1. 引言
传统的金融理论如资本资产定价模型、有效市场假说等都建立在理性经济人的基础上,理性经济人假定人始终是理性且自利的,并且会一直以最优方式达到自己的目的[1]。而在现实中,个人投资者并不完全满足理性经济人的条件,这导致传统的金融学理论难以合理地解释个人投资者的非理性行为,如羊群行为[2]、追涨杀跌等。此外,金融市场的高度复杂性和不确定性也增加了金融理论的难度,使得金融学理论需要更好的解释人类的心理和行为。因此随着社会的发展,与心理学相结合的行为金融学从投资者的心理和行为上分析他们的投资决策,能够更好地解释金融异象。
我国的股票市场在20世纪90年代初建立,至今仅有30多年的发展历程。在股票市场中,股票的定价权掌握在投资者手中,投资者分为个人投资者和机构投资者。截至2023年1月末,我国投资者的数量为21298.10万,其中个人投资者的数量为21246.91万,占投资者总数的99.76%;机构投资者的数量为51.19万,仅占投资者总数的0.24%。机构投资者会根据上市公司的基本面数据进行理性分析[3],并且运用经济模型对股票进行定价,判断市场上的股票价格是否被高估或者低估来进行做空或做多的操作。相比而言,大部分个人投资者都不具备相关的专业知识和技能[4],因此他们需要从各种形式的媒体上获取资本市场的信息,决定他们的投资决策,最终反应到股票价格上。
媒体作为信息传播的中介而存在,其主要目的是客观、准确地传播信息。但实际上媒体在报道时会存在倾向性[5],有带节奏的可能性。根据新闻传播学的相关理论,新闻媒体虽然不能直接决定投资者的投资决策,但可以通过提供信息影响投资者对股市的看法和判断,进一步影响到他们的投资行为。在股票市场上,一旦一家公司被媒体关注,媒体的报道会使上市公司本身的股价产生大幅波动,影响企业发展[6]。
尽管我国的股票市场发展迅速,但相对于欧美发达国家的股票市场而言,我国的股票市场仍处于不够成熟的阶段,加上活跃在A股市场上的绝大多数投资者是个人投资者,他们受专业知识缺乏、处理信息能力有限等多种因素的影响,很难客观地分析股票价格的走势,会更多地将注意力放到媒体信息上,进而改变他们的认知,作出投资决策。因此,通过行为金融学的视角研究新闻媒体信息对股票市场的影响具有重要的理论和实践意义。本文从个股的角度来研究媒体信息对A股市场股票收益率的影响,并探究股票收益率的变化是否会反作用于媒体信息。
2. 文献回顾
行为金融学认为投资者是有限理性的,投资者的注意力是有限的。媒体作为一种市场信息中介,具有引导投资者有限注意力的功能,从而影响投资者的投资决策,对股票市场产生影响。因此,大量的学者从不同的角度研究媒体信息和股票市场的之间的关系。如李志强[7]等通过实证表明媒体关注度在披露关键审计事项对股价的影响过程中存在调节效应;杨若愚[8]等使用多元回归模型证实媒体关注在外资持股影响股价崩盘风险的过程中起调节作用。有不少学者从媒体信息的量的角度来研究媒体信息对股票市场的影响,如彭芳春[9]以百度指数作为新闻媒体指数,实证表明新闻媒体指数与股票价格指数存在互相影响的关系;王晓丹[10]等通过互联网搜索引擎采集了与股票市场相关的大量新闻报道,发现互联网新闻媒体的关注度和情感指标对我国股票市场的运行均有一定的影响。
另外,也有学者从媒体报道的情感的角度研究了媒体信息对股票市场的作用。钱红光[11]等使用多元回归分析发现媒体的报道倾向对股票价格的崩盘有显著的抑制作用,其中正面报道的抑制作用强于负面报道;相反,张天骄和孙谦[12]发现媒体过度乐观的情绪会显著提高上市公司未来股价崩盘的风险;尽管不同的学者会得出相反的结论,但大部分学者还是主张积极的媒体情绪对股票市场产生积极影响,消极的媒体情绪对股票市场产生消极影响;例如,郑培培[13]等通过回归方法证实当媒体报道为正面时,投资者的投资可能性越高;当媒体报道为负面时,投资者的投资可能性越低。张承鹫[14]等通过实证研究表明媒体正向报道倾向会显著降低上市公司股票价格下行波动风险,即媒体正面报道倾向越大,上市公司价格下行风险越小;洪靖雅[15]认为媒体的负面报道会导致上市公司股价短期内强烈的负向波动,且负面报道产生的影响在报道日后第一日最为显著。
