第 26卷第 5期
2013年 10月
管理科学 ISSN 1672—0334
Journal of Management Science
V01．26 No．5 l1l—l19
October，2013
⑩ 社交媒体的投资者
涨跌情绪与证券市场指数
程琬芸，林 杰
同济大学 经济与管理学院，上海 200092
擅曩：以新浪微博为数据来源，利用中文文本分析技术，从 5个与证券相关的认证机构用
户的微博和评论中提取出大多数投资者对证券市场未来走势涨跌的情绪倾向信息，构建社交
媒体的投资者涨跌情绪指数 ，作为社 交媒体的度量 指标 ，运 用 Granger因果关 系检 验和脉 冲响
应函数 方法 ，对社 交媒体 与证 券市场之 间的动态影响 以及社 交媒 体对证券 市场的预测 能力进
行分析。研究结果表明，社交媒体的投资者涨跌情绪指数与证券市场指数收益、成交量之间
均存在正相关关系，证券市场指数的收益、成交量对社交媒体的投资者涨跌情绪指数的影响
持 续时间超过40个 交易 日；社 交媒 体的投 资者涨跌 情绪指数对证 券 市场指数 收益仅短期 影响
显著 ；虽然无 法帮助预 测证券 市场指 数收益 ，但是 能够成 为预测证 券 市场指数 的交 易成 交量
的有效指标。社交媒体中富含了有助于投资决策的有效信息，实证研究结果有助于帮助投资
者及时判断社 交媒体 中信息 的有 效性 以及 如何 更好地 利用社 交媒 体辅 助他们 的投 资决 策行
为 。
关键调：社交媒体；证券市场指数；投资者涨跌情绪指数；文本分析
中图分类号：F830．9 文献标识码：A doi：10．3969／j．issn．1672—0334．2013．05．O1l
文●鳙号：1672—0334(2013)05一O11l一09
1 引言
随着 Web 2．0技术 的广泛应用 ，以互动社交为特
征的社交媒体(如论坛、博客和微博等)被应用到金
融领域。投资者通过社交媒体 可以实时获 取证券 市
场的相关资讯，与他人交流对证券市场和个股的看
法和感受 ，并且 参 与到 社 区的 各类 讨论 和 交 流
中 I3 J。与此同时，不问渠道 的信息通过社交媒体
对信息的分享、聚集和放大等功能在社区中迅速传
播，为投资者的投资决策行为提供了丰富的决策参
考信息 J。关于社交媒体与证券市场之间相互关系
的研 究逐渐成为当今热点研究课题 。
目前中国证券市场还只是新兴加转型的市场，
个人投资者在市场参与者中所 占比重仍然较大，个
人投资者的严重投机心理和不成熟的投资理念使投
资者很难正确地判断信息有效性并及时地做出投资
决策 。深入分析社交媒体与证券市 场之间 的相互 影
响，总结社交媒体对证券市场的预测作用，能够帮助
投资者去掉投机心理、树立投资理念 ，并有利于深入
开展投资者教育工作。
2 相关研究评述
在社交媒体被广泛应用的时代 ，投资者不再是
被动地接收信息，而是主动地使用网络搜索和发布
信息。社交媒体逐渐成为投资者重要的信息来源 ，
开始蕴涵 能够 辅 助投 资 者进 行 投资 决 策 的有 效 信
息。Mao等 对传统的投资者情绪指标 Investor Intel-
ligence和 Daily Sentiment Index与多个社交媒体(如在
线新闻、搜索引擎和微博)的预测证券市场能力进行
收稿日期：2013—02—22 惨 逐日期：2013—09—24
誓盒项目：国家自然科学基金 (71071n4)；教育部人文社会科学研究项 目(11YJC630216)；上海市重点学科建设项 目
(B31o)；广东省 自然科学基金 ($2012010010794)
作考誓介 ：程琬芸(1981一)，女，广东南海人 ，同济大 学经 济与管理 学院博士研究生 ，研究 方向 ：情感分析和管理 信息 系
统等 。E—mail：warty．cheng@gmail．tom
l12 管理科学(Journal of Management Science) 2013年 l0月
比较分析，认为从社交媒体中提取出来的度量指标
具有更好的预测能力。学者们尝试使用各种不同的
方法抽取社交媒体中的有效信息，研究其与证券市
场的相互影响。常见的社交媒体度量指标包括数量
指标、内容质量指标和结构特征指标 ，数量指标如发
布信息数量、评论数量、转发数量和搜索强度等用户
活跃度；内容质量指标如使用褒／贬义词出现的词
数 、包含褒／贬义 词的信息数量和评论数量 以及使用
文本分析技术提取的情绪指数等方法计算获得的用
户情绪和意见分 歧度等 ；结构 特征 指标如 节点 位置
和连通数量等 。
由于数量 指标 收集 和计算 都 相对 简单 ，是 最为
