)與信息行業(yè)情緒DCC-GARCH 動態(tài)相關(guān)系數(shù)

示了醫(yī)藥行業(yè)與信息行業(yè)短期情緒的動態(tài)相關(guān)系數(shù)。可以看出,相關(guān)系數(shù)絕大多數(shù)時間大于零,說明行業(yè)情緒傳染效應(yīng)為正向傳染。

具體而言,動態(tài)相關(guān)系數(shù)從2014 年3 月至2015年1月急劇上升,說明醫(yī)藥行業(yè)與信息行業(yè)情緒傳染效應(yīng)增強(qiáng)。這是因為2014年3月開始,中國股市新一輪牛市啟動,經(jīng)濟(jì)環(huán)境的整體向好帶動此兩行業(yè)投資者情緒上揚。但在2015年1月至2015年4月,動態(tài)相關(guān)系數(shù)急劇下降達(dá)到一個極小值,說明兩行業(yè)情緒傳染效應(yīng)減弱。究其原因,2014年年底(35周左右),ICT 觀察報告指出,中國通信技術(shù)正式進(jìn)入全面發(fā)展階段,新技術(shù)研發(fā)全面啟動。與此同時,醫(yī)藥行業(yè)的行業(yè)報告顯示,醫(yī)藥企業(yè)的盈利水平持續(xù)下降,銷售規(guī)模增速放緩,信息行業(yè)投資者情緒上揚而醫(yī)藥行業(yè)投資者情緒減弱。而動態(tài)相關(guān)系數(shù)從2015年4月至2015年8月重新上升至一個新的極大值,意味著情緒傳染效應(yīng)增強(qiáng)至一個新的極點。很大的原因是2015年初的牛市給整體經(jīng)濟(jì)環(huán)境一個良好的信號,投資者們對不同行業(yè)都具有一個良好的預(yù)期,最終行業(yè)投資者情緒同時上揚。從2015年8月開始,動態(tài)相關(guān)系數(shù)整體呈現(xiàn)一個震蕩下降的趨勢,代表著兩行業(yè)情緒傳染效應(yīng)逐漸減弱。究其根由,牛市熱潮過后,高新技術(shù)的快速發(fā)展支撐著信息行業(yè)的進(jìn)步,信息行業(yè)投資者情緒也因此依舊呈現(xiàn)一個上揚趨勢,而醫(yī)藥行業(yè)屬于創(chuàng)新較慢的行業(yè),且伴隨著國民身體素質(zhì)的上升,投資者對其的預(yù)期也逐漸下降,醫(yī)藥行業(yè)情緒逐漸減弱,兩行業(yè)情緒走勢背離。

圖6展示了醫(yī)藥行業(yè)與信息行業(yè)情緒長期趨勢項之間的脈沖響應(yīng)關(guān)系。由圖6可見,如果信息行業(yè)情緒有一個正向提升,醫(yī)藥行業(yè)情緒會有較大幅度的正向提升并于20期達(dá)到峰值,但之后醫(yī)藥情緒逐漸下降,從45期開始逆轉(zhuǎn)為負(fù)向影響并于48期左右達(dá)到極小值點,之后圍繞0值震蕩收斂并最終于140期左右消失。這說明,信息行業(yè)情緒的上揚會導(dǎo)致醫(yī)藥行業(yè)情緒先上升再下降。但當(dāng)醫(yī)藥行業(yè)情緒有一個正向提升時,信息行業(yè)的情緒幾乎沒有受到任何沖擊。這說明,醫(yī)藥行業(yè)情緒對信息行業(yè)情緒幾乎不存在傳染效應(yīng)。這很可能是因為醫(yī)藥行業(yè)與信息行業(yè)之間既不屬于產(chǎn)業(yè)鏈上下游,也都不與宏觀經(jīng)濟(jì)有緊密聯(lián)系。但信息行業(yè)作為當(dāng)時發(fā)展迅猛的行業(yè),參與其中的投資者不計其數(shù),信息行業(yè)情緒的波動在一定程度上代表著整個股市情緒的波動,進(jìn)而影響到醫(yī)藥行業(yè)情緒。

圖6 信息行業(yè)情緒與醫(yī)藥行業(yè)情緒之間的脈沖響應(yīng)

2.4.2 產(chǎn)業(yè)鏈不相關(guān)的周期性行業(yè) 圖7展示了金融行業(yè)與工業(yè)行業(yè)的投資者情緒動態(tài)相關(guān)系數(shù)。可以看出,相關(guān)系數(shù)絕大多數(shù)時間大于零,意味著傳染效應(yīng)呈現(xiàn)正向特征。