因此在股票市场中,新闻媒体信息对股票市场有显著影响。尽管众多学者关注了媒体信息的数量及其报道倾向,但是现有文献主要聚焦于新闻媒体信息对股票市场影响的单向作用,忽略了股票收益变动同样能够吸引新闻呢媒体的注意力并触发相应报道的反向效应。因此,本文以A股市场为研究对象,基于行为金融学视角,研究媒体信息与股票收益率之间的相互影响关系,并且着重研究股票收益率的变化对媒体信息的影响效果。
3. 研究设计
3.1. 数据说明
本文选取2020年1月1日~2023年6月30日的A股市场的公司为样本,所选取股票的收益率、市值、市场收益率以及新闻媒体报道相关数据均来自于锐思数据库;市净率来自于国泰安(CSMAR)数据库。
3.2. 变量选取
本研究选取了2020年1月1日至2023年6月30日期间在A股市场上市的公司作为初始样本。排除了所有处于ST、*ST和PT状态的上市公司后对所有的数据进行ADF检验,保留ADF检验通过的股票;对于ADF检验未通过的股票数据,进行一阶差分后进行ADF检验,保留一阶差分后平稳的股票数据。经过筛选后,最终形成了由3452个A股市场上市公司组成的研究样本。具体变量信息见表1所示。
Table 1. Table of variable names
表1. 变量名称表
变量名称 |
变量符号 |
股票收益率 |
Reti,t |
媒体情绪 |
Seni,t |
媒体关注度 |
Numi,t |
市净率 |
PBi,t |
企业规模 |
SIZEi,t |
市场收益率 |
MRett |
流动性指标 |
Liqi,t |
其中,媒体关注度为新闻媒体对某上市公司的报道数量,频率为日度。媒体情绪为媒体报道的倾向性,本文采用姚加权[16]等学者构建的金融字典,使用Python中的cnsenti库中文情感分析库(Chinese Sentiment)对新闻媒体报道的标题进行情感分析,媒体情绪指标的具体计算公式如下:
(1)
3.3. 模型设定
1) 面板模型
根据Pastor和Stambaugh在股票收益率受账面市值比因子、规模因子、市场因子以及流通性因子,提出了四因子模型[17]。本章借鉴现有模型,在构建回归模型的时候,控制可能影响科创板股票收益率的基本面因素。因此本文以股票收益率为解释变量,以媒体关注度和媒体情绪为被解释变量,以市场收益率、企业规模、市净率以及流动性指标为控制变量,进行面板模型的构建,具体的模型为:
(2)
其中,i代表第i只股票,t代表时间,单位为日。
、
分别代表媒体情绪、媒体关注度的系数;
、
分别代表滞后一期和滞后二期的媒体情绪的系数;
、
分别代表滞后一期和滞后二期的媒体关注度的系数。
2) 交互效应模型
由于媒体关注度和媒体情绪分别从媒体报道的两个不同的角度进行度量的,这两个自变量可能存在相互作用,因此本文构建交互作用模型来确定是否媒体关注度和媒体情绪存在交互作用的效应:
(3)
其中,
代表交互作用项,
代表交互作用项的系数。
3) PVAR模型
面板向量自回归(PVAR)模型是一种扩展自传统向量自回归(VAR)模型的经济计量工具,特别适用于面板数据。PVAR模型能够捕捉数据中潜在的动态关系和异质性,同时考虑到不同个体在时间序列上的影响。媒体关注度和情绪作为外生变量,可能会随时间而变化,因此通过PVAR模型的分析能够更好地理解媒体信息与股票收益之间的相互关系。
PVAR模型的基本结构为:
(4)
其中,
代表在股票i在时间t的变量向量;
是个体特定的固定效应或随机效应,捕捉了未观察到的个体异质性;
是参数矩阵,表示变量之间的相互影响;
是误差项向量,通常假设为白噪声。
4. 实证检验与结果分析
4.1. 描述性分析
表2是各变量的描述性统计。
Table 2. Descriptive analysis
表2. 描述性分析
|
Ret |
Sen |
Num |
PB |
SIZE |
MRet |
MRet |
Liq |
Mean |
0.0006 |
0.1521 |
1.1769 |
3.5913 |
15.6503 |
0.0053 |
0.0053 |
0.0011 |
Median |
0.0000 |
0.0000 |
0.0000 |
2.3669 |
15.4510 |
0.0006 |
0.0006 |
0.0002 |
Maximum |
1.0854 |
1.0000 |
181.0000 |
475.2587 |
21.9073 |
0.4047 |
