大数据背景下投资者行为研究的趋势分析：基于 “内涵－思路－方法”的三重视角

李 倩 吴 昊

一、引言

对投资者群体行为的度量，一直是行为金融学的难点之一。资本市场的投资者由众多个体组成，虽然单个投资者的个体行为可以通过实验等方式得以观察，但是个体行为到总体行为以致资产价格总体波动的变化机制却难以度量。在以往的行为金融学的研究中，投资者的群体行为往往通过一些代理变量或间接指标进行衡量，如利用股票的极端收益代表投资者的关注度，用分析师的预测代表投资者的信息需求，用交易量和换手率等代表投资者的情绪等等，其背后的逻辑是这些指标和变量的变化往往会引起投资者行为的改变，因此可以用这些指标代表投资者行为。但是，这些指标与投资者行为之间的关系并不清楚，简单地认为二者可以相互替代在理论和实证上均缺乏相关基础，因此一直饱受诟病。此外，也有研究通过官方经济统计数据和发放调查问卷的形式获得投资者的观点和预期，这种做法一方面以抽样的形式获取数据，难以全面刻画市场整体行为；另一方面数据的时效性较差，往往存在严重的滞后性，导致无法实时反映市场整体行为。

近年来爆发的 “大数据”为投资者心理和行为的研究提供了新的支持。所谓 “大数据”，并没有明确的定义，其特征可以用三个V来概括，即大数据量 （volume）、快速的产生速度 （velocity）和多样的数据类型 （variety）。其中，网络大数据是指在互联网等各种网络媒介上可以公开获得的数据，包括搜索引擎、社交网络、论坛、博客、微博、各种专业和综合类网站等，如新浪和腾讯两大微博每日产生的数据已超过TB量级。基于网络大数据的投资者行为研究能够突破传统的基于统计数据或调查数据的方法，实现更加准确和迅速的群体行为的测量和拐点探测，因此近年来逐渐成为研究投资者群体行为的主要方法和工具。粗略地看，基于网络大数据的投资者行为研究只是对研究数据进行了更新。但是，由于大数据的规模、速度和类型等方面的特点，在数据提取、处理和知识发现等方面都与传统研究有所不同。这些不断累积的、以几何量级激增的数据，反映了经济个体的偏好、行动和预期及其在个体之间的传导演变、观点与行为模式的形成和演化。［1］基于对网络大数据的分析，能够使我们更好地理解资本市场的微观结构，解决以前认为难以解决的投资者群体行为的度量，产生意料之外的科学发现。因此，研究适用于基于网络大数据的投资者行为的理论和方法，能够实现更加准确和迅速地进行市场情绪判断和拐点探测，对金融市场泡沫、市场微观结构、市场效率、行为金融学等理论的发展和资本市场的监管和实践都有很大的价值。本文以网络大数据的来源和投资者行为为分类标准，对国内外基于网络大数据的投资者行为与股票市场关系的研究进行了梳理和总结，旨在对大数据背景下的资本市场的研究和管理提供一定的借鉴。

二、网络大数据的分类及其与投资者群体行为的关系

以网络媒介为划分标准，与资本市场相关的网络大数据的来源可以简单分为股票论坛数据、社交媒体数据和搜索引擎数据。其中，股票论坛网站是投资人追踪金融新闻和彼此交换股票投资建议的平台，用户可以在网站上关注其他用户和各类股票。也就是说论坛用户是专门讨论金融股票话题的，且发帖 （posting）不受字数限制，并能互相评论 （discuss）。国外比较著名的股票论坛有Yahoo！Finance、Raging-Bull和the lion等。国内著名的股票论坛多称为 “股吧”，主要可分为大型门户网站 （新浪、腾讯等）旗下的股吧及财经网站 （东方财富网、和讯网等）的股吧两种。基于论坛数据的相关研究从20世纪90年代后期开始涌现，这些文献表明股票在线论坛所包含的信息包括公开信息、预测信息、投机信息、数据分析及个人评论等。［2－4］Jones （2006）［5］分析了 Yahoo！在建立股票论坛前后的股票市场行为，发现某个公司的股票论坛建立后，其日交易量和波动率显著上升，收益率下降，该研究表明股票在线论坛能够改变市场行为。

随着信息技术的发展和Web2.0的出现，社交媒体逐渐成为投资者新的交流信息的媒介。作为Web2.0的典型应用，社交媒体中无论是用户还是信息都具有社会网络的性质，用户在其社交媒体中交流信息，实现了信息传播过程的可视化。此外，用户为了吸引更多的关注，其所提供内容的真实性更高。社交媒体数据，主要指投资者在博客、微博、Twitter、Facebook等社交媒体的留言和交谈中累积的信息。这些社交媒体的共同点是数据由用户产生，且实时更新，用户数量庞大，因此产生的数据量大，数据公开且能够搜索。社交媒体按照与资本市场的相关性可以分为大众社交媒体和专门针对资本市场的社交媒体。其中，前者最具代表性的就是 Twitter。2006年起，Twitter的巨大成功吸引了广泛的关注。大量投资者和交易员在Twitter上讨论股票价格和上市公司的信息。新闻媒体甚至认为Twitter上的信息与其他任何股票信息同等重要。［6－7］Bloomberg 也推出了基于 Twitter的交易系统。除了Twitter，Facebook和LiveJournal也是重要的大众社交媒体。国内较著名的有新浪微博、腾讯微博等。由于 Twitter、Facebook、LiveJournal和新浪、腾讯微博等不属于财经类专业社交媒体，因此其平台信息中包含了大量与股票市场无关的信息。同时，在社会上出现了一些专门为投资者提供的社交媒体平台，具有代表性的包括StockTwits.com、Seeking Alpha、Estimize等。其中，StockTwits.com可以理解为金融领域的Twitter，其信息较Twitter更收敛于股票市场的讨论。而Seeking Alpha（http： ／／seekingalpha.com）是以股市分析和看法为主要内容的财经资信聚合类博客之一。该站点每天会发表来自大众关于股票、各种资产类别、ETF的研究、观点和投资战略的文章。投资者主要通过两种途径在Seeking Alpha表达他们的投资意见：一是在其上发表文章，二是评论他人发表的文章。与金融业界对社交媒体信息的重视相比，学术界对这一话题的研究相对较晚，相关研究集中出现在2010年后。

搜索引擎数据，是指投资者利用搜索引擎在某些时段对某些关键词搜索的数量。著名的搜索引擎包括谷歌 （Google）和百度 （Baidu），二者均提供搜索日志数据的平台，前者称为谷歌趋势 （Google Trends），后者称为百度指数 （Baidu Index）。