圖7 金融行業(yè)與工業(yè)行業(yè)情緒DCC-GARCH 動態(tài)相關(guān)系數(shù)

具體地,相關(guān)系數(shù)在2014年7 月至2015 年1月急劇上升,說明金融行業(yè)與工業(yè)行業(yè)情緒傳染效應(yīng)增強(qiáng)。這是因為2014年7月開始,中國股市新一輪牛市啟動,投資者對整體經(jīng)濟(jì)環(huán)境的看好使得其更加頻繁地在不同行業(yè)間進(jìn)行投資,兩行業(yè)投資者情緒同時上揚。在這輪牛市過后,兩行業(yè)情緒傳染效應(yīng)呈現(xiàn)一個較為穩(wěn)定的狀態(tài),但在2016年8月至2016年10月兩行業(yè)情緒相關(guān)系數(shù)開始下降,說明金融行業(yè)與工業(yè)行業(yè)情緒傳染效應(yīng)減弱。究其原因,2016年8 月16 日國務(wù)院通過《深港通實施方案》給予整個金融行業(yè)一個積極信號,導(dǎo)致金融行業(yè)投資者情緒急劇上漲,而工業(yè)行業(yè)的政策并沒有太大變動,投資者情緒未產(chǎn)生顯著波動。在2017年初深港通正式啟動后,金融行業(yè)迎來明確利好消息,相比于穩(wěn)定且依舊處于轉(zhuǎn)型過程中的工業(yè)行業(yè),投資者顯然更加看好具有良好發(fā)展的金融行業(yè),金融行業(yè)情緒持續(xù)上揚,兩行業(yè)情緒相關(guān)系數(shù)繼續(xù)減小,傳染效應(yīng)進(jìn)一步減弱。

圖8展示了金融行業(yè)與工業(yè)行業(yè)情緒長期趨勢項之間的脈沖響應(yīng)關(guān)系。

圖8 金融行業(yè)情緒與工業(yè)行業(yè)情緒之間的脈沖響應(yīng)

由圖8可見,如果金融行業(yè)情緒有一個正向提升,工業(yè)行業(yè)情緒會有較大幅度的正向響應(yīng)并于20期達(dá)到峰值,但之后醫(yī)藥情緒逐漸下降,從35期開始逆轉(zhuǎn)為負(fù)向影響并于70期左右達(dá)到極小值,之后圍繞0值震蕩收斂但始終未趨于0值。這說明,金融行業(yè)情緒的上揚會導(dǎo)致工業(yè)行業(yè)情緒先上升再下降,且整體影響持續(xù)相當(dāng)長的一段時間。而當(dāng)工業(yè)行業(yè)情緒有一個正向提升時,金融行業(yè)情緒的變化趨勢相似,受到的正向影響均于20 期左右達(dá)到峰值,但正向影響直到60期左右才逆轉(zhuǎn)為負(fù)向,之后逐漸震蕩收斂于0值。這說明,工業(yè)行業(yè)情緒的上揚會導(dǎo)致金融行業(yè)情緒先上升再下降,且整體影響持續(xù)相當(dāng)長的一段時間。但相對而言,工業(yè)行業(yè)情緒受到的影響會從正向影響轉(zhuǎn)為負(fù)向,且負(fù)向影響的極值更小。這可能是因為工業(yè)行業(yè)的投資者相對而言更加不理性,對來自其他行業(yè)的情緒傳染作出過度反應(yīng),但整體而言,金融行業(yè)與工業(yè)行業(yè)作為情緒傳染行業(yè)時產(chǎn)生的傳染效應(yīng)無顯著差別。究其原因,金融與工業(yè)的發(fā)展都與宏觀經(jīng)濟(jì)緊密相關(guān),任一行業(yè)情緒的變化都代表投資者對宏觀經(jīng)濟(jì)的預(yù)期發(fā)生了變化,被傳染行業(yè)投資者捕捉到這一信息后對所投資的行業(yè)預(yù)期發(fā)生變化,情緒在兩行業(yè)之間發(fā)生了傳染。

2.4.3 產(chǎn)業(yè)鏈相關(guān)周期性行業(yè) 圖9展示了材料行業(yè)與工業(yè)行業(yè)投資者情緒的動態(tài)相關(guān)系數(shù)?？梢钥闯?相關(guān)系數(shù)始終為正,說明兩行業(yè)情緒之間表現(xiàn)為正向傳染。

圖9 材料行業(yè)與工業(yè)行業(yè)情緒DCC-GARCH 動態(tài)相關(guān)系數(shù)