常见 的社交媒 体度量 指标 。大量研 究结果 均表 明 ，
不 同社交媒体的 用户活跃 度 (包 括搜 索引擎 的搜索
量。。J、博客 的发帖量 和评论 量 以及微 博 的发帖量
和转 发量 I9 等 )均 与证券 市场 的交 易活 动有 显著
的相关关系。社交媒体的数量指标虽然能表示用户
对所讨论话题 的关 注程度 ，但在表 示用 户意 愿和 用
户关联等深层次信息时则有所不足。Sabherwal等 0_
利用文本 分类器 从 TheLion．com论坛 中抽 取 出投 资
者股票买 卖倾 向指标 ，发 现社交媒 体 的用户 情绪指
标可以预测证券市场指数价格走势和交易活动，而
用户活跃度并不具备相似的预测能力；Ruiz等⋯ 使
用 Twitter作为数据来源 ，对 Twitter中用户活跃度、结
构特征等证券市场事件进行相关性分析，不仅发现
Twitter与交易成交量 的相关性强 于其 与收益 的相关
性 ，而且相对于用户 活跃 度而言 ，Twitter的结 构特征
与股票市场之间的相关性更强 。
为了进一步研究社交媒体与证券市场的关系，
一 些学者利用先 进 、有 效 的文本分 析技 术对社 交媒
体进行分析 ，抽取出投资者对证券市场涨跌的情绪
倾向和意见分歧程度等深层次信息 ls]。Antweiler
等 和 Das等 ¨分别通过构建文本分类器对论坛
帖子进行 文本挖掘 ，研究结果均表 明，从社交媒体 内
容中提取的情绪指标与证券市场指数的多个主要指
标(如股价、成交量和波动率等)都具有显著的相关
性；Gilbert等 和 Zhang等 纠的研究表明，社交媒体
中蕴含的用户悲观情绪会导致股价在短期内下跌，
用户悲观情绪 与证券市 场指数呈 负相关关 系；Bollen
等 从微博中提取出6种情绪，发现政治、经济甚至
日常生活中发生的事件都能够影响公众情绪 ，他们
推测，采用情感分析技术对社交媒体 内容进行深人
的分析和建模可以预测社会 和经济 的发展趋势 。
针对中文社交媒体与证券市场之间关系的研究
正在初步探索中，林振兴 发现虽然论坛中发帖数
量与 IPO抑价、首 日交易量存在显著正相关，但是采
用人工判断的方法整理的基于 IPO的投资者乐观／
悲观情绪指标对中国证券市场 IPO溢价和首日交易
量并不存在显著相关性；张永杰等 利用百度搜索
关键字词所返回的网页数量作为社交媒体信息含量
的度量指标，对社交媒体信息和资产定价进行分析，
发现社交媒体中富含影响资产定价的有效信息；施
荣盛 副发现论坛 中超额发帖量与股票交易成交量 显
著正相关。可见，不断发展的中文社交媒体中富含
影响中国证券市场交易活动的有效信息。
上述研究对社交媒体与证券市场的关系做出了
有益尝试 ，但大多研究成果来 自于英文社交媒体与
欧美 等发达国家的证 券市场 的相互 关 系研究 ，中国
作为新兴加转型的资本市场，无论是相关制度和市
场的信息效率，还是投资群体的构成等方面都具有
独特性，因此国外现有成果是否适用于中国证券市
场仍有待考察。此外 ，针对中文社交媒体与证券市
场 的关系研究主要 是针对 数量 指标展 开 的，而利 用
文本分析技术对中文社交媒 体做深层次挖 掘有 效信
息的研究基本空 白。因此 ，本研究使用知网等中文
文本分析工具对新浪微博的内容进行语义层面的分
析，尝试对中文社交媒体做进一步的研究，并考察社
交媒体与证券市场之间的相互影响以及社交媒体对
证券市场 的预测作用 。
3 研究设计
3．1 构建社交媒体的投资者涨跌慵绪指数
(1)计算词语的涨跌情绪值
自然语 言是人们表达 和交流想法 、感 情的工具 ，
而词语是自然语言处理的基本单位。表示情感倾向
的词语 通常称 为极性 词 ，本 研究 按照人 们对 证券 市
场未来走势的涨跌判断，将表示用户情绪的词语分
为“看涨 ”和“看跌 ”两 类涨跌极 性词 ；另外 ，还有 程
度词和否定词 两类词 语 ，程 度词 是表示 加重 或减 弱
涨跌极性的词 ，否定词是表示否定涨跌极性的词。
在知网知识框架中，每个词语可以包含若干个
概念，每个概念可 以表述成若干个 义原。参考 Lj
等 的方法，使用知网可以判断任意词语的类别并
计算其语义倾 向值。首先 建立一 个种 子义 原库 ，包
括“看涨 ”义原(bul1)、“看跌”义原 (bear)、程度义原
(degree)和否定义原(deny)共 4类种子义原。任意
一 个词语 ，分 别计 算 该词 语作 为 “看 涨 ”词 、“看
跌”词、程度词和否定词的语义倾 向值，使用
P 、 和P 表示，所有语义倾向值均在[0，1]之
间。本研究 按照 以下方 法识别词语 加的类别 并完成
