下载掌阅APP，畅读海量书库
立即打开
“互联网＋大数据”时代下，证券市场媒体效应研究机遇与挑战并存，海量的互联网数据使我们的研究离真实世界更近了一步，但是给我们的研究方法也提出了巨大的挑战。本书旨在利用先进的大数据分析手段，从多个维度（施动者、受动者、管理者）深化和拓展互联网财经新闻对证券市场风险波动的影响研究。本书按照“提出问题—分析与解决问题—总结与建议”的思路与框架展开研究（如图 1. 1 所示），具体而言：
第一，通过梳理和总结相关研究文献，在全面清晰梳理国内外研究现状、理解互联网媒体对证券市场稳定带来的传导作用和潜在冲击的基础上，确定本书的研究方向并发现研究意义，然后完成研究思路的建立与研究方法的选定，最终形成本书的创新点。
第二，本书首先从大数据方法学的视角，研发定向分布式网络抓爬器，从中国 36 个主流财经网站中追踪并获取互联网财经新闻数据，经过溯源追踪、文档去重等一系列的数据预处理，完成互联网财经新闻信息数据库的构建；其次，提出一种基于卷积神经网络（ convolutional neural networks， CNN）的文本主题自动分析与判定方法，将新闻文本的主题自动分类；最后，采用金融学经典文本量化手段，即情感分析法，借助前期研发的专业财经情感词典，将非结构化的新闻文本信息转化成结构化的数据。
图 1. 1 本书的研究思路与框架
第三，不同于传统金融学以事件分析法为主导的证券市场媒体效应研究，本书尝试从施动者（媒体）、受动者（公司）和管理者三个不同的视角，对证券市场媒体效应的研究进行更深层次的思考，探索异质性新闻内容、公司行业属性、公司管理者媒体行为在证券市场风险波动中的作用。
第四，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。希望为解决金融学资产定价经典命题提供一个智能计算的思维方式，为探寻复杂经济运行机理拓展一个基于智能计算思维量化的新领域。
第五，本书通过对研究结论的总结性分析，提出有针对性的指导建议与政策实施依据，为市场监管政策和信息披露机制的制定提供理论依据，为上市公司治理与规范运作提供决策辅助，为投资者减少非理性投资行为提供帮助，最终为维护金融市场的稳定和社会的和谐做出贡献。
本书尝试打破单一学科的局限性，以跨学科、交叉学科的视角，有机融合金融学、管理学、计算机科学、心理学等众多学科，利用金融智能的交叉学科优势，围绕互联网财经新闻信息与证券市场展开相关的研究，并为以后的相关研究提供有价值的分析依据和理论支撑。本书使用了多种研究方法，主要包括：
（1）文献研究法和归纳总结法
本书通过收集、整理和研读金融学、计算机科学和管理信息系统三个领域关于证券市场媒体效应的文献，全面系统地分析了该交叉领域的国内外研究现状，通过归纳和总结现有研究的不足、空白和缺陷，指出进一步研究的突破点，从而确定本书的研究目的和内容，构建“提出问题—分析与解决问题—总结与建议”的研究路线，增强本书的系统性和综合性，为具体量化分析互联网媒体对证券市场影响的深度和广度奠定重要的理论基础。
（2）大数据分析法
随着互联网的飞速发展，其中的媒体信息量与传播速度日渐剧增，传统的数据分析方法已经无法处理海量级的数据内容。在本书中，无论是财经新闻信息的采集、识别、分类，还是后续的实证分析研究，都是建立在庞大数据量级的基础上，本书利用高性能计算机处理百万级互联网数据，极大地提高了数据处理效率。此外，大数据分析方法有利于保留有效信息，保证研究结果的精细、准确，让研究结论更具有学术说服力，以证明研究结果的广泛适用性。
（3）对比分析法
本书在四个方面用到了对比分析法：一是关于公司高管类新闻、政策类新闻等七类不同主题的新闻对证券市场影响的差异性比较分析；二是关于不同属性公司，特别是各行业公司受到财经新闻冲击差别的对比分析；三是关于上市公司管理者的不同媒体行为导致的差异化媒体效应的比较分析；四是关于机器学习模型效果的比较分析。通过各方面的对比，帮助本书更加细致和深入地探讨互联网新闻媒体信息如何影响证券市场风险波动。
（4）实证研究法
实证分析是指排除了主观价值判断，只考虑经济事物之间相互联系的客观规律，并根据这些规律来分析和预测人的经济行为的效果。本书使用了资本资产定价模型、 Fama－French三因子模型、事件研究法等计量经济学经典分析方法，对 2015 至 2017 年我国A股市场 2 253 只股票的风险波动进行了实证研究。本书得出的一系列实证研究成果，可以从投资者认知行为、上市公司治理、金融市场监管三个不同的角度，提供理论参考和决策辅助。
（5）基于机器学习的研究方法
本书采用基于机器学习的研究方法对市场信息效应进行分析，机器学习方法可以更好地量化新闻对证券市场影响的深度和广度，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。机器学习研究方法是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，具有优秀的理论和应用基础，也是人工智能的核心，是使计算机具有智能的根本途径，为互联网财经新闻主题的识别，财经新闻对证券市场影响力的具体量化，以及智能化风险分析系统的构建，都提供了强大的技术支撑，增加了本书完成的可能性。
本书主要分为以下 7 个章节：
第 1 章，绪论。本章主要介绍了本书的选题背景和研究意义，梳理了研究思路、研究方法及研究内容，最后指出了本书的主要创新点。
第 2 章，文献综述。本章首先从传统金融学和行为金融学两个视角阐明了证券市场媒体效应的理论基础；其次厘清了投资者情绪在证券市场风险波动中的作用机制；最后从技术层面梳理了媒体信息的分类方法与量化方法，以及洞悉媒体与证券市场关联的分析模型。
第 3 章，研究总体设计。本章首先介绍了本书的总体研究框架；其次介绍了研究过程中可能面临的难点问题；最后针对研究目的和难点问题，提出了研究总体技术路线。
第 4 章，互联网财经新闻的自动获取、主题分类与情感量化。第 4 章为本书奠定了数据基础，首先介绍了本书获取海量互联网财经新闻的途径；其次介绍了本书所采用的新闻主题自动分类技术；最后介绍了将新闻转化成为结构化数据的情感量化方法。
第 5 章，互联网财经新闻与证券市场的关联性分析。本章从施动者、受动者、管理者三个角度，对互联网财经新闻的证券市场影响性进行了验证，试图揭示二者更深层次、更复杂的关系。首先对现有的证券市场媒体效应的经典理论与研究方法进行了系统梳理；其次，从施动者、受动者、管理者三个角度提出了相应的研究假设；再次，在总结现有研究方法的基础上，设计了适用于本书的研究路径与方法；最后，对实证结果进行了归纳、总结与分析。
第 6 章，基于深度学习的证券市场新闻媒体效应的精准捕捉。本章从金融学和计算机科学交叉学科的视角，弥补传统的金融计量方法难以捕捉现实证券市场复杂动态过程的缺陷，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。
第 7 章，研究总结、政策建议、不足与未来展望。本章在对全书的研究工作进行总结的基础上，为不同的市场参与者提供了应用建议与决策参考依据。同时，对研究中存在的不足进行了分析和反思，对证券市场媒体效应领域未来可能的研究热点与研究方向进行了展望。