从所提供的数据类型来看，这三大网络媒介主要提供四种数据类型：相关消息数量、搜索频率、消息内容的情感 （即消息内容中所包含的买入或卖出的情感，在搜索引擎数据中体现为对情感关键词的搜索量）以及预测数据。其中，前两者可以作为投资者关注和信息需求的度量，消息内容和反映情绪的关键词的搜索频率可以用来提取投资者情绪，而预测数据主要用来度量投资者对公司盈利的预测。

网络大数据中所包含的这些投资者行为，究竟是噪声，是已经快速及时地反应在了股票价格中，还是非噪声并能够影响股票市场，对这个问题现有研究主要从三个代表市场表现的指标，即收益率 （包括超额收益率）、交易量和波动率出发进行分析。从投资者关注度和信息需求来看，股票市场前期的异常收益率、交易量和波动率均有可能引起投资者的关注和信息需求，从而增加当期的关注度，而当期的关注度又可能引起这三个变量在未来的波动。同理，反应情绪的消息内容和搜索频率也可能受前期或同期的股票市场变化的影响，同时对未来的收益率产生影响。对股票市场的检验还可以分为对市场整体表现 （即市场指数）和个股的检验。网络大数据和投资者行为的分类及其与资本市场的关系如表1所示。

表1 网络大数据、投资者行为与资本市场的关系

三、主要研究内容

（一）网络大数据与投资者关注

行为金融学对传统金融学的一个挑战即认为注意力是一种稀缺资源，［8］因此投资者的注意力是有限的。投资者的有限注意会通过两方面影响资产价格：一方面，投资者因不具备完全的处理和吸收所有可得信息能力，对联系股票基本面的相应信息反应不足；［9－13］另一方面，投资者过于关注特定的事件而对相应股票产生偏离基本面的过度反应。［9］大量研究表明，关注度是个人投资者决定是否购买股票的主要因素，个人投资者对于引起其关注的股票更倾向于买入。［14－16］虽然在这一方面有丰富的研究成果，但对投资者关注度的度量却在长期以来受到诟病，因为没有直接度量投资者关注度的方法，只能够借助一些代理变量，如股票的涨停、广告的投入、媒体的推荐等。

网络大数据为我们提供了一个直接度量投资者关注度的数据平台。例如，投资者在网络论坛和社交媒体中讨论某只股票，累积的消息数量就是对投资者关注度的最直接度量。这方面的研究可以追溯到1999年。 Wysocki （1999）［17］分析了 Yahoo！ Finance 中3000只股票的留言情况，发现累积消息数量高的股票通常具有极端的历史收益率和会计绩效，具有高市值、高市盈率、高市净率、高波动性和高交易量，分析师关注度较高而机构持有数量较低。此外，Wysocki的研究还发现，当期的交易量和收益率变化会引起股票消息数量的显著变化，但反过来的影响却表现在两个方面：交易日的交易时段内的论坛消息数量的变化与第二天的交易量和异常收益率无关，但当天收盘后至第二天开盘前这一非交易时段内的论坛消息数量与股票第二天的交易量和异常收益率显著正相关。在Wysocki（1999）［17］之后， 相关研究虽然以使用文本挖掘的方法研究投资者情绪为主，但几乎所有研究都会分析消息数量所代表的投资者关注与资本市场的关系，且普遍认为二者存在显著相关关系。其中，Tumarkin 和 Whitelaw （2001）［18］的研究发现消息数量与当期的异常收益率和交易量有关，与隔日的股票收益率和交易量均无显著的相关性。但后续研究均表明网络关注度对股票市场有一定的预测作用。如Antweiler 和 Frank （2004）［19］、 Sprenger和 Welpe （2010）［20］、金雪军等 （2013）［21］和施荣盛 （2012）［22］的研究发现消息数量与相应股票的隔日成交量有显著的正相关关系。 Antweiler和 Frank （2004）［19］还发现在控制了如周一效应、华尔街日报新闻等的影响后，论坛消息数量与隔日的市场波动率显著正相关。Sabherwal等（2008）［23］发现网络留言者更偏好小盘股，个股的留言量与该股票当日及隔日的超额收益率正相关。朱南丽等 （2015）［24］发现以博客／微博信息发布量构建的投资者关注度与现有关注度代理变量相关，且更能反映投资者的关注，尤其是个人／中小投资者的关注。

伴随谷歌和百度等搜索引擎用户的增加和使用频率的上升，类似Google Trends和百度指数等平台提供的搜索数据愈发被认为是测量投资者注意力的重要来源。最有代表性的是Da等 （2011）［25］的研究。他们使用Russell3000成份股的股票代码或公司名称在谷歌中的搜索量 （Search Volume Index，SVI）代表投资者对该股票的注意力，提取了自2004年1月至2008年6月的谷歌搜索量 （SVI），首先对投资者注意力的传统测量指标如极端收益、换手率等进行了相关性比较分析，发现二者正相关但相关度很低。接着使用向量自回归VAR测量了SVI的对数与传统指标的前后影响关系，发现SVI的变化会引起传统指标的变动。Da等 （2011）［25］的研究还发现该注意力指数主要反映了个人投资者的注意力，且进一步证实了Barber和 Odean （2008）［14］的注意力理论， 即个人投资者对某只股票的注意力增加会带来该股票暂时的买入压力，表现为股票价格在短期内的升高和长期的反转。此外，利用该注意力指数分析发现高注意力会带来IP0首日的高收益率和长期的低收益率。

在Da等 （2011）［25］之后，研究主要向两个方向拓展。一是将Da等 （2011）［25］的研究框架和研究方法拓展到其他国家。如Bank等 （2011）［26］研究了德国的情况，发现高搜索量会带来短期内股票的高交易量、高流动性和高收益率，其研究结论认为在线搜索量能够度量不知情投资者 （uninformed investors）的注意力，搜索量的增加表示投资者认知程度的提高。贾春新等 （2010）［27］、 宋双杰等 （2011）［28］、 林振兴（2011）［29］、 俞庆进和张兵 （2012）［30］、 赵龙凯等（2013）［31］、 张维等 （2015）［32］研究了中国内地的股票市场，发现高搜索量会带来短期高收益率和IPO首日高回报，投资者关注的反转造成了IPO市场的长期表现低迷。张安宁和金德环 （2014）［33］则进一步发现牛市中投资者关注对股票收益的影响大于熊市，但价格反转程度小于熊市。二是将Da等 （2011）［25］的研究深度进一步拓展。如 Joseph等 （2011）［34］发现股票的关注效应对波动率低、易套利的股票最不敏感，对波动率高和不易套利的股票最敏感。刘锋等（2014）［35］和邵新建等 （2015）［36］研究了投资者关注与媒体关注的交互作用，发现由媒体关注引起的投资者关注是股票收益变化的直接原因，投资者关注受媒体关注影响显著。杨欣和吕本富 （2014）［37］基于百度指数研究了投资者对突发事件的关注度及其对市场波动的影响。