相应计算 。
① 判断词语加是否为否定词，若P ≥max(P ，
P ，尸 )且P ≥0．750，则词语 ∈deny，累计否定
词出现的次数 ；
② 若词语 甚 ，则再 判断词语 是否为程度
词 ，若 ≥max(P6 ， ，，P )且 尸 ≥0．750，则
词语 ∈degree，其程度值Wdeg =P 一；
③ 若词语W隹deny A W degree，则词语却为涨跌极
性词，其涨跌情绪值Wten =P 一P 。
(2)计算句子的涨跌情绪值
在 中文 文 本分 析 之 前 需要 对 文 本 进行 分 词 处
理 ，本研究使用中国科学 院计算技术研究所研制的
ICTCLAS 3．0系统进行 中文分词。
给定一个句子s，句中否定词、程度词和涨跌极性
第 5期 程琬芸等：社交媒体的投资者涨跌情绪与证券市场指数 113
词的个数分别用 、 和 础表示，则句子 s的
涨跌情 绪值 Sten 的计算公 式为
(一1) H(1+Wdeg )∑Wten
Sten,=— — 瓦 瓦 ‘ )
其中，Wdeg ．为第 i个程度词W 的程度值 ，i=0，1，⋯，
一 ；Wren 为第 个涨跌极性词 的涨跌情绪值 ， ：
0，1，⋯ ，Ⅳ 。
(3)计算帖子的涨跌情绪值
社交媒体中一条帖子通常只表达一个主题，因
此每条帖子 的涨跌情绪值 可以使用 帖子中所有句 子
的平均涨跌情绪值表示。使用标点符号将帖子 m分
为 个句子，帖子 m的涨跌情绪值Mten 的计算公式
为
∑Ste
Mten ： (2)
‘ ’SC
其中，Sten 为第 个分句s 的涨跌情绪值，k=0，1，⋯，
Nsen。
(4)构造基于社交媒体的投资者涨跌情绪指数
本研究使用一天内社交媒体中所有与证券相关
的帖子的平均涨跌情绪值表示当天社交媒体的投资
者 涨跌情绪。令 m为在 (t一1)日下午15：00到 t日下午
15：00之间发布的第 m条帖子，且该时间段内共发布
的帖子数为Ⅳ 条，则 t日该社交媒体的投资者涨跌
情绪指数OSMten 的计算公式为
Nmsg
∑Mt
0 t 苛 (3)
其中，Mten 为第 m条帖子的涨跌情绪值。若投资者
涨跌情绪指数OSMten >0，表示 t日内社交媒体中投
资者心态乐观，认为证券市场行情转好 ，并且大盘指
数 和个股股 价会 上涨 ；相 反 ，OSMten <0，表示 t日内
社交媒体中投资者心态转为悲观，认为证券市场行
情不乐观 ，而且大盘指数和个股股价下跌的可能性
增加。OSMten 绝对值越大，表示投资者认为证券市
场上 涨(下跌 )的可 能性越 大 ，程度也越大 。
(5)投资者涨跌情绪指数 的有效性检验
从新浪微博上收集与股票相关的帖子，通过人
工标注进行分类整理后作为测试语料。分别由3人对
帖子进行独 立判断 ，当帖子 内容包 含看 涨 或看跌 含
义时，归类为“看涨”或“看跌”，若未表达明确的涨
跌倾向，则归类为“中性”。本研究使用的测试语料
包括“看涨”和“看跌”的帖子各140条。
计算测试语料帖子的投资者涨跌情绪指数 ，若
OSMten >0为看涨帖子，OSMten <0为看跌帖子，否则
为 中性 帖子 。测试 结果见 表 1。
采用分类正确率评价算法效果 ，即
分类正确率=翁蠢嘉 ×10o％ (4)
表1 算法有效性测试结果
Table 1 Test Results of E ldctiveness
of Proposed M ethod
测试集
算法计算结果
看涨 中性 看跌
本研究的投资者涨跌情绪指 数计算 方法 的平 均
分类正确率为67．143％，虽 然在 自动识别投资者涨 跌
情绪倾向上表现一般，但考虑到社交媒体的帖子具
有用语简洁、特征稀疏和指代不明确等特点，而本研
究使用的方法无须 中文情感词典和 中文情感语料
库 ，只需利用知 网及少量 的种子义原 即可实现 ，因此
本研究使用的计数方法仍是有效且切实可行的。
3．2 研究模型
向量 自回归 (VAR)模型把 需要分析 的变量纳 入
一 个系统进行分析，在系统中待分析变量均设定为
内生变量 ，模 型的每个 方程 中每 一个 内生变 量利 用
自身的滞后变量和系统内其他内生变量的滞后变量
进行回归。VAR模型的优点在于可以通过将变量之
间的动态性特征纳入考虑范围提高预测精度 ，然而
VAR模型无法直接观测到系统内变量之间的关系。
Sims 认为 ，研究 变量 之 间的动 态关 系 比单 独考察
变量系数更有意义 ，可以通过 脉 冲响应 函数 观察 系
统 内各个经济变量之间的结构关 系。脉 冲响应 函数
是通过分析系统 内变量对其他 内生变量带来 的冲击
的响应 ，分析 系统 内变量之 间 的动态影 响 和时滞 关
