国际投资者情绪的信息溢出机制——基于网络搜索指数的研究

周 亮

(1.湖南师范大学 商学院，湖南 长沙 410081；2.湖南财政经济学院，湖南 长沙 410205)

一、引 言

行为金融学认为，情绪和认知偏差使得投资者无法做到理性预期，从而导致资产价格偏离内在价值和市场非有效。目前对投资者情绪的研究大多集中在股票市场，主要包括通过选择合适的源指标构造投资者情绪指数并分析其对股票横截面收益率的影响[1-5]以及通过投资者情绪指数去解释和分析各种金融市场异象[6-9]。也有一些学者研究了投资者情绪对其他资本市场的影响，如Han[10]和Nayak[11]分别研究了投资者情绪对标普500指数期权市场和企业债券利差的影响；Wang[12]构造了期货市场投资者情绪指数并研究了其对期货横截面收益率的影响。构建投资者情绪指标常用的方法包括单一指标法和复合指标法，由于复合指标能够综合更多的来源且有利于进行降噪分析，因此得到了广泛的应用，最具代表性的就是Baker 和 Wurgler[1]根据封闭式基金折溢价、换手率、IPO数据等6个源指标复合出的BW情绪指数。随着互联网的发展，越来越多的学者采用微博[13]、社交媒体[14-15]、搜索引擎[3,16]等网络媒体数据来对投资者情绪进行衡量，以更迅速地捕捉到投资者情绪的变化。

虽然投资者情绪的研究文献已经较多，但是不同资本市场下投资者情绪的相互传染机制还未被完全阐明，这主要是因为不同市场下投资者情绪的构造方式会有所不同。如常见的BW情绪指数，其采用的IPO首日收益率在我国存在不适用情况，是由于我国股票上市的注册制一直没有得到正式实施，IPO受到政策的强烈影响，无法准确反映投资者情绪的变动。因此，选择一致性的投资者情绪测度指标是研究跨市场投资者情绪传染或信息溢出的关键所在。得益于互联网和大数据技术的广泛应用，采用网络搜索指数构造情绪指标为本文的研究提供了关键技术。因此，本文拟采用网络搜索指数构造不同国家或地区股票市场的投资者情绪指标，并利用Diebold信息溢出模型研究投资者情绪在国际市场间的传染和扩散机制。相对于已有的文献，本文的创新之处主要表现在以下两方面：一方面，利用网络搜索指数构造了不同市场的投资者情绪指标，使得跨市场的投资者情绪具有了一致来源和相互可比性，为研究投资者情绪的跨市场信息溢出机制提供了技术支撑；另一方面，采用Diebold信息溢出指数模型系统地分析了投资者情绪在全球及亚洲区域市场的溢出机制，并通过将投资者情绪细分为高涨情绪和低迷情绪，对情绪溢出的非对称性进行了检验和分析。

二、文献综述

对投资者情绪研究最早的定义来自于De Long 等人[17]。他们指出股票市场除了理性预期交易者之外，还存在大量的噪声交易(Noise Trading)，这些噪声交易正是投资者情绪所导致的。Brown和Cliff[1]、Baker和Wurgler[2]的观点更被广为接受，他们认为投资者情绪就是投资者对风险和投机的承担倾向，因此相对于正常的市场收益，风险承担使得情绪交易者能够获得一定的超额收益。在对投资者情绪的衡量上，按源指标来源可以分为直接指标和间接指标两种方式。直接指标指直接问询消费者对市场看法以及买卖意愿的方式来测度投资者的情绪，包括但不限于美国AAII投资者情绪指数[18-20]、US投资者智能指数[21]、消费者信心指数[22]、央视看市数据以及华鼎多空民意调查结果[23-24]等；间接指标则包括基金资金净流入[25]、换手率[26-27]、新增投资者开户数[28]等能间接反映投资者情绪的指标。具体的构造方式包括单一指标和复合指标两种。相对于单一指标，复合指标包含的信息量更大，同时能够降低噪声，因此，其在实证研究中得到了广泛的应用。最普遍认可的便是Baker和Wurgler[2]构造的BW情绪指数，他们采用主成分分析法对交易量、封闭式基金折价率、股利收益、IPO首日收益率及IPO数量、股票发行/证券发行比率6个源指标进行降噪提纯。国内很多学者在BW指数的基础上构造了中国的投资者情绪指标，如易志高和茅宁[29]、张宗新和王海亮[30]、李合龙和冯春娥[31]、文凤华等[32]、高大良等[33]。