此外，也有学者质疑网络搜索引擎的搜索量可能并不是最直接度量投资者关注度的方法。他们认为参与网络搜索的不仅仅是投资者，也可能存在网络水军等异常情形，不能精确度量投资者关注度。基于此，岑维等 （2014）［38］采用了深交所的互动易问答数据来度量投资者关注度。“互动易”平台是投资者和上市公司交流的平台，服务对象和参与对象是深市上市公司，可以排除水军影响。王勇和杨庆运 （2014）［39］选用财经网站和讯网提供的个股关注度作为投资者关注度的代理变量，个股关注度指标统计了每个交易日关注某只股票的实际人数，包括访问了有关该股行情、新闻和股吧的人数。

（二）网络大数据与投资者信息需求

所谓投资者的信息需求，是指投资者为了进行投资决策所表现出的对信息的查找和使用行为。投资者的信息需求与投资者关注所度量的内容较为类似，但前者较后者而言更侧重研究市场中的信息传播、反馈以及市场效率问题。投资者的信息需求对投资决策具有非常重要的作用，［40］然而，对其度量却较为困难。传统的研究通常采用两类方法，一是以投资者对信息的使用情况 （如对年报的阅读）作为度量，二是以投资者所采用的决策变量为度量，如公司的规模、分析师预测、媒体报道等。

网络大数据则为投资者信息需求提供了一种直接的度量手段，自Da等 （2011）［25］提出在线搜索能够度量投资者的信息需求行为后，搜索引擎提供的数据就成为研究投资者信息需求的主要数据来源。如Vlastakis和 Markellos （2012）［41］使用在纽交所上市的市值排名前30的公司股票作为样本，将其公司名称在谷歌中的周搜索量作为该股票的异质信息需求量，使用S＆P500为关键词在谷歌中的周搜索量为市场的信息需求量，发现二者与股票的交易量和历史波动率显著相关，且该关系在控制了市场的波动性和信息供给后依然显著。Drake等 （2012）［42］的研究发现在盈余公告的两周前公司在谷歌的异常搜索量会增加，若搜索量在盈余公告日前一日增加，则股票价格和交易量会包含较多盈余公告的信息。Schroff等 （2015）［43］以谷歌搜索量为投资者对股票的信息需求，研究发现个人投资者在交易银行发行的结构化产品时，股票的信息需求与投机行为显著正相关。施荣盛和陈工孟（2012）［44］以百度超额搜索量为个人投资者的信息需求度量，发现盈余公告附近的信息需求和交易量显著增加，盈余公告后的投资者信息需求对同期股价对未预期盈余的反应有显著的负向影响。

与投资者关注的度量相同，论坛、社交媒体等平台的消息数量也可以作为投资者信息需求的度量。如Rubin 和 Rubin （2010）［45］使用维基百科 （Wikipedia）上某上市公司的相关文章被修改的次数作为投资者处理公司相关信息的代理变量，研究发现投资者信息处理次数与分析师的预测偏差显著负相关，与股票推荐当日的买卖价差的变化显著相关。董大勇和肖作平（2011）［46］选取了新浪网上证综指吧的日发帖量，并通过多元BEKK-GARCH模型实证分析了收益率和异常发帖量间的波动溢出效应。结果表明市场下跌将导致异常发帖量的增加，原因在于市场下跌的过程增加了投资者对信息的需求，促进了投资者在股票论坛的交流与讨论。郑瑶等 （2015）［47］提取了东方财富网股吧的发帖量数据，通过构建市场分散度与异常发帖量二元BEKK-GARCH模型，分析了网络信息交流对股市羊群效应的影响。

（三）网络大数据与投资者情绪

投资者情绪理论作为行为金融学的重要组成部分，一直是学术界和业界研究的重点。投资者情绪的研究目标是判断投资者情绪以探测拐点，并以此为基础为投资决策和相关政策的制定提供方向上的依据，目前使用的主要方法有预测指数、情绪指数、封闭式基金折价率、换手率、腾落指数、成交量、IPO数量、共同基金净买入等。上述方法主要存在两方面的缺陷：一方面，在信息技术飞速发展的今天，经济活动的传导速度已达到秒级，传统的主观度量方法已经很难满足实时全面刻画市场整体情绪的需求，且有潜在的信息损失风险。另一方面，传统的客观指标如换手率、成交量等缺乏微观基础，无法反映个体行为到经济总体波动的变化机制，因此难以准确度量投资者情绪。基于网络大数据的投资者情绪研究能够突破传统的基于统计数据或调查数据的方法，实现更加准确和迅速的投资者情绪的测量和拐点探测，因此近年来逐渐成为投资者情绪研究的主要方法和工具。

基于网络大数据的投资者情绪研究按照研究的对象可以分为对整体市场和对个股的情绪研究。

1.对整体市场的情绪研究。

这部分的研究主要以社交媒体和搜索引擎为主，由于论坛具有分股票讨论的特点，因此难以提取投资者对整体市场的看法。其中，以社交媒体为对象的研究主要对消息内容进行文本分析，挖掘投资者的看涨／跌情绪和情绪的不一致性，以此分析其与整体市场或市场指数的关系。 如 O'Conner等 （2010）［48］，Bollenet等 （2011）［49］和 Zhang 等 （2011）［50］研究了Twitter消息所包含的投资者情绪，发现其与同期对消费者信心和政治意见的民意调查中的情绪高度相关，且Twitter消息中的恐惧和担心的情绪较多时，隔天的股票市场指数就会下降，波动率上升。Karabulut（2013）［51］根据Facebook的超过一亿六千万用户的状态更新信息 （status updates）进行文本分析后构建了国民幸福指数GNH （Gross National Happiness），发现GNH可以显著预测未来的股票市场收益、交易量，且GNH对收益的正向影响较为短暂，约两周后消失。同时，没有证据表明GNH中包含有关宏观基本面的信息，因此，GNH主要反映了投资者的情绪。此外，Karabulut（2013）［51］将其研究扩展到了英国和德国，得出了同样的结论，并且发现国家特有的情绪可以解释孪生证券定价的不同。Gilbert和 Karahalios（2010）［52］利用 LiveJournal上的超过两千万条留言构建了美国国民情绪指数，他们称之为焦虑指数。研究发现该指数显著升高时，当天的S＆P500的收盘价就会显著低于预期。程琬芸和林杰 （2013）［53］、黄润鹏等 （2015）［54］使用新浪微博的信息提取投资者情绪，发现该情绪对股指具有短期预测作用，与成交量存在长期正相关。