系 。
社交媒体中投资者在受到证券市场交易活动影
响的同时，他们针对证券市场走势所发表的言论也
影响着社区 中其他投资者 的投资决策行为 。由于投
资者阅读信息和进行投资决策行为 的时间并不相
同，因此社交媒体与证券市场的交易活动可能在 当
期和未来几期都存在相互影响。本研究使用三元向
量 自回归模型检验社交媒体的投资者涨跌情绪指数
与证券市场指数的收益、成交量之间的动态关系以
及三者之间的时滞关系。本研究使用的P阶VAR模
型可 以表示为
YI= 0+ lY 一1+以2Y
一
2+⋯ +A
一 p十is (5)
其 中，Y 为内生变 量向量 ；j，⋯为内生变量 的 期 滞后
向量，u=1，2，⋯，P；A 为内生变量滞后项的系数矩
阵， =1，2，⋯，P；C。为常 量 向量 ；￡ 为协 方差矩 阵为
单位 矩阵的白噪声 向量 ；P为滞后 阶数 ；t=1，2，⋯， ，
为时间长度。
3．3 数据来源
(1)股票数据
本研究选取的证券市场指数样本来 自上证综合
指数和深圳成分指数，包括上证综合指数的每 日收
盘指数PSH、日成交量VLMSH和深圳成分指数的每日
ll4 管理科学(Journal of Management Science) 2013年 lO月
收盘指数PSZ、日成交量VLMSZ。股票数据均使用深
圳市财富趋势科技股份有限公司提供的通达信软件
下载 获得 。t日上证综合指数的股指 收益率RSH,和深
圳成分指数的股指收益率RSZ 的计算公式为
PI— P|-l
(6)
其 中，R ：(RSH,，RSZ,)， 为 t日股指的收盘指数 ，尸l—l
为(t一1)日股指的收盘指数 。
样本 区间为2011年 1月 1日至2012年 2月29日。
每个股票数据样本序列包含280个有效数据。
(2)社交媒体的投资者涨跌情绪指数数据
本研究采用新浪微博作为社交媒体 的数据来
源。新浪微博从2009年开通后便成为中国最重要的
微博服务提供网站之一。截至2011年底，新浪微博
的注册用户已突破 3亿，用户每 日发博量超过 1亿
条。但与 Twitter用户主要关注时事新闻的特点不
同，新 浪微 博用 户大 多关 注休 闲娱乐 方 面 的话
题 。为了尽可能地获取投资者对证券市场信息的
看法和情绪，首先把数据来源的范围限定在与财经 、
证券相关的用户群体中。由于新浪微博信息源的可
信赖程度、专业程度、吸引程度和使用多媒体信息的
数量都会影响信息的转发数量 ]，因此 ，与普通用
户相 比，认证媒体 机构 用户不仅 更具 可信赖 性和 专
业性，还能实时报道和分析盘中走势，并且分享来 自
不同渠道的证券市场相关信息，从而受到更多投资
者的关注和评论。
社交媒体用户在阅读帖子时，当认为帖子内容
对朋友或他人具有一定价值时，他有可能会原帖转
发；当认为帖子内容很重要，尤其是涉及到 自身利益
时 ，会倾 向于撰写评论表达 自己的看法 ，抒 发 自己的
情感，并期望得到他人的认可。可见，社交媒体的评
论表达了用户对所讨论话题的真实意见和想法。
本研究选择5个与时事新闻或财经证券市场相
关的认证媒体机构用户所发表的微博以及相应的评
论作为计算投资者涨跌情绪指数的数据来源，分别
为新浪证券 、新 浪财经 、头 条新 闻、证券市 场红 周刊
和证券市场周刊，他们均与时事新闻或财经证券市
场相关，而且截至2011年11月，他们都已发布超过 1
万条 的微博和拥 有10万人 以上的粉 丝 ，具 有一定 的
影 响力和代表性 。本 研究 共收集微 博66 317条 和评
论1 207 693条作为数据样本，时间跨度从2011年 1月
1日到2012年 2月29日。按照前文的方法从数据样本
中抽 取并合成新浪微博 的投 资者涨跌 情绪指数
OSMten，为了与证券市场指数数据做对 比分析，投资
者涨跌情绪指数OSMten仅使用证券市场交易日的数
据作为分析序列，包含280个有效数据。
4 实证分析和结果
实验分析使用 Eviews 6．0软件完成，数据均保留
小数点后 3位。
4．1 变量的基本统计描述
表2给出所有变量的基本统计描述信息。在样
本 区间内，证券 市场指 数 的收益 和投资者 涨跌 情绪
指数的均值均为负值，可以看出在这一年多时间内，
中国证券市场总体走势低迷，社交媒体中的投资者
对证券市场的未来表现感到悲观。此外，证券市场
指数收益的波动远大于社交媒体的投资者涨跌情绪
指数的波 动。
由于 VAR模 型 的建 立和 Granger因果检 验都 要
求使用的时间序列是平稳时间序列 ，采用 Phillips
Perron单位 根检验方法对各变量进行平稳性检 验 ，检
