下载掌阅APP，畅读海量书库
立即打开
2020 年，我国证券市场进入了 30 周年的而立之年。“2020 年A股市值年度报告”显示，截至 2020 年底，共有 4 140 家公司在深圳证券交易所或上海证券交易所主板上市，市值总规模创历史新高，达到 79. 72 万亿元，较 2019 年的 59.29 万亿元上涨 20.43 万亿元，涨幅高达 34.46％，相当于我国 2020 年全年GDP的 78. 5％。通常来说，证券市场是国民经济的“晴雨表”，其走势往往能够比经济周期提前几个月。证券市场常态波动是其具备流动性、充满套利空间的原因，同时也是投资者逐利的机会；但是异常波动可能会带来市场恐慌，演化为系统性风险，甚至成为金融危机爆发的导火索。因此，证券市场的稳定不但是重要的民生问题，而且是国民经济健康发展的重要基石。
传统金融学研究中，有效市场假说（ efficient markets hypothesis，EMH） （Fama，1965）认为，证券市场的波动由“新信息”驱动，投资者依据“新信息”不断更新对市场的看法并调整投资行为，从而推动证券价格围绕其内在价值小范围波动。近代行为金融学认为，由于非理性投资者对信息的认知偏差和处理信息的不完全理性，其产生的情绪化投资行为会引起证券市场的波动（De Long et al．，1990；Shleifer et al．，1997）。尽管传统金融学和近代行为金融学对信息如何影响证券市场走势有不同的观点，但是二者都认同证券市场的波动与相关媒体信息的发布、传播和吸收紧密联系（De Long et al．，1990；Fama，1965；Rechenthin et al．，2013）。
在互联网技术持续普及并得到广泛应用的今天，互联网中的媒体信息量与传播速度日渐剧增，进一步加剧了媒体信息对证券市场波动的影响力。事实上，互联网媒体对证券市场的影响是一把双刃剑。一方面，其广泛且迅速的信息传播能力有利于降低市场参与者之间的信息不对称程度，从而提高证券市场有效性和维护市场稳定。另一方面，互联网上存在着大量的片面、违规甚至虚假信息，这些信息不但严重冲击了股价，而且极大打击了投资者对证券市场信息透明性和真实性的信心，从而降低证券市场的融资能力和社会资源配置能力。例如，2011 年 6 月 13 日，原《内蒙古商报》社长编造了《内幕惨不忍睹：伊利被掏空》一文，并发布到网上，在短短的 55 分钟内，导致伊利股份股票由涨停变为跌停，市值蒸发约 10亿元。
事实上，目前业界已经初步成立了多只基于社交媒体分析的对冲基金，例如DCM Capital、 Twitter－based Hedge Fund、 Cayman Atlantic。总体而言，这些基金通过分析媒体信息内容来感知公众情绪、消费者意愿和投资者行为，来指导投资者进行投资，它们都取得了不错的业绩。特别是Cayman Atlantic管理资本，其年收益回报率达到了 9.72％。值得一提的是，2017 年 10 月 18 日，美国IBM公司支持的EquBot推出了一款名为AIEQ的交易型开放式指数基金（ETF），这是人类历史上首款旨在完全脱离人工干预，利用人工智能预判证券市场波动的指数基金。截至 2020 年 1 月 31 日，AIEQ以 15.22％的年收益率战胜了标准普尔 500 （S＆P500）指数。
早期的传统金融学研究主要利用基于新闻数量的计量分析法来研究媒体与证券市场波动的关系。具体而言，基于新闻数量的计量分析法是将新闻发布的数量作为新闻影响力的度量方式，来研究新闻对证券市场的影响（Chan，2003；Mitchell et al．，1994）。虽然有效证实了媒体对证券市场的影响力的存在性，但事实上，媒体对证券市场的影响来源于其对企业基本面情况的描述，以及在特定媒体影响下投资者的非理性行为。基于新闻数量的计量分析法没有考虑到丰富的媒体内容，仅将媒体浓缩成一个“点”来测度其影响力显得过于简化，难以准确地捕捉媒体对证券市场的真实影响力。
近年来，随着现代行为金融学在证券市场波动风险领域的深入研究，越来越多的证据表明，投资者的认知偏差和情感偏见是导致证券市场波动的重要因素（Barberis et al．，1998；Da et al．，2015；De Long et al．，1990；Mitra et al．，2011；Shleifer et al．，1997；Tetlock，2007）。其中，最具有代表性的开创性成果是Tetlock教授发布在 Journal of Finance 的两篇研究报告（Tetlock，2007；Tetlock et al．，2008），Tetlock使用哈佛大学心理学词典（HPD）分析了 1984 至 1999 年《华尔街日报》（ Wall Street Journal ）上的新闻，提出了一种利用情感词比例来代表新闻内容的文本情感量化框架，探索了新闻的消极情感与上市公司的股票收益、公司业绩之间的关系。Tetlock的研究初步揭开了传统媒体新闻文本内容与证券市场波动风险关系的面纱。在大数据时代下，相比互联网信息几何级增长和传播方式的多样性，传统新闻媒体的发布量、传播力、影响力则显得相形见绌，类似的基于传统媒体新闻或少量的互联网媒体新闻的研究也已无法满足对证券市场综合影响的准确把握。本书将从大数据的视角出发，利用大数据分析技术研究海量的互联网财经新闻对证券市场的影响。