随着对投资者注意力的研究的深入，学者们发现利用谷歌搜索中某些与经济看法相关的关键词的搜索量可以在一定程度上代表投资者的情绪。如Da等（2015）［55］使用人们日常关心的经济词汇如衰退、失业、破产等在谷歌中的搜索量，构造指数FEARS来衡量投资者情绪。通过对2004年至2011年的样本研究发现该情绪指数与当天的市场情绪负相关，但能够预测随后几天市场收益率的反转和波动率的上升，同时能够预测共同基金中资本从股票型基金向债券型基金的流动。 Dzielinski（2011）［56］使用 “经济” （economy）一词在Google Trends中的搜索量来度量市场参与者对经济的不确定性，发现该搜索量与股票收益率呈现显著负相关关系。 Smith （2012）［57］使用GARCH模型研究发现关键词 “经济危机”、 “金融危机”和“衰退”的谷歌搜索量能够预测外汇市场的波动性，证明了市场波动率与信息流入市场的随机率相关。Beer等 （2013）［58］以法国股票市场为研究对象， 使用一些用来表达个人对经济看法的关键词的谷歌搜索量代表投资者的情绪，发现该情绪会影响基金投资者的行为。进一步使用VAR模型的研究发现该情绪指数对股票收益具有短期的预测作用，情绪的上涨会导致收益的增加，但这种影响会在短期内反转，且该反转效应对小公司更为显著。

2.对个股的情绪研究。

对个股的情绪研究按照研究的媒介可分为基于股票论坛数据和基于社交媒体数据的研究。情绪的提取手段依然采用文本分析方法。早期基于论坛的研究所得结论基本一致认为情绪受股票市场影响较大，但就是否对未来的股票市场具有预测作用，研究存在较大分歧。 其中， Tumarkin和 Whitelaw （2001）［59］、 Dewally （2003）［60］和 Kim 和 Kim （2014）［61］的研究发现拥有强烈正面情绪的股票其前期收益率已有显著上升，但投资者情绪对股票未来收益率、波动性和交易量均无预测作用。 Das和 Chen （2007）［62］发现情绪能够追踪股指收益，但与个股的关系不显著。但是，Antweiler和Frank （2004）［63］的研究却发现消息内容中所包含的投资者看涨情绪与当期和隔日的股票收益率显著负相关，他们以道琼斯工业指数和道琼斯网络指数的45个成份股为研究对象，分别提取了其在Yahoo！Finance和Raging Bull这两个论坛中的150多万条相关消息，使用复杂文本分类技术分析了论坛消息内容中所包含的投资者情绪，并控制了如周一效应、华尔街日报新闻等的影响。但他们同时指出由于系数较小，经济意义不大。 Sehgal和 Song （2007）［64］利用 Yahoo！Finance论坛中52只热门股票的26万条留言进行研究，提取投资者情绪来预测股市表现，发现留言内容所包含的投资者情绪与隔日的股票价格显著正相关。也有学者对网络论坛数据中所包含的情绪对股票市场没有预测作用的原因进行了分析，如Gu等 （2006）［65］以论坛留言者历史留言的准确性为权重对论坛消息赋权，发现赋权后的论坛消息对未来股票的超额收益率有预测能力，但不加入权重的消息则没有预测能力。Zhang（2009）［66］的研究结果也表明留言者的声誉能够影响投资者情绪与股市之间的关系。

与国外研究不同，国内相关研究得出的结论一致认为网络论坛的投资者情绪对股票市场具有预测作用。如金雪军等 （2013）［21］和易洪波等 （2015）［67］的研究发现看涨情绪能够预测股票收益，看跌情绪对成交量影响更显著。但张紫琼等 （2013）［68］的研究则发现看跌情绪对次日的投资者情绪影响更大，但对股票交易量无显著影响。张对 （2015）［69］将所提取的投资者情绪作为ARMAX-GARCH模型的一个输入项来预测股票价格波动，结果显示其模型具有较强的预测效果。但对IPO异象的研究中，林振兴 （2011）［29］发现投资者乐观情绪与投资者意见分歧两个情绪指标与IPO抑价均无显著相关性。

与基于股票论坛数据的投资者情绪研究相比，基于社交媒体数据研究所得到的结论更加稳定，研究结论均表明社交媒体数据中所包含的投资者情绪在短期内与股票市场高度相关。其中，具有代表性的是Chen等 （2014）［70］的研究。 他们提取了 2005—2012年发表在 Seeking Alpha上的6500篇原创文章和180000篇左右的评论，覆盖了超过7000家上市公司。他们通过文本分析的方法统计了每篇文章中负面词汇出现的频率，在控制了分析师的评级和预测偏差以及财经媒体的情绪后，发现社交媒体中包含的负面情绪能够显著预测未来一个月、三个月、六个月甚至一年以上的股票异常收益。在此研究的基础上，Chen等 （2014）［70］进一步分析了其中的原因。他们提出社交媒体的情绪与股票收益率具有显著相关性的原因可能有两点：一是社交媒体中的信息包含了与股票价值相关的信息，而这些信息在社交媒体文章发表时并没有完全反映在股票的价格里，当投资者在社交媒体中注意到这些文章后，股票价格会逐渐调整，从而表现出股票收益的可预测性。第二个原因可能是社交媒体的情绪煽动了非理性交易者的交易。社交媒体情绪可能反映了一些错误信息，但这些信息依然诱使投资者向该方向交易，从而引起股票价格变化。Chen等（2014）［70］分析了 Seeking Alpha 的文章和评论中包含的负面情绪与未预测到的盈余偏差之间的关系。他们用盈余公告前30天到前3天的社交媒体负面情绪与未预测到的盈余进行回归，发现二者有显著的相关性，从而证明了社交媒体中包含与股票价值相关的信息。Chen等 （2014）［70］还进一步分析了社交媒体情绪对盈余偏差有预测性的原因，他们的研究发现对股价预测性越高的文章作者，其文章点击率越高，其文章的评论中与文章观点不同的评论越少，说明劣质信息会自动遭受淘汰，进一步说明了Seeking Alpha的文章和评论中所包含的信息与公司的价值直接相关。