0.4047 |
30.3813 |
Minimum |
−0.8192 |
−1.0000 |
0.0000 |
0.1052 |
10.2504 |
−0.0694 |
−0.0694 |
0.0000 |
Std. |
0.0295 |
0.4301 |
2.9782 |
5.9371 |
1.1964 |
0.0310 |
0.0310 |
0.0378 |
Skewness |
0.4940 |
0.8503 |
4.9509 |
0.7722 |
0.0068 |
42.2936 |
42.2936 |
8.6830 |
Kurtosis |
3.8269 |
4.3403 |
41.4999 |
0.4403 |
0.0203 |
4.6959 |
4.6959 |
145.2167 |
Jarque-Bera |
1923.6121*** |
20254.7737*** |
131601.1753*** |
286.2313*** |
217.3413** |
67799.8780*** |
67799.8780*** |
1292987.2844*** |
注:*表示在10%的水平上显著,**表示在 5%的水平上显著,***表示在 1%的水平上显著(下同)。
从表中可以看出,股票收益率的平均值为0.06%,最大值为108.54%,最小值为−81.92%,总体的收益率处于一个波动幅度比较大的状态。媒体关注度的平均值为1.1769,中位数为0,媒体情绪的平均值为0.1521,中位数为0,说明新闻媒体对于A股市场总体上是一个比较客观的态度。媒体另外股票收益率、媒体情绪、媒体关注度、市净率、企业规模、市场收益率以及流动性指标序列的偏度均大于0,有明显的右偏,表现出非对称分布的特征。其次除市净率和企业规模外其余序列的峰度都大于3,表示有明显的尖峰厚尾特征,并且Jarque-Bera检验也表示在1%的显著水平下,股票收益率、媒体情绪、媒体关注度、市净率、企业规模以及市场收益率都拒绝服从正态分布。
4.2. 固定效应模型实证分析
在进行面板数据分析时,首先要确定选择固定效应模型还是随机效应模型,因此本章对模型(2)和模型(3)进行了Hausman检验,结果显示P值均为0,这意味着强烈拒绝了零假设,表明不可观测的个体效应与解释变量存在显著相关性。因此,基于这一检验结果,本章选择使用固定效应模型来进行分析。
本文根据模型(2)进行回归来研究媒体情绪和媒体关注度对股票收益率的影响,结果如表3所示。
Table 3. Fixed effect model regression results
表3. 固定效应模型回归结果
|
Reti,t |
|
(1) |
(2) |
(3) |
Numi,t |
0.0015*** (225.47) |
|
0.0013*** (189.37) |
Numi,t−1 |
−0.0003*** (−43.109) |
|
−0.0003*** (−44.268) |
Numi,t−2 |
−0.0003*** (−41.785) |
|
−0.0003*** (−36.487) |
Seni,t |
|
0.0069*** (176.09) |
0.0052*** (129.05) |
Seni,t−1 |
|
−0.0005*** (−12.610) |
−0.0003*** (−7.4848) |
Seni,t−2 |
|
−0.0014*** (−30.640) |
−0.0010*** (−20.098) |
α |
−0.2174*** (−432.24) |
−0.2203*** (−437.02) |
−0.2160*** (−430.63) |
控制变量 |
控制 |
控制 |
控制 |
时间 |
控制 |
控制 |
控制 |
个体 |
控制 |
控制 |
控制 |
N |
2,911,673 |
2,911,673 |
2,911,673 |
F |
64,200*** |
60,860*** |
46,880*** |
R2 |
0.1338 |
0.1278 |
0.1388 |