此外，以往的研究通常是将新闻视为一个整体，验证其对证券市场整体的影响，但是缺乏了对证券市场媒体效应更深层次、更细致的探索。事实上，在施动者（媒体）层面，新闻发布的内容是多种多样的，例如存在运营与业绩、违规处罚、重组并购等多类别的新闻，具体哪种类型的新闻对证券市场波动的影响最为显著？在受动者（上市公司）层面，公司具有不同的属性，特别是在不同的行业，什么样的公司更容易受到新闻的冲击？在管理者层面，有的管理者倾向于同外界媒体产生更多的互动，有的管理者则更关注公司自身的经营，那么上市公司管理者在证券市场媒体效应中扮演的不同角色会对公司产生怎样的影响？种种问题都值得进一步深思和探索。本书从施动者、受动者和管理者三个视角，对证券市场的新闻媒体效应展开了深入和细致的探讨。
金融研究一直致力于解构（ deconstruct）导致系统性经济风险的内在机理，由导致系统风险波动的原因出发，从经济指标、市场环境、政策变化、投资者情绪等角度逐一探寻不同风险因素对经济系统波动的影响。但是，现实的经济系统是一个复杂的动态系统，其波动一定是各种因素交叉融合、相互作用的合力结果。传统的金融计量方法难以捕捉这一过程的全貌，这是“解构”思维的缺陷，也直接构成系统性风险分析研究的重大瓶颈。本书利用深度学习机制，提出了一个智能计算框架，用整体、连续，而非单一的数据关系，研究复杂市场因素对证券市场新闻媒体效应的综合影响。
综上所述，本书致力于从大数据视角研究证券市场的新闻媒体效应。为了获得足够的互联网新闻数据，本书首先利用研发的定向分布式网络抓爬器
，获取了 2015 至 2017 年的中国 36 个主流财经网站的 110 余万条新闻信息；其次研究先进的自然语言处理技术，实现新闻主题的分类与新闻情感的量化；最后系统全面地从三个视角（施动者、受动者和管理者），通过传统金融计量模型探索证券市场新闻效应。由于传统的金融计量方法存在难以捕捉现实证券市场复杂动态过程的缺陷，本书进一步提出了一个深度学习框架，用整体、连续，而非单一的数据关系，研究复杂市场因素对证券市场新闻媒体效应的综合影响。
本书构建的大数据证券市场媒体效应研究理论框架和技术方案，可以从金融市场监管、上市公司治理、投资者认知行为三个不同的角度，为证券市场实践提供重要的理论参考和决策辅助。具体而言，在金融市场监管方面，监管者应当充分肯定媒体在证券市场中的积极作用、加强与新闻监管机构的长期合作、加强对各机构的监管以杜绝内幕交易；在上市公司治理方面，上市公司应当积极把握媒体动态和行业形势、充分发挥公司高管在媒体中的作用、完善信息披露机制和内容；在投资者认知行为方面，投资者应冷静应对海量互联网财经新闻、有效甄别和理性看待不同主题的新闻、选择熟悉的上市公司进行投资。
传统金融学的“有效市场理论”（EMH）认为证券市场的波动由“新信息”驱动，理性投资者根据上市公司基本面的“新信息”不断更新对证券未来价值的预期，调整投资行为，从而推动证券市场波动（ Fama，1965）。可见，媒体报道在一定程度上传递了上市公司基本面情况的“新信息”。Solomon等（2012）发现媒体高曝光能够使投资者对上市公司未来前景形成更高的预期，从而导致更高的股票价格。Engelberg和Parsons（2011）指出，媒体对相关公司的曝光可以显著提升投资者对该公司股票的交易频率和交易量。近代行为金融学的“非理性投资者理论”发现，证券市场的异常波动是由非理性投资者的情绪冲动引起的（De Long et al．，1990；Shleifer et al．，1997），投资者可能会受到媒体信息中的同行意见或专家倾向性观点的影响，产生的非理性投资行为导致证券市场的波动。Tetlock （2007）和Tetlock等（2008）在金融学顶级期刊 Journal of Finance 上连续发表了两篇研究报告，通过对 16 年的《华尔街日报》新闻的分析，首次论证了运用新闻信息来捕捉投资者非理性行为对相关证券波动影响的有效性。2019 年，Calomiris和Mamaysky在顶级金融学期刊 Journal of Fi nancial Economics 上发文，通过对 51 个国家证券市场的检验，发现财经新闻可以预判一个国家证券市场的未来发展趋势（Calomiris et al．，2019）。综上所述，不论是传统金融学中基于市场对信息吸收能力的EMH，还是近代行为金融学中的信息对投资者情绪影响的“非理性投资者理论”，都认同证券市场的波动与媒体关于资本信息的发布、传播和吸收是紧密相关的（De Long et al．，1990；Fama，1965；Rechenthin et al．，2013）。