除了股票博客以外，微博也是投资者情绪的主要信息来源。 如 Sprenger和 Welpe （2010）［20］、 Rao和Srivastava （2012）［71］、 Smailovic＇等 （2013）［72］和 Si等（2014）［73］基于Twitter信息提取投资者情绪， 研究发现投资者的看涨情绪能够显著预测股票未来的收益率。 Nuno等 （2013）［74］的研究发现基于 Twitter信息的情绪指标与第二天的股票收益率无显著相关性，但是与第二天的股票交易量和波动性显著相关。Oh和Sheng （2011）［75］使用 StockTwits.com 上的留言信息提取投资者情绪，发现情绪能够预测市场调整前后的股票收益，而且预测准确度与投资者的反应不足有关。 Xu 和 Kešelj（2014）［76］基于 StockTwits.com 的信息进一步研究发现当天的情绪指标与当天的股票收益率具有显著的相关关系，且收盘后的投资者情绪与第二天股票交易量显著正相关。

与国外研究不同的是，我国学者对基于搜索引擎的投资者情绪研究很少。只有张永杰等 （2011）［77］使用基于百度的文本语义挖掘的算法，通过提交特定查询条件，并抓取返回结果中的指标，构建了反映投资者情绪的指标，并将这一指标作为影响股票定价的因子引入模型中，研究结果发现该指标对股票异常日收益率有显著的解释力度，但随个股不同而表现出较大的差异。

（四）网络大数据与公司盈利预测

对上市公司的盈利预测一直是投资决策的重要信息来源，其预测质量对于公司价值、融资成本和投资收益的分析具有重要的影响。此外，盈利预测在盈余公告和市场效率的研究中常作为新信息的比较基准，因此具有重要的作用。但是，由于数据的获取困难，上市公司的盈利预测主要来源于证券分析师的预测，买方分析师的预测数据往往难以得到。随着网络大数据时代的到来，越来越多的投资者在网络上留下对上市公司的盈利预测，作为买方的预测数据，这些“网络传言”是否比卖方分析师的预测更准确？早期的研究对此存在争论。Bagnoli等 （1999）［78］通过互联网、华尔街日报和财经媒体等搜集了1995年1月到1997年5月的3546条分析师盈利预测和943条网络传言预测，通过比较发现相比分析师的盈余预测，网络传言对公司公告的盈余预测更加准确。Bagnoli等 （1999）［78］的样本主要集中在小样本的高科技上市公司中。 Brown 和 Fernando （2011）［79］将 Bagnoli等（1999）［78］的样本进一步扩大到247家随机选取的公司，公司经营范围也不再局限于高科技上市公司，时间范围扩大到7年，研究发现分析师盈利预测的准确性更高，但网络传言中包含与价值相关的信息，这些信息已经反映在股票价格中。

随着网络技术的进一步发展及其与金融投资的进一步融合，出现了专门搜集和整理投资者对公司盈利预测的社交网站，最具代表性的就是Estimize。与StockTwits.com和Seeking Alpha等以文字为主的投资社交媒体不同，Estimize主要预测各公司财报的关键数据。Estimize会把参与预测的用户组成一支 “评委会”，那些明显不合理的预测会剔除在评委会之外，然后依据过往的预测表现和具体身份（如专业人员 ／非专业人员）给予不同用户有差别的信赖权重，最后每支股票都能有综合评委会给出预测数据。因此，Estimize更多反映的是投资者对公司盈余数据的分析和预测。随着Estimize的出现和广泛使用，基于Estimize 的研究也大量出现。 如Drogen 和Jha （2013）［80］、Johnston 和 Wolfe （2014）［81］、 Jame 等 （2015）［82］、Liew 等 （2015）［83］、 Adebambo 和 Bliss （2015）［84］的研究均表明Estimize上的预测比证券分析师的预测更准确，且预测准确性与预测群体的特征 （如人数、多样性等） 相关。 此外， Drogen和 Jha（2013）［80］发现与以华尔街的专业预测为基准相比，以Estimize的预测为基准的盈余公告后价格漂移现象更显著。Jame等 （2015）［82］发现预测的修正与滞后两天的股票收益率相关。可能由于相关网络媒介的出现较晚，相关研究较新，据笔者所查，此方面研究目前多以工作论文（working paper）为主，正式发表的论文较为少见。

四、结论和未来的研究方向

（一）结论

在行为金融学研究中，对于个体行为到总体行为的变化机制以及投资者群体的心理和行为的准确度量一直是一个饱受诟病的难题。大数据时代为行为金融学的研究提供了绝佳的数据平台。本文从四个方面综述了网络大数据与资本市场相关性的研究，可以得出以下两个主要的结论。

1.网络大数据对资本市场具有重要的信息价值。可以看到，从投资者关注、信息需求到投资者情绪和公司盈利预测，基于网络大数据的度量数据样本量大、时效性强 （例如，多数研究的信息量在十万和百万级），因此比以往的代理变量更直接、真实、有效。此外，网络大数据具有群众智慧 （the wisdom of crowd），信息传播的时效性更强，网络的交互性更强，因此质量低劣的信息会更容易被投资者的交互所淘汰，从而留存时效性较高的 “较准确”的信息。因此，大量研究表明网络大数据中包含与公司价值相关的信息。虽然目前多数研究依然停留在对网络大数据的信息有效性的检验和挖掘上，但是已经有研究开始关注网络大数据对市场异象的解释和投资者行为的影响， 如 Mizrach和 Weerts（2009）［85］观察了 676位在Activetrader论坛上的发帖者在4年间的交易行为和投资组合，发现在控制了Fama三因素和动量因素外，这676位投资者的日α值比平均水平高出0.17%，他们持有赢家股票的时间更长，具有更强的盈利能力，同时羊群的特征也更加显著。董大勇和肖作平 （2011）［86］利用股票论坛的信息研究了证券信息交流中的家乡偏误现象及其对股票价格的影响，发现股票论坛中投资者参与本地股票信息交流的概率更大，且这一概率受公司基本面、业务本地化程度的影响，本地交流比率与股票价格有显著正相关关系。Wang等 （2014）［87］选取了 Seeking Alpha 上 9 年的文章和StockTwits.com上4年的信息，发现这两个投资者社交媒体上存在一些关键作者 （top authors），他们的信息对股价有着强烈的预测作用。这些作者可通过对历史数据的实证分析或用户交互进行识别。这些研究表明网络大数据中所反映的个体偏好和预期及其传播和演化为市场信息反馈和投资者行为的研究提供了很好的实证数据。