验方法使用带有漂移项和趋势项的一般形式，结果
见表2。所有变量的 PP检验值都小于1％显著性水
平的统计量，显示全部时间序列都是平稳的。
表 3给 出所有 变量 问的 相关 系数 。投资 者涨跌
情绪指数与证券市场指数的收益、成交量均呈现正
向相关关 系 ，且与交易成 交量的正相关关 系在 l％显
著性水平下显著。显然 ，社交媒体的投资者涨跌情
绪指数与证券市场指数存在正相关关系，并且投资
者涨跌情绪指数与交易成交量之间的正相关关系强
于其与收益之间的正相关关系。
衰 2 描述性统计
Table 2 Descriptive Statistics
注：“’为显著性 水平为1％，下同；PP检验标准为l％显著性水平统计量为 一3．991。
第5期 程琬芸等：社交媒体的投资者涨跌情绪与证券市场指数 l15
表3 变量闻的相关系数
Table 3 Correlation Coefficients of Variables
osM n RSH RSz vLMsH vLMsz
冠SH O．O53 1．000
．sZ 0．050 0．958⋯ 1．000
1／z f．SZ 0．368⋯ 0．211⋯ 0．213⋯ 0．902“ 1．000
注：“为显著性水平为5％，下 同。
4．2 Granger因果关系检验
Granger因果关系检验可以从统计意义上分析两
个平稳时 间序列 、y之间的因果关系 ，判断在对 、
y变量进行 回归时 ，加入 的滞后项能否显著地改进
对 y的预测，如果能够显著改进对 l，的预测，则认为
是 Y的 Granger原因 ，或认 为 Granger引起 y。如果
y同时也 是 的 Granger原 因，则认 为 与 y之 间具
有双 向 Granger因果 关 系。虽然 Granger因果关 系 不
等同于因果关系，但若 是y的 Granger原因，则 可
作 为预测 Y的有效 预测变量 。 因此 ，本研 究采 用
Granger因果关系检验分析社交媒体的投资者涨跌情
绪指数对证券市场指数收益和成交量的预测能力。
本研究分别将社交 媒体 的投 资者涨跌 情绪指 数
与证 券市场指数的收益 、成交量做 两两检验 ，表 4列
出相应的 Granger因果关系检验结果。在滞后期为1
阶～5阶时，可以发现，①证券市场指数收益不是投
资者涨跌情绪指数的 Granger原因均被拒绝 ，且显著
性水平都达到5％；投资者涨跌情绪指数不是证券市
场指数的收益的 Granger原 因均被接 收 ，说明在 中国
证券市场中，证券市场指数的收益是社交媒体的投
资者涨跌 情绪指数的 Granger原 因；②证 券市场指数
的成交量与社交媒体的投资者涨跌情绪指数存在双
向 Granger关系 ，且在显 著性水平 10％下有 效 ，表 明证
券市场指数的成交量与社交媒体的投资者涨跌情绪
指数互为 Gmn~r原因。
可见，社交媒体的投资者涨跌情绪指数同时受
证券市场指数 的收益 和成 交量 变动 的影 响。同时 ，
社交媒体的投资者涨跌情绪指数能影响投资者的投
资决策行为，从而引起证券市场指数的交易成交量
变动。本研究认为，社交媒体的投资者涨跌情绪指
数虽然无法帮助预测证券市场指数收益，但能够帮
助预测证券市场指 数 的交易成 交量 ，可 以成 为预测
交易成交量的有效预测指标。
衰4 Granger因果检 验结果
TabJe 4 Granger Causality Test Results
注：括号 内数据 为伴随概率 ，’为显著性水平为10％。
116 管理科学(Journal of Management Science) 2013年 lO月
4．3 脉冲啊应函数分析
使用新浪微博的投资者涨跌情绪指数分别与两
个证券市 场指 数 的收 益 和成 交量 构造 两 个 三元 向
量 ，即 (OSMten，RSH，VLMSH) 和 (OSMten，RSZ，
z) ，建立如3．2节所描述的三元 VAR模型。根
据 AIC和 sc准则为两个 VAR模型选择最优滞后阶
数，AIC准则建议选择滞后4阶，sc准则建议选择滞
后 1阶，考虑 到低 估滞 后 阶数会 丢失 变量 间 的动态
关系 ，因此本研究选 择滞后 4阶作为 两个 VAR模 型
的最优滞后阶数。使用 AR特征多项式根的倒数检
验两个 VAR模 型的稳定性 ，两个 VAR模型 的根模 的
倒数都小于 1，即落在单位圆内，说明两个 VAR模型
都是稳定的，可以进行脉冲响应函数分析。
脉冲响应函数是通过在一个扰动项上施加一个
一 次性 的冲击 ，用 以研究 对 系统 内生变量 的 当前值
