基于房地产企业的社交媒体对资本市场的影响——以微博为例

□代婧　王喆　钟静瑶　檀昕

（中国政法大学北京100088）

基于房地产企业的社交媒体对资本市场的影响——以微博为例

□代婧王喆钟静瑶檀昕

（中国政法大学北京100088）

以新浪微博为数据源，以我国2016年沪、深两市A股房地产上市公司为研究对象，通过情绪分析工具构建微博情绪综合指数，并将微博情绪分为一般、中度、高度三个等级，通过多元回归分析、Grange因果检验研究微博情绪与股票市场之间的关系。研究结果表明，微博情绪能够预测股票收益率与股票成交量的变化，但是对股票收益率的预测时间要短于股票成交量的预测时间，股票收益率和股票成交量能够影响微博情绪。对于不同程度等级的微博情绪对股票市场的影响不同，无论是积极还是消极情绪，较高情绪等级对股票市场的影响要大于较低情绪等级的影响。

社交媒体；资本市场；微博

本文以房地产上市公司为研究对象，以微博为例，构建微博情绪指数，研究对于房地产行业而言，微博情绪与股票市场的互动影响、微博情绪对股票收益率及成交量的预测作用。一方面，能够帮助投资者预测股票市场的变动获取投资收益，更主要的是帮助投资者理性投资、避免盲目跟风，另一方面，有助于信息监管者加强社交媒体信息监管，使社交媒体真正成为促进资本市场发展的助推器。

1　文献综述

学者们对于社交媒体已经进行了好多研究，但是大部分研究都集中在社交媒体与股市大盘之间的关系，很少有学者以以某一个行业的股票为研究对象。而且在社交媒体情绪的研究中，很少研究不同程度等级的情绪对股票市场的影响，实际上，股票市场对不同程度等级的投资者情绪的敏感程度会存在差异。所以本文以房地产上市公司为研究对象，研究微博情绪指数与股票收益率，股票成交量之间的互动关系，并且分等级研究积极情绪（一般、中度、高度），消极情绪（一般、中度、高度）对股票市场的影响。

2　理论分析及假设的提出

非理性因素对股票市场的影响一直是行为金融领域的重要研究内容。由于环境的复杂性，信息的不完全以及个人能力的限制，在资本市场交易中投资者很难达到传统金融学所假设的“完全理性”状态，而只能做到“有限理性”。在非理性因素中，投资者情绪是主要因素之一。个体差异的存在使得投资者情绪有所不同，而由于情绪的传染效应，投资者对于市场预期的非理性情绪往往会在互动交流中趋向一致。这种“羊群效应”可能会对股票市场交易产生噪声干扰，而使股票价格偏离真实价格出现异常波动。学者们对于投资者情绪与股票市场的关系已经做了大量的研究。Delong等（1990）认为投资者情绪会增加资本市场定价的系统性风险，并建立了DSSW模型比较了理性投资者的噪声交易者的投资行为，认为噪声交易者承受更大的风险的同时也会拥有更高的风险收益。Shiller（2000）以及Fisher，Statman（2000），以及国内学者如张宗新、王海亮（2013），刘维奇（2014）以及胡昌生（2013）等也进行了实证研究，认为投资者情绪对股票市场的收益会有影响。当然也有学者对此提出异议，认为投资者情绪不能反映股票市场收益的波动，如Chen（1993），张俊生（2001）等。

本文采用情感分析工具挖掘微博中包含的投资者情绪，构建微博情绪指数。提出如下假设：

H1：微博情绪对股票收益率会产生影响，不同程度的情绪对股票收益率的影响也是不同的；

H2：微博情绪对股票成交量产生影响，不同程度的情绪对股票收益率的影响也是不同的。

3　研究设计

3.1样本选择及数据来源

分析微博对某只股票的影响，首先应该保证某上市公司在微博中被提到的次数较多，所以该公司应该具有规模大、知名度高、被关注程度高的的特点。在我国134家房地产上市公司中，随机抽取2天，测试了每只股票每天被提到的微博量，选取出每天微博量最多的前50只股票作为研究样本，微博搜索的时间区间是2016年1月3日-2016年6月31日，其中剔除掉周六日和法定节假日。

3.2变量定义及数据来源

3.2.1微博情绪指数构建。使用八爪鱼数据采集系统抓取微博数据，50只股票2016年前半年共抓取了564 639条微博，去掉空白微博之后，得到431 724条有效微博，从该平台能够获取到微博的发布时间、转发数量、评论数量以及微博的内容。