2.信息技术的快速发展既为金融学的研究提供了机遇，又提出了挑战。如果按照信息技术的发展为时间线对文献进行梳理，我们会发现早期基于股票论坛的研究主要来源于金融学背景的研究者，但是，基于社交媒体数据的研究主要来源于计算机背景的学者，因此研究多专注于消息内容的情绪分析和提取技术的改进，在研究其与股票市场的关系时缺少严谨的金融学模型，而金融学者在此方面的研究在数据分析处理上却过于简单。我们认为这与网络大数据的复杂性和大规模性有关。过于庞大和非格式化的数据带来了分析的困难，对数据挖掘的技术手段要求较高，限制了金融学者对其的研究与应用。因此，金融学的研究也越来越需要 “互联网＋”的战略。一方面要进一步提高文本分析技术，另一方面也要注重金融学模型在互联网大数据上的进一步应用。从现有研究文献可以看出，研究模型多使用线性回归和向量自回归模型，对金融学中广泛应用的波动率模型 （如GARCH系列模型）却很少使用。因此未来的研究如果能进一步结合更有效的文本分析技术和更有效的金融学模型，也许可以得出更为有效的结论。

（二）未来的研究方向

基于所得结论，我们认为未来的研究方向可能包括：

1.结合网络大数据对投资者观点的形成和行为的演变进行深入的研究。现有研究主要停留在信息价值 （有效性）的检验上。但是，网络大数据最大的价值在于其对偏好、预期在个体之间的传导演变的显性化。这在大数据时代之前是无法准确观察和测量的。这方面的研究包括：政府政策的传导机制和监管有效性的研究，市场信息反馈和市场效率研究，资本市场羊群行为的形成和影响因素、股票市场泡沫的研究、动量效应等股市异象的形成机理研究。

2.基于网络大数据的资产配置策略的研究。与学术界的冷遇相比，基金业界在此方面早已研究和开发了相应的产品。在国外，对冲基金开始普遍从社交媒体提取市场情绪信息，其理念是利用Twitter、Facebook、聊天室和博客用户发出的成百上千万条消息，开发交易算法，判断出与各家公司有关的需求趋势。然而，这些算法通常无法利用小数据集做出有效的猜测。在国内，中证百度百发策略100指数、财经大数据策略指数、淘金100指数等互联网大数据指数及其相关指数基金的不断推出，为网络大数据嵌入传统金融投资策略提供了思路。但是，从大数据指数基金的超额收益不突出的事实可以看出，基于网络大数据的资产配置策略还存在很多需要研究的问题。例如，网络大数据的信息价值已被证实，为何以此为基础的资产配置策略却很难获得持续超额收益；基于网络大数据的情绪指标变化频率快，指数调整的高频率所带来的交易成本和冲击成本是否会对市场产生影响；如何设计合理的网络大数据指数，使其兼顾投资和交易两个功能；等等。

3.资本市场参与者的情绪和影响机制研究。作为证券市场的参与者，媒体、分析师、上市公司和政府都有可能对投资者情绪产生影响，同时受到投资者情绪的影响。网络大数据不但能够提供投资者情绪的直接测量，也可以产生与媒体、分析师、上市公司及其高管、机构投资者等参与者的情绪及其特征的相关数据测量，这些因素的交互影响可以得到进一步分析和研究，帮助建立完善的投资者情绪指数，一方面实现更加准确和迅速的趋势判断和拐点探测，另一方面实现情绪的有效干预，防止泡沫的产生和破裂。

4.其他方面的研究。可以看到，目前基于网络大数据的投资者情绪研究的研究对象都是股票市场。实际上，债券市场、衍生工具市场、外汇市场等均受到投资者情绪的影响。对这些市场的扩展也是今后的研究方向之一。此外，对市场其他参与者的特征和情绪挖掘，可以在公司金融等领域展开研究。如CEO的社交能力与过度自信、公司信息透明度、上市公司的投资者关系管理等及其对公司投融资的影响。不仅如此，不同国家的文化背景导致不同国家的投资者在互联网上留下的数据不尽相同，通过网络大数据的挖掘，进行投资者行为模式和投资文化的多国比较，对于投资者的教育培养和投资文化的健康发展也是有价值的研究方向之一。

［1］CODATA中国全国委员会.大数据时代的科研活动［M］.北京：科学出版社，2014：100－107.

［2］ Felton J， Kim J.Warnings from the Enron Message Board ［J］.Journal of Investing， 2002， 11 （3）： 29 －52.

［3］ Das S， Martinez-Jerez A， Tufano P.eInformation： A Clinical Study of Investor Discussion and Sentiment［J］.Financial Management， 2005， 34（3）： 103－137.

［4］ Campbell J A.In and out Scream and Shout： An Internet Conversation about Stock Price Manipulation ［C］.Maui， HI， Proceedings of the 34thHawaii International Conference on System Sciences： 1－10.

［5］ Jones A L.Have Internet Message Boards Changed Market Behavior？ ［J］.Info， 2006， 8 （5）： 67 －76.

［6］ McIntyre D.Turning Wall Street on Its Head ［N］.TIME Magazine， Online Edition， 2009， May 29.

［7］ Zeledon M.Stock Twits May Change How You Trade［N］.Business Week， Online Edition， 2009， February 11.

［8］ Kahneman D.Attention and Effort［M］.Englewood Cliffs， NJ： Prentice-Hall， 1973.

［9］ Engelberg J， Sasseville C， Williams J.Market Madness？ The Case of Mad Money［J］.Management Science， 2012， 58 （2）： 351 －364.

［10］ Merton R C.A Simple Model of Capital Market Equilibrium with Incomplete Information［J］.Journal of Finance， 1987， 42： 483 －510.

［11］ Sims C A.Implications of Rational Inattention ［J］.Journal of Monetary Economics， 2003， 50： 665 －690.

［12］ Hirshleifer D， Teoh S H.Limited Attention， Information Disclosure， and Financial Reporting ［J］.Journal of Accounting and Economics， 2003，36： 337－386.