由圖9可見,從2014年1月至2015年3月,動態(tài)相關(guān)系數(shù)不斷上升,說明兩行業(yè)情緒傳染效應(yīng)不斷增強(qiáng)。這是因為2014年初的全國兩會當(dāng)中明確看好新材料行業(yè)的發(fā)展前景,而且傳統(tǒng)工業(yè)開始向高新技術(shù)轉(zhuǎn)型,整體工業(yè)改革呈現(xiàn)良好趨勢。再伴隨著2014年牛市的到來,兩行業(yè)投資者對所在行業(yè)持樂觀態(tài)度。但2015年3月至2015年7月出現(xiàn)了一個明顯的波谷,說明兩行業(yè)傳染效應(yīng)經(jīng)歷了一個先減弱再增強(qiáng)的過程。究其原因,2015年是“十二五”的最后一年,傳統(tǒng)工業(yè)依舊是工業(yè)行業(yè)的領(lǐng)頭羊,國家加大力度控制工業(yè)行業(yè)的污染排放問題,對工業(yè)行業(yè)的現(xiàn)狀產(chǎn)生沖擊并產(chǎn)生更大的未來不確定性,使得工業(yè)行業(yè)投資者情緒略微下降。但2015年5月發(fā)布的“工業(yè)轉(zhuǎn)型升級強(qiáng)基工程”標(biāo)志著國家開始重點扶持工業(yè)轉(zhuǎn)型,降低了工業(yè)行業(yè)未來的不確定性,工業(yè)行業(yè)情緒重新上揚,而整個過程中材料行業(yè)情緒并未發(fā)生劇烈波動。此后,兩行業(yè)情緒傳染效應(yīng)處于一個相對穩(wěn)定的階段,直到2018年2月,動態(tài)相關(guān)系數(shù)急劇上升意味著情緒傳染效應(yīng)突然增強(qiáng)。究其根由,2018年年初(200周左右),國家取消了針對外商制造業(yè)的大部分限制,一大批國外制造商進(jìn)入中國市場,促進(jìn)了工業(yè)行業(yè)的發(fā)展,同時國家更加重視環(huán)保,新能源補(bǔ)貼等政策的發(fā)布也給材料行業(yè)注入活力,兩行業(yè)投資者持續(xù)看好所在行業(yè)。

圖10展示了工業(yè)行業(yè)與材料行業(yè)情緒長期趨勢項之間的脈沖響應(yīng)關(guān)系。

圖10 材料行業(yè)情緒與工業(yè)行業(yè)情緒之間的脈沖響應(yīng)

由圖10可見,如果材料行業(yè)情緒有一個正向提升,工業(yè)行業(yè)情緒會有較大幅度的正向提升并于35期左右達(dá)到峰值,但之后工業(yè)情緒逐漸下降,從55期開始逆轉(zhuǎn)為負(fù)向影響并于70期左右達(dá)到極小值,最終震蕩收斂于0值。這說明,材料行業(yè)情緒的上揚會導(dǎo)致工業(yè)行業(yè)情緒先上升再下降;而當(dāng)工業(yè)行業(yè)情緒有一個正向提升時,材料行業(yè)情緒只有一個較弱的上揚趨勢,正向影響在50 期左右達(dá)到峰值,之后逐漸減弱并于80期左右逆轉(zhuǎn)為負(fù)向影響。整體而言,工業(yè)行業(yè)情緒對材料行業(yè)情緒的傳染效應(yīng)較弱。究其原因,材料行業(yè)作為工業(yè)行業(yè)的上游產(chǎn)業(yè),為工業(yè)的運行提供材料基礎(chǔ),這也就意味著,當(dāng)材料行業(yè)發(fā)展不佳時,將直接影響工業(yè)行業(yè)的正常發(fā)展。但材料行業(yè)的下游行業(yè)并不只有工業(yè),當(dāng)工業(yè)發(fā)展受到影響時,材料行業(yè)依舊能夠正常向其他行業(yè)輸送原材料,因此,工業(yè)情緒對材料情緒的傳染效應(yīng)強(qiáng)度較小。