具体到投资者情绪的实际应用上，很多学者都研究了投资者情绪对资产收益及风险的影响。如Baker 和 Wurgler[2]的研究发现投资者情绪对股市的横截面收益具有较明显的预测作用。Canbas和Kandir[34]、池丽旭等[25]利用市值因子和规模因子构造了多个投资组合，并验证了投资者情绪对投资组合收益率的显著影响。Schmeling[35]、李合龙和冯春娥[31]则把股市看成一个整体，研究了投资者情绪对整个大盘指数的影响，结果同样是显著的。只是由于情绪指标构造方法略有差异，以及所研究市场的异质性，得到的情绪与股市收益间的因果滞后关系及方向可能存在差异，但是并不改变投资者情绪对股市影响显著性的结论。除此以外，还有很多学者研究了投资者情绪与各种市场行为间的关系。如Rahman和Shamsuddin[9]研究了投资者情绪对市场估值因子的影响；Hao[6]研究了动量因子在不同情绪时期的表现；Debata等[36]和He等[37]学者的研究发现，投资者情绪会对市场的流动性产生一定影响；Tsukioka等[7]和Chen等[8]学者则检验了投资者情绪在IPO及股票增发过程中的重要作用等。也有一些学者研究了跨市场投资者情绪的影响。如杨阳和万迪昉[38]利用BW情绪指标分析了投资者情绪对金属期货市场收益率的影响；Qadan和Nama[39]研究了BW情绪指数对原油期货市场收益率和波动率的影响等。

少部分文献研究了投资者情绪在不同股票市场间的传染。如Hudson和Green[40]研究了美国市场投资者情绪与英国市场投资者情绪间的传染关系；文凤华等[41]对金融危机期间美国市场和中国市场的投资者情绪传导关系进行了分析。这些研究主要集中在对特定的两个市场间进行分析，这主要是因为需要选择相同的代理变量来衡量不同市场的投资者情绪，但是不同市场间的代理变量是存在着一定的差异，在某个市场适用的指标在另外一个市场不一定适用，因此很难将投资者情绪的跨市场传染从两个市场扩展到多个市场。得益于互联网技术的发展，散户投资者越来越频繁使用互联网来搜寻信息及表达观点，相对于其他代理指标，网络行为能够更直接地体现出散户投资者的非理性情绪，因此，越来越多的学者采用爬虫和文本挖掘等技术来构造基于互联网的投资者情绪，常见的数据指标来源包括Twitter[14]、微博[13，42]、网络搜索指数[3，16，43]、金融论坛[44-45]等。而互联网情绪指标也为研究多个市场投资者情绪间的相互关系提供了技术支撑，因此，本文拟借鉴大数据技术，采用网络搜索指数来分别构建全球不同股票市场的投资者情绪，并分析投资者情绪在全球的跨市场溢出效应。

三、研究设计

1.投资者情绪指数的投建

(1)描述性统计分析

目前最常用的投资者情绪指标是由Baker 和Wurgler[2]提出的，他们采用主成分分析法从多个反映投资者信念的客观指标中提取出共同情绪成分。虽然胡昌生和池阳春[46]对BW方法提出了质疑，他们认为第二主成分才能更准确地反映出投资者的非理性情绪，但是这并不影响BW情绪在全世界范围内得到广泛的应用。李竹薇等[47]、Qadan和Nama[39]等学者均是采用BW指标作为投资者情绪的代理变量并进而研究其对金融市场的影响，国内学者如池丽旭等[25]也是借鉴BW方法，利用中国市场数据构造适用我国股市的投资者情绪指标。

如果要对不同股票市场投资者情绪指标进行比较，就需要选择相同的源指标。考虑到网络搜索指数数据来源渠道的同一性，因此，本文将借鉴Da等[3]、Dimpfl 和 Kleiman[16]、孟雪井等[43]学者的研究方法，采用谷歌搜索指数来构造不同股市投资者情绪指标。如对于中国A股，采用“Shanghai Composite Index”“Shenzhen Component Index”“Chinese Stock”等关键词进行搜索；德国股票指数采用“DAX”“DAX 30”“Germany Stock”等关键词进行搜索。并将这些关键词的谷歌搜索指数加总后取平均值，得到各股票市场的投资者情绪。由于谷歌指数只提供了2004年之后的数据，因此，本文选取的样本区间为2004年1月至2019年6月。本文选择了美国三大股指(道琼斯、标普和纳斯达克)、欧洲三大股指(英国富时、德国DAX30指数和法国CAC40指数)、澳大利亚AXJO指数、日本Nikkei225指数、韩国KOSPI指数、中国香港恒生指数以及中国A股指数(包括上证指数和深成指数)。本文利用谷歌搜索指数所构造的中国A股投资者情绪代表的是境外投资者对中国股市的关注程度，所用谷歌搜索指数来自于境外访学同事。

表1报告了这11个指数的描述性统计结果，可以看到，样本区间内德国股市的被搜索量相对最高，其均值和中位值均达到了43，而中国A股相对最低，均值和中位值分别只有9和6。相对于亚洲股市，欧美股市的搜索量更高，这主要是因为谷歌指数是以英文搜索为主。从表1中可以看出，分位数统计量Q(0.1)、Q(0.25)、Q(0.75)和Q(0.9)表现出同样的特征。