［13］ Peng L， Xiong W.Investor Attention， Overconfidence and Category Learning［J］.Journal of Financial Economics， 2006， 80： 563 －602.

［14］ Barber B M， Odean T.All That Glitters： The Effect of Attention and News on the Buying Behavior of Individual and Institutional Investors［J］.Review of Financial Studies， 2008， 21： 785 －818.

［15］ Seasholes M S， Wu G.Predictable Behavior， Profits， and Attention ［J］.Journal of Empirical Finance， 2007， 14 （5）： 590 －610.

［16］ Grullon G， Kanatas G， Weston J P.Advertising， Breadth of Ownership， and Liquidity［J］.The Review of Financial Studies， 2004， 17 （2）： 439 －461.

［17］ Wysocki P D.Cheap Talk on the Web： the Determinants of Postings on Stock Message Boards［R］.Working Paper， University of Michigan， 1999.

［18］ Tumarkin R， Whitelaw R F.News or Noise？ Internet Postings and Stock Prices［J］.Financial Analysts Journal， 2001， 57 （3）： 41 －51.

［19］ 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.

［20］ Sprenger T O， Welpe I M.Tweets and Trades： the Information Content of Stock Microblogs［R］.Working Paper， 2010.

［21］金雪军，祝宇，杨晓兰，网络媒体对股票市场的影响——以东方财富网股吧为例的实证研究［J］.新闻与传播研究，2013，12：36－51.

［22］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，2012，6：133－145.

［23］ Sabherwal S， Sarkar SK， Zhang Y.Online Talk： Does It Matter？ ［J］.Managerial Finance， 2008， 34 （6）： 423 －436.

［24］朱南丽，邹平，张永平，李学术，杨琳琳，张杨.基于博客／微博信息量的投资者关注度测量研究［J］.经济问题探索，2015，2：159－166.

［25］ Da Z， Engelberg J， Gao P J.In Search of Attention ［J］.Journal of Finance， 2011， LXVI （5）， 1461 －1499.

［26］ Bank M， Martin L， Peter G.Google Search Volume and Its Influence on Liquidity and Returns of German Stocks［J］.Financial Markets and Portfolio Management， 2011， 25： 239 －64.

［27］贾春新，赵宇，孙萌，汪博.投资者有限关注与限售股解禁［J］.金融研究，2010，11：108－122.

［28］宋双杰，曹晖，杨坤.投资者关注与IPO异象——来自网络搜索量的经验证据［J］.经济研究，2011，增1：145－155.

［29］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.

［30］俞庆进，张兵.投资者有限关注与股票收益——以百度指数作为关注度的一项实证研究［J］.金融研究，2012（8）：152－165.

［31］赵龙凯，陆子昱，王致远.众里寻 “股”千百度——股票收益率与百度搜索量关系的实证研究［J］.金融研究，2013，4：183－195.

［32］张维，翟晓鹏，邹高峰，熊熊.市场情绪、投资者关注与IPO破发［J］.管理评论，2015，27（6）：160－185.

［33］张安宁，金德环.牛市和熊市下投资者关注对股票收益影响的非对称性分析［J］.投资研究，2014，33（10）：132－148.

［34］ Joseph K， Wintoki M B， Zhang Z.Forecasting Abnormal Stock Returns and Trading Volume Using Investor Sentiment： Evidence from Online Search［J］.International Journal of Forecasting， 2011， 27 （4）： 1116 －1127.

［35］刘锋，叶强，李一军.媒体关注与投资者关注对股票收益的交互作用：基于中国金融股的实证研究［J］.管理科学学报，2014，17（1）： 72－85.

［36］邵新建，何明燕，江萍，薛熠，廖静池.媒体公关、投资者情绪与证券发行定价［J］.金融研究，2015，9：190－206.

［37］杨欣，吕本富.突发事件、投资者关注与股市波动——来自网络搜索数据的经验证据［J］.经济管理，2014，36（2）：147－158.

［38］岑维，李士好，童娜琼.投资者关注度对股票收益与风险的影响——基于深市 “互动易”平台数据的实证研究［J］.证券市场导报，2014， 7： 40－47.

［39］王勇，杨庆运.我国网络关注度对股票收益的影响——基于和讯关注度的实证研究［J］.投资研究，2014，2：143－149.

［40］ Grossman S J， Stiglitz J E.On the Impossibility of Informationally Efficient Markets［J］.The American Economic Review， 1980， 70 （3）： 393 －408.

［41］ Vlastakis N， Markellos R N.Information Demand and Stock Market Volatility［J］.Journal of Banking＆ Finance， 2012， 36 （6）： 1808 －1821.

［42］ Drake S， Roulston D， Thornock J.Investor Information Demand： Evidence from Google Searches Around Earnings Announcements［J］.Journal of Accounting Research， 2012， 50： 1001－1040.

［43］ Schroff S， Meyer S， Burghof H P.Retail Investor Information Demand-Speculating and Investing in Structured Products［J］.The European Journal of Finance， 2015， 5： 1 －22.

［44］施荣盛，陈工孟.个人投资者能够解读公开信息吗？——基于盈余公告附近信息需求行为的研究［J］.证券市场导报，2012，9：16－32.

［45］ Rubin A， Rubin E.Informed Investors and the Internet［J］.Journal of Business Finance＆ Accounting， 2010， 37 （7－8）： 841－865.

［46］董大勇，肖作平.交易市场与网络论坛间存在信息传递吗［J］.管理评论，2011，（11）：3－11.

［47］郑瑶，董大勇，朱宏泉.网络证券信息交流减弱股市羊群效应吗：基于中国证券市场的分析［J］.管理评论，2015，27（6）：58－67.

［48］ O'Connor B， Balasubramanyan R， Routledge B R， Smith N A.From Tweets to Polls： Linking Text Sentiment to Public Opinion Time Series［C］.Proceedings of the Fourth International AAAI Conference on Weblogs and Social Media， 2010： 122－129.

［49］ Bollen J， Mao H， Zeng X.Twitter Mood Predicts the Stock Market［J］.Journal of Computational Science， 2011， 2 （1）： 1 －8.

［50］ Zhang X， Fuehres H， Gloor P A.Predicting Stock Market Indicators Through Twitter “I Hope It Is Not As Bad As I Fear” ［C］.Procedia-Social and Behavioral Sciences， 2011， 26： 55 －62.

［51］ Karabulut Y.Can Facebook Predict Stock Market Activity？ ［C］.AFA 2013 San Diego Meetings Paper.2013.