由表3中的列(1)和列(3)可知当期媒体关注度能够显著对股票收益率产生积极的影响,即当天媒体的关注度越高,股票的收益率也随之上涨;然而滞后一期和二期的媒体关注度对股票却对股票收益率有显著的负面影响,即前一天和前两天发布的有关上市公司的报道越多,媒体对该上市公司的关注度越高,公司的股票收益率越低。说明随着时间的推移,媒体的关注度对股票收益的影响并非一成不变,会对股票收益率产生相反的影响效果。由此可以看出投资者在当天发现上市公司受媒体关注增高时,会让投资者产生看好该公司股票的错觉,随着时间的推移,投资者会进一步解读和理性分析媒体信息,并重新评估该股票未来的趋势,从而作出新的投资决策。
由表3中的列(2)和列(3)可知当期的媒体情绪能够显著影响股票收益率,并且这种影响是积极的,即媒体对上市公司的报道越正面,越积极,公司股票的收益率就越高。同媒体关注对股票收益的影响一致,滞后一期及滞后二期的媒体情绪对股票收益率有显著的消极影响,即在前一天和前两天媒体越是看好某家上市公司,投资者反而对该股票持看跌的态度。综上所述,投资者的投资决策受到当天媒体对上市公司的主观态度的影响。如果媒体对上市公司的报道越多。并且越积极、正面,投资者也会看好该股票。相反,如果媒体报道中使用了负面词汇,投资者也会对该股票持看跌的态度。但从滞后一期、二期的媒体指标的系数来看,投资者存在过度反应的情况,在接收到媒体的信息之后,投资者对股票涨跌的态度会随时间推移产生截然不同的看法。
4.3. 交互效应模型分析
为了验证媒体关注度和媒体情绪是否存在交互效应,表4是根据模型(3)得到的结果。
Table 4. Regression results of the interaction effect
表4. 交互效应回归结果
|
Reti,t |
Numi,t |
0.0010*** (107.26) |
Numi,t−1 |
−0.0003*** (−43.222) |
Numi,t−2 |
−0.0003*** (−36.058) |
Seni,t |
0.0042*** (87.858) |
Seni,t−1 |
−0.0003*** (−7.7440) |
Seni,t−2 |
−0.0010*** (−19.940) |
Seni,t × Numi,t |
0.0005*** (38.838) |
α |
−0.2160*** (−430.65) |
控制 |
控制 |
时间 |
控制 |
个体 |
控制 |
N |
2,911,673 |
F |
42,780*** |
R2 |
0.1393 |
由表4可知交互作用项Sent × Numt的系数是正值,并且在1%的水平上显著,这说明媒体关注度和媒体情绪存在显著的交互作用的效应,这一结果表明媒体关注度与媒体情绪之间存在互补的交互效应。具体而言,这种交互作用表明媒体关注度与媒体情绪并非独立影响股票收益率的因素,它们之间的相互作用对股票收益率的影响力超出了单独考虑各自影响的总和。换句话说,当媒体关注度较高时,媒体情绪对股票收益率的正面影响被进一步加强,反之亦然;这表明媒体关注度能够放大媒体情绪的积极效应,媒体情绪也能够增强媒体关注度的市场影响力。
此外,这种联合效应的存在指出,在股票市场的信息交互环境中,媒体的综合信息态度和强度是塑造股票收益率的一个重要的维度。媒体报道的数量与其情绪色彩的相互作用可能会提供给市场参与者关于上市公司未来价值的强烈信号,从而激发股价上行的动力。
4.4. PVAR模型估计及脉冲响应分析
1) 滞后阶数的确定
建立VAR模型前,首先需要确定所拟合的VAR模型的最优滞后阶数。表5为VAR模型的滞后期的判定结果。
Table 5. The determination results of the optimal lag period of VAR model
表5. VAR模型最优滞后期的判定结果
Lag |
LogL |
LR |
FPE |
AIC |
SC |
HQ |
0 |
−2,492,777 |
NA |
0.001119 |
1.718662 |
1.718675 |
1.718665 |
1 |
−2,224,706 |
536141.7 |
0.000931 |
1.533845 |
1.533898 |
1.533859 |
2 |
−2,127,114 |
195183.7 |
0.000870 |
1.466565 |
1.466659 |
1.466590 |
3 |