在微博抓取成功之后，使用ROST ContentMining内容挖掘系统中的情感分析模块对每一条微博进行情感分析，情感分析结果如下：其一是是情感分析的详细结果，对每一条微博进行打分得到的情绪值。其二是是对情绪进行分类，每一类情绪所占的比例，积极情绪与消极情绪共分为三段，分别包括一般、中度与高度。

根据情感分析结果，每一只股票在第t天的微博情绪值等于该只股票在第t天所有微博的微博情绪的平均值，用SENT表示。

（SENTi，t表示第i只股票在第t天的微博情绪值，SENTi，j表示i只股票在第t天的第j条微博的情绪值）

3.2.2股票收益率。关于股票收益率的计算，一种方法是采用股票指数变化率来计算，即，如张书煜和王瑶（2015）和程琬芸和林杰（2013）；另一种方法是采用对数收益率的计算方法，如余志红（2013）、郭小文（2015）。本文采用第二种方法衡量股票的收益率，用RET表示，其中收盘价的数据来源于国泰安数据库。

（Pt为个股的第t日的日收盘价，Pt-1为个股的第t-1的日收盘价）

3.2.3股票交易量。股票的日交易量的数据来源于国泰安数据库，对其交易股数也进行取对数处理，记为LnVOL。

3.2.4流通市值。田利辉和王冠英（2014）认为我国A股市场存在规模效应，股票市值与股票收益率呈负相关关系。余志红（2013）在运用多元回归研究微博情绪与股票收率的关系时，引入了流通市值和成交量作为控制变量，蒋玉梅和王明照（2010）研究投资者情绪对零成本套利组合收益的影响时，引入了市场溢价因子、市值因子、账面市场比因子作为控制变量。所以本文也选取流通市值作为控制变量，对其取对数，用LnLIMV表示，数据来源于国泰安数据库。

3.3研究模型的建立

本文采用多元回归分析、基于VAR模型的Grange因果检验研究微博情绪与股票市场之间互动关系，所以建立了如下模型：

3.3.1多元回归模型。采用逐步回归的方法，将LnVOL、LnLIMV、SENT逐渐引入到模型中，LnVOL、LnLIMV、SENT分别采用滞后1期、滞后3期、滞后5期的数据。

3.3.2向量自回归模型（VAR）。用向量自回归模型检验微博情绪与成交量、股票收益之间的关系，VAR模型的一般形式为：

其中，Yt为内生变量向量，Yt原p为滞后p期内生变量向量，At是滞后内生变量的系数，Xt原r为滞后r期外生变量向量，Bt为滞后外生变量的系数。

4　实证分析

描述性统计与单位根检验

表1　描述性统计与单位根检验结果

微博日情绪得分均值（SENT）的极小值是-25分，极大值是53，标准差较大，说明微博情绪得分均值波动较大，平均值是10.032，是属于积极情绪。股票收益率（RETA）、对数成交量（LnVOL）、对数流通市值（LnLIMV）的均值分别是0.028、19.399、19.270，波动程度也都比较小。

面板数据的回归分析以及Grange检验都要进行单位根检验，否则会出现伪回归。表1最后一栏是运用增广的迪基—福勒检验(ADF检验)得到的单位根检验结果。各时间序列一阶差分的ADF检验的t统计量都通过了1%的显著性水平，因此可以拒绝单位根假设，各个时间序列是平稳的，能够进行回归分析。

结束语

本文以房地产上市公司为研究样本，运用八爪鱼技术抓取海量微博数据，通过情感分析工具得到的结果建立了微博情感指数，运用多元回归分析、Grange因果检验来研究微博情绪指数与股票收益率、股票成交量的动态关系。

通过多元回归分析得到微博情绪会显著的影响股票收益率，滞后1期和滞后3期微博情绪值都通过了显著性检验，而滞后5期微博情绪未通过检验，所以微博情绪对股票收益率影响的持续时间较短。当微博情绪表现消极时，会使股票收益率在短期内下降，当微博情绪表现积极时，就会使股票收益率在短期内上升。

[1]朱南丽,邹平,张永平.基于博客/微博信息量的投资者关注度测量研究——来自中国股票市场的经验数据[J].经济问题探索,2015(2):159-166.

[2]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(6).

1004-7026（2016）11-0117-02中国图书分类号：G219;F27

A

本文10.16675/j.cnki.cn14-1065/f.2016.11.081

中国政法大学2015年硕士创新实践项目（2015SSCX183）。