［52］ Gilbert E， Karahalios K.Widespread Worry and the Stock Market［C］.4th International AAAI Conference on Weblogs and Social Media （ICWSM）， 2010.

［53］程琬芸，林杰.社交媒体的投资者涨跌情绪与证券市场指数［J］.管理科学，2013，26（5）：111－119.

［54］黄润鹏，左文明，毕凌燕.基于微博情绪信息的股票市场预测［J］.管理工程学报，2015，29（1）：47－52.

［55］ Da Z， Engelberg J， Gao P J.The Sum of All FEARS Investor Sentiment and Asset Prices［J］.Review of Financial Studies， 2015， 28 （1）： 1 －32.

［56］ Dzielinski M.Measuring Economic Uncertainty and Its Impact on the Stock Market［J］.Finance Research Letters， 2011， 9： 167 －175.

［57］ Smith G P.Google Internet Search Activity and Volatility Prediction in the Market for Foreign Currency［J］.Finance Research Letters， 2012， 9： 103 －110.

［58］ Beer F， Hervé F， Zouaoui M.Is Big Brother Watching Us？ Google， Investor Sentiment and the Stock Market［J］.Economics Bulletin， 2013， 33（1）： 454－466.

［59］ Tumarkin R， Whitelaw R F.News or Noise？ Internet Postings and Stock Prices［J］.Financial Analysts Journal， 2001， 57 （3）： 41 －51.

［60］ Dewally M.Internet Investment Advice： Investing with a Rock of Salt［J］.Financial Analysts Journal， 2003， 59 （4）： 65 －77.

［61］ Kim S H， Kim D.Investor Sentiment from Internet Message Postings and the Predictability of Stock Returns［J］.Journal of Economic Behavior＆Organization， 2014， 107： 708 －729.

［62］ Das S R， Chen M Y.Yahoo！ for Amazon： Sentiment Extraction from Small Talk on the Web ［J］.Management Science， 2007， 53 （9）： 1375 －1388.

［63］ Antweiler W， FrankM 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.

［64］ Sehgal V， Song C.Sops： Stock Prediction Using Web Sentiment［C］.Data Mining Workshops， 2007.Seventh IEEE International Conference on.IEEE， 2007： 21－26.

［65］ Gu B， Konana P， Liu A.Identifying Information in Stock Message Boards and its Implications for Stock Market Efficiency［C］.Workshop on Information Systems and Economics， Los Angeles， CA， 2006.

［66］ Zhang Y.Determinants of Poster Reputation on Internet Stock Message Boards ［J］.American Journal of Economics and Business Administration，2009， 1 （2）： 114.

［67］易洪波，赖娟娟，董大勇.网络论坛不同投资者情绪对交易市场的影响研究——基于VAR模型的实证分析［J］.财经论丛，2015，190：46－54.

［68］张紫琼，钱国明，李一军.基于观点在线投票的投资者情绪与中国股市相互影响的实证研究［J］.软科学，2013，27（7）：123－127.

［69］张对.网络股评影响股市走势吗——基于股票情感分析的视角［J］.现代经济信息，2015，1：355－357.

［70］ Chen H， De P， Hu Y J， Hwang B H.Wisdom of Crowds： The Value of Stock Opinions Transmitted Through Social Media［J］.Review of Financial Studies， 2014， 2： 1367 －1403.

［71］ Rao T， Srivastava S.Analyzing Stock Market Movements Using Twitter Sentiment Analysis［C］.Proceedings of the 2012 International Conference on Advances in Social Networks Analysis and Mining， 2012： 119 －123.

［72］ Smailovic′J， Grcˇar M， LavracˇN， ŽnidaršicˇM.Predictive Sentiment Analysis of Tweets： A Stock Market Application ［M］.Human-Computer Interaction and Knowledge Discovery in Complex， Unstructured， Big Data.Lecture Notes in Computer Science， 7947， 2013： 77 －88.

［73］ Si J， Mukherjee A， Liu B.Exploiting Social Relations and Sentiment for Stock Prediction ［C］.Proceedings of the 2014 Conference on Empirical Methods in Natural Language Proceeding， 2014： 1139 －1145.

［74］ Nuno O， Cortez P， Areal N.Some Experiments on Modeling Stock Market Behavior Using Investor Sentiment Analysis and Posting Volume from Twitter［C］.Proceedings of the 3rd International Conference on Web Intelligence， Mining and Semantics.ACM， 2013.

［75］ Oh C， Sheng O.Investigating Predictive Power of Stock Micro Blog Sentiment in Forecasting Future Stock Price Directional Movement［C］.ICIS 2011，Proceedings.

［76］ Xu F， Keelj V.Collective Sentiment Mining of Microblogs in 24-Hour Stock Price Movement Prediction ［C］.Business Informatics（CBI）， 2014 IEEE 16th Conference on IEEE， 2014， 2： 60－67.

［77］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.

［78］ Bagnoli M， Beneish M D， Watts S G.Whisper Forecasts of Quarterly Earnings Per Share［J］.Journal of Accounting and Economics， 1999， 28： 27 －50.

［79］ Brown Jr W D， Fernando G D.Whisper Forecasts of Earnings Per Share： Is Anyone Still Listening ［J］.Journal of Business Research， 2011， 64：476－482.

［80］ Drogen L A， Jha V.Generating Abnormal Returns Using Crowdsourced Earnings Forecasts from Estimize［R］.Working Paper， 2013.

［81］ Johnston R， Wolfe M C.Crowdsourcing Forecasts： Competition for Sell-Side Analysts？ ［R］.Working Paper， 2014.

［82］ Jame R， Johnston R， Markov S， Wolfe M.The Value of Crowdsourced Earnings Forecasts［R］.Working Paper， 2015.

［83］ Liew J K S， Guo S， Zhang T.Tweet Sentiments and Crowd-Sourced Earnings Estimates as Valuable Sources of Information Around Earnings Releases［R］.Working Paper， 2015.

［84］ Adebambo B N， Bliss B A.The Value of Crowdsourcing： Evidence from Earnings Forecasts［R］.Working Paper， 2015.

［85］ 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： 266－281.

［86］董大勇，肖作平.证券信息交流家乡偏误及其对股票价格的影响：来自股票论坛的证据［J］.管理世界，2011，1：52－60.

［87］ Wang G， Wang T， Wang B， Sambasivan D， Zhang Z， Zheng H， Zhao B Y.Crowds on Wall Street： Extracting Value from Social Investing Platforms［R］.Working Paper， 2014.