−2,072,676 |
108875.5* |
0.000838* |
1.429039* |
1.429172* |
1.429074* |
通常,选择最优阶数的准则包括最终预测误差(FPE)、赤池信息准则(AIC)、施瓦茨信息准则(SC)以及汉南–奎因准则(HQ)等。在上表中,星号(*)标记的是根据每个准则选出的最优阶数。根据表5的结果可知,在FPE,AIC,SC,HQ判定方法下,VAR模型的最优滞后阶数为3阶,因此应当建立VAR(3)模型。
2) 平稳性检验
在进行脉冲响应分析前,需要确定面板向量自回归(PVAR)模型的稳定性。对于一个设定滞后长度为P且包含K个内生变量的VAR模型,其自回归(AR)特征多项式将具有P × K个根。根据稳定性的数学准则,如果这个VAR模型的所有特征根均位于单位圆内,则可以判定该模型为平稳。具体的平稳性检验如图1所示。
Figure 1. Graph of characteristic root test
图1. 特征根检验图
综合图中数据分布情况,所有的特征根倒数均位于单位圆之内。因此图1表明估计的股票收益率、媒体关注度、媒体情绪的PVAR模型均是平稳的。
3) 脉冲响应分析
在确定平稳性之后,本文进行10期的脉冲响应分析。具体的结果如图2所示。
从图中可以看出,媒体关注度对自身的一个标准差冲击有立即的正响应,这表明媒体关注度的增加能够引起进一步的关注增长,但这种效应随时间迅速衰减。媒体关注度的增加引起了媒体情绪的波动,最初是正向响应,随后出现负向反应,然后在几个周期后趋于平稳。这意味着关注度的增加会引发情绪上的波动,但其影响不是持久的。媒体关注度对股票收益率的冲击显示出了先上升后下降的响应模式,暗示媒体关注度的增加可能会在短期内推高股票价格,但这种影响并不持久。
媒体情绪的变化对媒体关注度的影响开始为负,但影响很小,并且很快接近于零。这表明媒体情绪对关注度的影响较为有限。媒体情绪对自身冲击的响应呈现出负向反应,随后逐步回升。这可能反映了媒体情绪在受到扰动后,会有一定程度的自我调整过程。媒体情绪的正冲击会导致股票收益率短暂上升,这表明市场对于正面新闻情绪有即时的积极反应。
股票收益率的冲击会在短期内影响媒体关注度,说明媒体会迅速对股票收益率的变动产生反应。股票收益率的提升对媒体情绪的作用也是如此,这意味着A股市场的变化会让媒体迅速抓捕到并进行报道,但媒体的关注和情绪也会很快减弱。股票收益率对自身的冲击表现出一定的正向惯性效应,但随后很快减弱,这表明市场对信息的反应可能很快被其他因素所抵消。
Figure 2. Impulse response diagram
图2. 脉冲响应图
5. 研究结论与政策建议
5.1. 研究结论
在信息时代,新闻媒体对于股票市场的影响越来越大。本文采用面板模型和PVAR模型来研究新闻媒体信息和A股市场股票收益之间的相互关系,得出以下主要结论:第一,根据面板模型,新闻媒体信息对股票收益率有显著的影响,并且投资者存在过度反应的情况;第二,媒体关注度和媒体情绪存在明显的交互作用,这表明媒体关注度能够放大媒体情绪的积极效应,媒体情绪也能够增强媒体关注度的市场影响力;第三,媒体信息会对股票收益率有显著的冲击,相反地,股票收益率的冲击也会在短期内影响媒体关注度和媒体情绪。
5.2. 政策建议
鉴于新闻媒体信息与股票收益之间的相互因果关系,本文提出以下建议:
第一,提升投资者的金融素养。中国证券监督管理委员会、中国人民银行等监管机构可以联合高顿等大型财经教育机构,不定期面向公众开展综合性媒体教育与投资者培训计划。
第二,加强对新闻媒体的监管。制定明确的准则,要求新闻媒体披露与股市相关的新闻报道中可能存在的利益冲突,并确保报道的准确性和客观性。同时,通过立法来确定对散布虚假信息和利用媒体情绪操纵市场的行为的惩罚力度,规范新闻媒体的行为。
第三,建立动态调整的市场监测机制。建立一个由证券监管机构、独立第三方机构和人工智能技术共同支持的监测平台,实时跟踪媒体报道、社交媒体讨论以及股市动态。通过大数据分析和机器学习技术,及时识别潜在的市场操纵行为和异常交易模式,以预防市场过度反应。
基金项目
江苏省社哲高校一般项目(2022SJYB0185);江苏省自然科学基金(BK20210632);国家自然科学基金(72201134)。
NOTES
*通讯作者。