随着信息技术的发展，证券市场媒体效应研究逐渐被计算机学者关注，他们尝试采用基于机器学习的分类模型来捕捉媒体信息与证券市场风险波动之间的关系。Bollen等（2011 ）成功从 1 000 万条推特信息（Tweets）中提取出投资者公众情感，并利用自组织模糊神经网络（ self－organizing fuzzy neural network，SOFNN）模型，发现其中的“冷静”情感指标与未来 3 至 4 天的道琼斯工业平均指数（Dow Jones industrial average，DJIA）有惊人的相似性，对DJIA趋势预测的准确率达到了 86. 7％。为了准确预测未来的真实股价，而不仅限于变化趋势，美国亚利桑那大学的Schumake和Chen （2009b）率先运用了SVR来直接分析新闻对股票具体价格的影响。Li等（2014b）发现媒体信息发布后的第 26 分钟对股价的影响最大，随着时间的推移，影响逐渐变弱。可见，无论是金融学领域还是计算机科学领域，证券市场的媒体效应已经被学术界广泛证实。
然而，以往的研究通常是基于所有新闻对证券市场整体的影响力的探讨，鲜有研究能够更深层次地探索某类新闻对证券市场局部的影响。特别是在“互联网＋大数据”时代下，海量的互联网财经新闻究竟是如何影响证券市场的？其对证券市场风险波动更深层次、更细致、更具体的影响又是怎样的？对于这类问题，学界却一直没有给出答案。因此，本书的研究意义主要在于寻求方法学的突破，利用先进的大数据分析手段，将互联网财经新闻因素引入证券市场风险波动研究中，利用传统金融计量模型和深度学习框架，从多个维度（施动者、受动者、管理者）深化和拓展了互联网媒体新闻报道对相关上市公司证券风险波动的影响研究，最终从投资者认知行为、上市公司治理、金融市场监管三个不同的角度给予建议。不管是在理论层面还是现实层面，本书都具有十分重要的研究意义。
本书从大数据分析的方法学视角，为证券市场媒体效应领域的研究提出了一套切实可行的基于大数据分析技术的解决方案和理论框架。传统金融学关于证券市场媒体效应的研究通常以事件分析法为主导，仅将媒体浓缩成一个“点”，考察媒体事件发生与否同证券市场波动的关联。显然，这种研究模式在大数据时代下显得相形见绌。“大数据”为我们获取事物最真实的本质带来了契机，本书从文本大数据的角度出发，不再局限于具体案例分析和抽样统计，而是通过对海量数据进行直接的分析，利用智能化的文本大数据收集、整理、分析技术，深层次地定量解析新闻内容、公司属性、管理者媒体行为对中国证券市场波动的影响状况。
本书从施动者（媒体）、受动者（公司）和管理者三个维度，更深入、细致、具体地探索了证券市场媒体新闻效应，为更深层次地认知证券市场媒体效应提供了理论依据。在施动者层面，本书有利于人们更加深刻地理解异质性新闻在证券市场波动中的作用机理。在受动者层面，本书填补了国内外研究的空白，率先进行了行业之间媒体效应的比较性研究，证实了新闻在各行业中的影响力差异性。在管理者层面，本书从高层梯队理论（upper echelons theory）
出发，探讨了公司高层管理者的媒体行为特质与公司在证券市场上的表现的关系。
对于复杂经济系统研究，金融学依循解构思维，利用数理统计模型或经济计量模型逐一分析不同因素对系统的影响。然而，复杂系统的运动一定是各种因素交叉融合、相互作用的合力结果。传统的金融计量方法难以捕捉这一过程的全貌。本书从系统论出发，利用深度学习机制，提出了一个智能计算框架，用整体、连续，而非单一的数据关系，研究复杂市场因素对证券市场新闻媒体效应的综合影响。希望通过这一系列研究，为探寻金融学资产定价经典命题背后的经济运行机制，提供一个智能计算的思维方式，为复杂经济系统风险研究拓展一个基于智能计算思维量化的新领域。
本书从金融市场监管、上市公司治理、投资者认知行为三个不同的角度，为证券市场实践提供重要的理论参考和决策辅助。具体而言，本书在为市场监管政策和信息披露机制的制定提供理论依据方面，建议监管机构应该针对上市公司的不同情况制定不同的信息披露机制，特别是在上市公司处于政策扶持、重组并购或违规受罚等重大决策情况时；在为上市公司治理与规范运作提供决策辅助方面，建议上市公司积极维护公司媒体形象和信誉，时刻关注和监控相关互联网新闻，建议高层管理者积极参与市场信息的发布与传播，消除与投资者的信息不对称；在为投资者减少非理性投资行为、保护投资者利益方面，建议加强对投资者投资知识的普及，提升其有效鉴别高波动、高风险行业的股票的能力以及保持投资情绪稳定的能力，避免错误情绪引发的投资者群体性运动，造成市场的“羊群效应”。