2.4.4 對比分析 表3展示了3組行業(yè)情緒的動態(tài)相關(guān)系數(shù)絕對值的均值與標(biāo)準(zhǔn)差。

表3 3組行業(yè)DCC-GARCH 動態(tài)相關(guān)系數(shù)的描述性特征

短期而言,3組動態(tài)相關(guān)系數(shù)絕對值的均值分別為0.100、0.165 和0.248,由此可知產(chǎn)業(yè)鏈相關(guān)的周期性行業(yè)間情緒傳染效應(yīng)最強(qiáng),非產(chǎn)業(yè)鏈相關(guān)的周期性行業(yè)次之,非產(chǎn)業(yè)鏈相關(guān)的非周期性行業(yè)最弱。通過觀察圖5、7和圖9的相關(guān)系數(shù)可知,動態(tài)相關(guān)系數(shù)絕大部分時間為正值。這說明,行業(yè)情緒短期波動項間的傳染效應(yīng)表現(xiàn)為顯著的正向傳染,但不同類型的行業(yè)情緒間的動態(tài)相關(guān)系數(shù)走勢不同,只有產(chǎn)業(yè)鏈相關(guān)的周期性行業(yè)間情緒傳染效應(yīng)持續(xù)增強(qiáng),而其他兩組行業(yè)無此特征。最后,行業(yè)情緒間相關(guān)系數(shù)發(fā)生顯著變化時總會伴隨著相關(guān)產(chǎn)業(yè)政策發(fā)生改變,這很可能是因為產(chǎn)業(yè)政策的發(fā)布會顯著改變投資者對一個行業(yè)的預(yù)期,進(jìn)而對行業(yè)之間的情緒傳染效應(yīng)產(chǎn)生顯著影響。

長期而言,通過觀察3組行業(yè)情緒之間的脈沖響應(yīng)圖可以發(fā)現(xiàn),所有行業(yè)情緒的均值傳染效應(yīng)都表現(xiàn)為先正向傳染再負(fù)向傳染,但醫(yī)藥情緒對信息情緒無均值傳染效應(yīng)。由圖6、8和圖10可以看出,所有行業(yè)間的脈沖響應(yīng)影響都維持了130期以上,可以認(rèn)為一行業(yè)情緒長期趨勢項發(fā)生變化時對其他行業(yè)情緒長期趨勢項產(chǎn)生的影響會始終存在。究其原因,投資者行為具有“羊群效應(yīng)”,當(dāng)情緒被傳染行業(yè)受到情緒傳染行業(yè)的正向情緒傳染時,被傳染行業(yè)投資者對所在行業(yè)持有樂觀的態(tài)度,進(jìn)而加大投資,但是一段時間后意識到行業(yè)中泡沫的存在,情緒開始回落至過度看跌的狀態(tài)。此后,行業(yè)情緒不斷重復(fù)這個變化過程而在很長的一段時間內(nèi)發(fā)生震蕩。

通過對照分析非產(chǎn)業(yè)鏈相關(guān)的非周期性行業(yè)間情緒傳染效應(yīng)與非產(chǎn)業(yè)鏈相關(guān)的周期性行業(yè)間情緒傳染效應(yīng),能夠得到關(guān)于宏觀經(jīng)濟(jì)因素對行業(yè)間情緒傳染效應(yīng)影響的初步結(jié)論。短期而言,通過對比相關(guān)系數(shù)的均值,可知周期性行業(yè)間情緒傳染效應(yīng)要強(qiáng)于非周期性行業(yè)間情緒傳染效應(yīng)。通過對比兩組相關(guān)系數(shù)的標(biāo)準(zhǔn)差,可知周期性行業(yè)間情緒傳染效應(yīng)更容易受到影響而產(chǎn)生波動。長期而言,通過對比兩組行業(yè)間情緒傳染的脈沖響應(yīng)圖,可得周期性行業(yè)間情緒傳染效應(yīng)相較于非周期性行業(yè)間情緒傳染效應(yīng)更加持久。通過上述結(jié)果,可以簡單地推測宏觀經(jīng)濟(jì)環(huán)境作為周期性行業(yè)間的一個傳遞信息的中介,加強(qiáng)了不同行業(yè)投資者之間的聯(lián)系,使得行業(yè)間投資者情緒傳染效應(yīng)更加強(qiáng)烈,但信息交流的加強(qiáng)致使行業(yè)投資者情緒更加容易受到影響,進(jìn)而導(dǎo)致情緒傳染效應(yīng)更容易產(chǎn)生波動。