和未来值所带来 的影响。因此 ，本研 究在(f+0)期期
末给样本序列施加一个正向单位标准差冲击，两个
VAR模 型中各变量相 应的动态 响应如 图 1和图 2所
示。图中实线为脉冲响应函数，虚线为正负 2倍标
准差大小的置信区间。
图 1描述 了证券 市场指 数的 收益 和成交量 对社
交媒体的投资者涨跌情绪指数冲击的响应。图1(a)
O．3O
0．20
o．10
收
益 0
窒
． O．10
、
_ 1．
_。0
。
．．．
y ／’
，’
．
‘
1：
t l l l l l I - I
60000
40 000
荔20 000
成
o
． 20 000
．40 000
，’、、、
。： 。L．
．
。
、 -一-
．．．． ／ ＼ 二：∑、～～～．．． 』
⋯ 一一 、
～ ． ．
— — —
— — — 一
， 一 ⋯ 一 ⋯ ⋯ 一 ⋯ ⋯ 一。
●
●
● ● ‘ ● ● I ● ● l
0 5 10 l5 2O 25 30 35 40 45 50
期数(天)
(C)VLMSH对 OSMten的响应函数
和图1(b)中，证券市 场指数 收益受投 资者涨跌 情绪
指数的一个正向单位标准差冲击时，立即产生正向
响应 ，正向响应 持续 5期左 右后 立刻 变小 并趋 近 于
0，说明社交媒体的投资者涨跌情绪指数对证券市场
指数的收益只存在短期同向影响，而且响应集中在
前 5个交易 日内。
图1(c)和图 1(d)中，证券 市场指 数 的成 交量 受
投资者涨跌情绪指数的一个正向单位标准差 冲击
时，第 1期没有明显的响应，但第2期出现的正向响
应快速变大，在第4期左右达到最大值后逐渐减弱，
响应持续时间超过40期。可见，社交媒体的投资者
涨跌情绪指数的变动会对证券市场指数的交易成交
量造成正向影响 ，且持续时间超过4o个交易 日。
图 2描述 了社交媒 体的投资者涨跌 情绪指 数对
证券市场指数 的收益 和成 交量 冲击 的响应。从 图2
(a)和图2(b)可以看出，受证券市场指数的收益的一
个正向单位标准差冲击时，社交媒体的投资者涨跌
情绪指数表现出同向响应，响应在前5期 内达到最
大值，在前l0期内显著存在 ，随后正向响应逐渐减
弱，在40期左右趋近于0。当证券市场指数上涨，大
多数投资者变得乐观，社交媒体的投资者涨跌情绪
指数也上升；当证券市场指数下跌，大多数投资者转
指
数
收
益
窒
交
易
成
交
量
‘
．
‘
．
、 _一～～
、
、“
● I I I I I l I I 1
期数(天)
(b)RSZ对 OSMten的响应函数
一‘．
二二二二二二二二～
～ ～
期数 (天)
(d)VLMSZ对 OSMten的响应函数
图1 证券市场指数的收益、成交■对社交媒体的投资者涨跌慵绪指数冲击的响应函数
Figure 1 Impulse Response Function of Stock Market Indices Returns and Trading Volumes
to Investors Bullish Sentiment Indices of Social M edia
程琬芸等：社交媒签 墼堕耋堡璧塑苎三 鎏 117
第 5期
投
资
者
涨
跌
情
绪
指
数
投
资
者
涨
跌
情
绪
指
数
期数(天)
(a)OSMten对 RSH的响应函数
期数 (天)
投
资
者
涨
跌
情
绪
指
数
投
资
者
涨
跌
情
绪
指
数
期数(天)
(b)OSMten对 RSZ的响应函数
期数(天)
(d)OSMten对VLMSZ的响应函数
固2⋯ ⋯ ⋯ ⋯ 擂数 数
Figure 2 Impulse Response Function of l t0 珏 。哪Ⅱ ? ”‘⋯ ⋯～⋯
t0 Stock Market Indices Returns and Trading VOlumes
为悲观 ，社交媒体的投资者涨跌情绪指数下
．
0
，
在图2(c)和图2(d)中，受证券市场指数的交易
成交量的一个正向单位标准差冲击时 ，社交媒
投资者涨跌情绪指数第1期没有响应 ，在之后2期内
响应达到负向最大值，第4期响应减弱并 近
．
o
。：
但第5期出现最大正向响应，随后正向响应逐渐变
4、，持续时间超过40期 。可 以看 出 ，成交量 的变动
投 会造成一定的困扰，社交媒体的投资者 擘
情绪指数除前 3期 出现反向响应外，总体上表 出
同向响应，且同向响应持续时间在4O个交易日左右：
综合对图1和图2的分析，社交媒体的投资者涨
跌情绪指数与证券市场指数的收益 、成交量之间
存在正向影响，但影响持续的时间不同。证券市
指数的收益的变动会在较长时间内影响社交媒体!
投资者的涨跌情绪 ，而社交媒体中投资者的涨跌情
绪仅对证券市场指数的收益带来短期影响；此外 ，社
交媒体中投资者的涨跌情绪与证券市场的交易成交
量之间的正向影响会持~ 4．o4-交易日。
本研究以新浪微博为样本，采用中文文本分析
技术从中抽取出大多数投资者对证券市场未来走势
涨跌情绪倾向，合成社交媒体的投资者涨跌蔓
数，将该指数用以研究社交媒体与证券市望 鍪
的收益和成交量的相互影响及预测能力。研究譬
表明，社交媒体的投资者涨跌情绪指数与证券市
指数的收益、成交量之间都存在正相关关系。卒土
媒体的投资者涨跌情绪指数表现乐观(悲观)时，
券市场指数的收益会在短期内出现上涨(下跌)，
目市场反应积极(消极)，成交量会持续较长时间放
大(缩小)。当证券市场指数的收益和成交量发生变
时，投资者对两者的反应虽然稍有不同，但投攀 高
者的关注时间都较长，在社交媒体 中投资者涨
跌情绪在4O个交易日左右都受到两者变化的影响。
．
证券市场指数的收益和成交量的变动都能够引
起投资者情绪的变动，此结论与现实相符。
媒体的投资者涨跌情绪指数无法帮助预测证券市场
ll8 管理科学(Journal of Management Science) 20l3年 l0月
指数的收益 ，却有 助于预测 短期 内证券 市场 指数 的
交易成交量。原因可能是社交媒体的信息融人证券
市场指数价格的时间稍短，使用每 日数据仍很难观
测到社交媒体与证券市场指数的收益的因果关系；
同时，由于投资者的专业知识和心理素质有所差异，
对信息的理解时间和做 出交易决策的时间也有长
短，因此社交媒体的投资者涨跌情绪指数可以成为
预测交易成交量的有效指标 。
以投资者涨跌情绪指数为代表，社交媒体中蕴
含着大量能辅助投资者进行有效投资决策的有效信
息。随着中国证券市场的快速发展，社交媒体在证
券市场的影响能力 日益增加，本研究的实证结论对
帮助投资者正确、有效地理解和使用社交媒体并辅
助投 资决策具有 重要现 实意 义 ，并 且可 以帮 助投 资
者去掉投机心理，树立投资理念，增强风险意识和投
资决 策能力 。
如何更好、更及时地挖掘社交媒体中的有效信
息，分析社交媒体的内容和结构等特征与证券市场
的深层次关 系是今后研究的重要内容。
●考文献：
[1]Mizrach B，Weerts S．Experts online：An analysis of
trading activity in a public internet chat room[J]．
Journal of Economic Behavior& Organization，2009，
70(I／2)：266—281．
[2] Van Bommel J．Rumors[J]．The Journal of Finance，
2003，58(4)：1499—1520．
[3] 林振兴．网络讨论、投资者情绪 与 IPO抑价
[J]．山西财经大学学报，2011，33(2)：23—29．
Lin Zhenxing．Internet discussions，investor sentiment
and IPO underpricing[J]．Journal of Shanxi Finance
and Economics University，2011，33(2)：23-29．(in
Chinese)
[4]Hong H，Kubik J D，Stein J C．Social interaction and
stock—market participation[J]．The Journal of Fi—
nanee，2004，59(1)：137—163．
[5]Mao H，Counts S，Bollen J．Predicting financial mar-
kets：Comparing survey，news，Twitter and search en—
sine data[J／OL]．Ithaca NY：ArXiv e-prints，
2011．http：／／arxiv．o~s／paf／1112．1051．pdf．
[6] Joseph K，Wintoki M B，Zhang Z．Forecasting abnor-
mal stock returns and trading volume using investor
sentiment：Evidence from online search[J]．Interna—
tional Journal of Forecasting，2011，27(4)：1116—
1127．
[7] De Choudhury M，Sundararn H，John A，Seligrnann D
D．Can blog communication dynamics be correlated
with stock market activity?[c]／／Proceedings of
the Nineteenth ACM Conference on Hypertext and
Hypermedia．New York，NY：ACM ，2008：55—60．
[8] Mao Y，Wei W，Wang B，“u B．Correlating S&P
500 stocks with Twitter data[C]／／Proceedings of
the First ACM International Workshop on Hot Topics
on Interdisciplinary Social Networks Research．New
York，NY：ACM ，2012：69—72．
[91 Zhang X，Fuehres H，Gloor P A．Predicting asset val—
ue through Twitter buzz[c]／／Ahmann J，Baum01
U．Kriimer B J．Advances in Collective Intelligence
201 1．Berlin：Springer，2012：23-34．
[10]Sabherwal S，Sarkar S K，Zhang Y．Do internet stock
message boards influence trading? Evidence from
heavily discussed stocks with no fundamental news
[J]．Journal of Business Finance& Accounting，
2011，38(9／10)：1209-1237．
[11]Ruiz E J，Hristidis V，Castillo C，Gionis A，Jaimes
A．Correlating financial time series with micro-blog—
ging activity[c]／／Proceedings of the Fifth ACM In—
ternational Conference on Web Search and Data Min．
ing．New York，NY：ACM ，20l2：513-522．
[12]Antweiler W，Frank M Z．Is all that talk just noise?