類似地,對照分析非產(chǎn)業(yè)鏈相關(guān)的周期性行業(yè)間情緒傳染效應(yīng)與產(chǎn)業(yè)鏈相關(guān)的周期性行業(yè)間情緒傳染效應(yīng),能夠得到關(guān)于行業(yè)間緊密聯(lián)系對行業(yè)間情緒傳染效應(yīng)影響的初步結(jié)論。短期而言,通過對比兩組相關(guān)系數(shù)的均值,可知產(chǎn)業(yè)鏈相關(guān)行業(yè)間情緒傳染效應(yīng)強(qiáng)于非產(chǎn)業(yè)鏈相關(guān)行業(yè)間情緒傳染效應(yīng)。通過對比兩組相關(guān)系數(shù)的標(biāo)準(zhǔn)差,可知產(chǎn)業(yè)鏈相關(guān)行業(yè)間情緒傳染效應(yīng)更加穩(wěn)定而不易受影響。長期而言,兩組行業(yè)間情緒傳染效應(yīng)并沒有發(fā)生很大變化。綜上所述,行業(yè)間的緊密聯(lián)系可能會使得情緒傳染效應(yīng)相對更加穩(wěn)定,但這種緊密聯(lián)系不會對長期情緒傳染效應(yīng)產(chǎn)生巨大影響。同樣地,行業(yè)間的緊密聯(lián)系也使得行業(yè)之間的投資者信息交流更加密切,進(jìn)而使得情緒傳染效應(yīng)增強(qiáng),但是整體傳染效應(yīng)更加穩(wěn)定。這種情況出現(xiàn)的原因很可能是參與兩行業(yè)的投資者對行業(yè)狀況更加熟悉,投資者更加冷靜理性,兩行業(yè)中“羊群效應(yīng)”相對較弱,所以傳染效應(yīng)不容易出現(xiàn)劇烈波動。

3 結(jié)論

本文通過構(gòu)造VMD-WA 模型并結(jié)合DCCGARCH 與VAR 模型,探究了不同時間尺度下行業(yè)間投資者情緒的傳染效應(yīng)。主要結(jié)論如下:

(1) 行業(yè)間投資者情緒具有顯著的波動溢出效應(yīng)與均值溢出效應(yīng)。

(2) 行業(yè)間情緒趨勢項間的傳染效應(yīng)總是先正向傳染而在一段時間后逆轉(zhuǎn)為負(fù)向傳染。

(3) 行業(yè)情緒間波動傳染效應(yīng)總是正向且具有時變性,但不同類型行業(yè)間的傳染效應(yīng)的時變特征不同。

(4) 周期性行業(yè)間的情緒傳染效應(yīng)相對于非周期性行業(yè)間傳染效應(yīng)更加強(qiáng)烈,非產(chǎn)業(yè)鏈相關(guān)的行業(yè)間情緒傳染效應(yīng)相對于產(chǎn)業(yè)鏈相關(guān)行業(yè)間傳染效應(yīng)更微弱。

(5) 相關(guān)產(chǎn)業(yè)政策的發(fā)布會顯著影響相關(guān)行業(yè)間情緒傳染效應(yīng)。

本文的研究是行業(yè)間溢出效應(yīng)方面的有力補(bǔ)充,同時對于金融監(jiān)管有一定的借鑒價值。

(1) 保持國內(nèi)各行業(yè)經(jīng)濟(jì)的穩(wěn)定性對防范市場風(fēng)險產(chǎn)生與擴(kuò)散十分必要,經(jīng)濟(jì)的波動會直接導(dǎo)致情緒的波動,容易引發(fā)市場不穩(wěn)定。

(2) 應(yīng)該重點關(guān)注信息交流密切的行業(yè)間風(fēng)險的傳染。

(3) 在市場發(fā)生波動時,不僅要控制正向傳染導(dǎo)致的泡沫,還要降低一段時間后負(fù)向傳染導(dǎo)致的金融恐慌。

(4) 要提防相關(guān)產(chǎn)業(yè)政策時相關(guān)行業(yè)情緒劇烈波動產(chǎn)生的風(fēng)險,在政策發(fā)布的特殊時點加強(qiáng)風(fēng)險監(jiān)管并穩(wěn)定相關(guān)行業(yè)投資者情緒。

(5) 當(dāng)行業(yè)產(chǎn)生風(fēng)險時,要重點關(guān)注其產(chǎn)業(yè)鏈下游行業(yè),防止風(fēng)險擴(kuò)散。

本文存在以下不足:首先,通過對照研究宏觀經(jīng)濟(jì)因素與行業(yè)間緊密聯(lián)系對投資者情緒傳染效應(yīng)影響的方法較為簡單,因此,本文僅簡要探討了相關(guān)結(jié)論;其次,由于數(shù)據(jù)精度的原因,只將情緒分解為短期波動項與長期趨勢項,后續(xù)的改進(jìn)可嘗試探究更多時間尺度下的行業(yè)情緒傳染效應(yīng)。