The information content of internet stock message
boards[J]．The Journal of Finance，2004，59(3)：
1259—1294．
[13]Das S R，Chen M Y．Yahoo!For Amazon：Senti．
ment extraction from small talk on the web[J]．
Management Science，2007，53(9)：1375-1388．
[14]Gilbert E，Karahalios K．Widespread worry and the
stock market[c]／／Proceedings of the Fourth Inter-
national AAAI Conference on Weblogs and Social
Media．201O：58-65．
[15]Zhang X，Fuehres H，Gloor P A．Predicting stock
market indicators through Twitter“I hope it is not as
bad as I fear”『J]．Procedia．Social and Behavioral
Sciences．201 1，26：55—62．
[16]Bollen J，Mao H，Pepe A．Modeling public mood and
emotion：Twitter sentiment and socio-economic phe-
nomena[c]／／Proceedings of the Fifth International
AAAI Conference on Weblogs and Social Media，
201 1：450-453．
[17]张永杰 ，张维 ，金曦 ，熊熊．互 联 网知 道 的更 多
么?：网络开源信息对资产定价的影响[J] 系
统工程理论 与实践 ，2011，31(4)：577-586．
Zhang Yongjie，Zhang Wei，Jin Xi，Xiong Xiong．
Does the internet know more?：Open source inform a—
tion and asset pricing[J]．Systems Engineering—
Theory& Practice，2011，31(4)：577—586．(in Chi-
nese)
[18]施荣盛．投资者关注与分析师评级漂移：来 自
中国股票市场的证据[J]．投资研究，2012，31
(6)：133—145．
Shi Rongsheng．Investor attention and drift of analyst
ratings：Evidence from the Chinese stock market
[J]．Review of Investment Studies，2012，31(6)：
133—145．(in Chinese)
第5期 程琬芸等：社交媒体的投资者涨跌情绪与证券市场指数 119
[19]
[20]
[21]
“ D，Mu Y，Cuo J．Wl0rds semantic orientation clas一 [22]
sification based on HowNet[J]．The Journal of Chi．
na Universities of Posts and Telecommunications，
2009，16(1)：106—1l0． [23]
Sims C A．Macroeconomics and reality[J]．Eeono．
metrica，1980，48(1)：1-48．
Yu L．Asur S．Huberfnan B A．What trends in Chi．
nese social media[C]∥ Proceedings of the 5th
Workshop on Social Network Mining and Analysis．
New York，NY ：ACM ，2011：1—9．
Liu Z，Liu L，Li H．Determinants of information
retweeting in microhlogging[J]．Internet Research，
2012，22(4)：443—466．
易会文．格兰杰因果检验用法探讨[J]．中南财
经政法大学研究生学报 ，2OO6(5)：34—36，23．
Yi Huiwen．Discussion on how to do Granger causal-
ity test[J]．Journal of the Postgraduate of Zhongnan
University of Economics and Law，2006(5)：34-36，
23．(in Chinese)
Investors Bullish Sentiment of Social Media and Stock Market Indices
Cheng Wanyun，Lin Jie
School of Economics and Management，Tongji University，Shanghai 200092，China
Abstract：Based on data from SINA Weibo and the Chinese text analysis techniques，the study extracted information of major in-
vestors sentiment orientation about the stock markets ups and downs from SINA weibo and comments of five verified institutional
users related with Chinese stock markets．Constructing bullish sentiment indices of investors on soeial media as the measuring in-
dices of social media and based on Granger causality tests and impulse response functions．we analyze t dynamic relationship
between social media and stock market，as well as the forecasting power of social media for stock market．The empirical results
demonstrate that：(!)there are positive relationships among investors bullish sentiment indices，stock market indices returns and
trading volumes．1Ihe impacts of stock market indices returns and trading volumes on investors bullish sentiment indices of social
media last more than 40 trading days；and(~)eontrarily，only the short-term impacts of investors bullish sentiment indices of so．-
cial media on stock market indices returns are significan t．Morc~over．the investors’bullish sentiment indices of social media cart
help to predict stock market trading volumes，but not stock market indicesreturns．There is abundant and effective inform ation in
social reedia that is helpful for investment decision．Th e research conclusions will not only help investors to determ ine the effec-
tive inform ation of social media timely and correctly，but also help them to fully apply social media for making investment deci—
slon．
Keywords：social media；stock market indices；investors bullish sentiment indices；text analysis
Received Date：February 22 ，2013 Accepted Date：September 24 ，2013
Funded Project：Supposed by the National Natural Science Foundation of China(71071l14)，the Program of Humanities and Social Sciences of
EducationMinistry(11YJC630216)，the Shunghai LeadingAcademicDisciplineProject(B310)andtheNaturalScienceFoundationofGuangdong
Province($2012010010794)
Biography：Cheng Wanyun。a Guangdong Nanhai native(1981一)，is a Ph．D．candidate in the School of Economics and Management at Tongji
University．Her research interests include sentiment analysis and Management information system。etc，E—mail：warty．eheng@gmail．eom 口