表1 投资者情绪描述性统计结果

虽然各国投资者情绪在数值上存在着较大的差异，但是从趋势上看却具有较强的相关性。图1报告了美国股市(以道琼斯指数为例)以及中国A股投资者情绪在样本区间的走势图(原始数据波动过于剧烈，因此对数据进行了20期平滑)。可以看到，两者走势相关性较强，在2008年年底，由于次贷危机的影响逐渐减小，美国股市投资者情绪出现了大幅上升，中国A股投资者情绪在2009年下半年也达到了阶段性的高点；2018年下半年开始，美国股市投资者情绪开始回升，同期中国A股投资者情绪也保持上涨趋势。表2更详细地汇报了11个股票指数投资者情绪的相关系数，可以看到，除了标普与法国CAC指数及澳大利亚AXJO指数的投资者情绪表现出负相关关系外，其他所有指数的投资者情绪两两之间均表现为显著的正相关关系，相关系数超过0.7的包括德国与法国、韩国与德国、韩国与法国、恒生与道琼斯、恒生与韩国等。总体来看，投资者情绪在不同股票市场之间的相关系数很高，说明全球市场整体性较高，投资者情绪很容易在多个国家或市场之间进行扩散。

表2 投资者情绪的相关系数矩阵

图1 美国股市和中国股市投资者情绪走势图

(2)与BW情绪的对比研究

由于谷歌于2010年退出中国，用谷歌搜索指数来代表中国市场的投资者情绪并不合适。因此，本部分借鉴Baker和Wurgler的方法，选取新增投资者开户数、封闭式基金折溢价、波动率、换手率等指标，在剔除宏观经济的影响后，利用主成分分析方法提取第一成分构造了中国A股的BW情绪指标。图2报告了2005年1月至2019年6月间中国A股搜索指数与BW情绪的走势。

可以看到，在样本区间内两者的走势大体相似，如在2007年和2015年两个牛市区间，搜索指数及BW情绪都达到了阶段性的高点，而2010～2014年以及2016～2018年期间，两个指数均持续低迷。但是2009年8月谷歌指数的峰值以及进入2019年后谷歌指数的持续攀升与BW情绪表现出了一定的差异。2009年由于受美国次贷危机的影响，全球经济陷入低迷，全球股市也发生了大幅下挫，而中国在2009年推出了有力的经济刺激计划，从而带来了经济的快速止跌企稳，A股在2009年也随之反弹，因此带来了境外投资者对A股关注程度的大幅提升，从图1可以看到，此时美国的投资者情绪也在逐步攀升；2018年5月A股被纳入了明晟指数等全球指数，同时，全球化进程的加快带来了全球投资者对A股的广泛关注及配置力度的加大，从而也导致2019年后搜索指数的持续攀升。搜索指数与BW情绪在部分时间点出现偏差也是由于两个指数编制方法的差异而导致的，如BW情绪选取的源指标基本都在一定的区间内进行波动，因此在2007年和2015年牛市时BW情绪指数更容易达到极大值；而虽然搜索指数的数值波动与市场的牛熊市状态紧密相关，但是随着互联网的普及，数值相对来说会变得更大。但是总体来看，两个指数间的相关性较强，相关系数为0.35(在1%水平上显著)，且表3的格兰杰因果检验显示，在滞后4阶内，两者互为格兰杰原因，因此可以认为谷歌搜索指数和BW指标一样，能够对中国市场的投资者情绪进行较为有效的刻画。

表3 格兰杰因果检验结果

同时，虽然谷歌公司于2010年1月退出了中国市场，但是从图2可以看出，除了2009年底谷歌搜索指数出现了一个极大值点，实际上2010年后搜索指数相对2009年前反而出现了一定的提升，说明谷歌退出中国市场对搜索指数并没有明显的影响，这主要是由于本文采用的搜索指数是利用英文关键词计算，其代表的是境外投资者对中国A股的关注程度，谷歌退出中国市场对搜索指数数值的影响并不大。

图2 搜索指数与BW情绪的动态走势

2.Diebold信息溢出模型

本文借鉴Diebold 和 Yilmaz的方法研究全球市场间投资者情绪的扩散机制。Diebold信息溢出模型是采用方差分解思想来研究不同指数之间的关联关系。向量自回归模型(VAR)的基本思想是根据数据的统计特征，将系统中每一个内生变量作为系统中自身和其他变量滞后值的函数来构造的模型，常用来预测相互联系的时间序列系统及分析随机扰动对变量系统的动态冲击。方差分解给出的则是VAR模型中的变量产生影响的每个随机扰动的相对重要性的信息，由于普通的方差分解受变量间的排序影响加大，因此，Diebold和 Yilmaz采用了广义方差分解方法对变量间的信息溢出进行分析，从而规避了变量排序的问题。可以用广义方差分解将网络分析中复杂的系数矩阵转化为可反映系统关联性的关联性表，如表4所示。

四、实证检验

1.全球投资者情绪的静态溢出

(1)总情绪指数的信息溢出

采用Diebold信息溢出指数模型研究投资者情绪的溢出机制，首先分析全球投资者情绪的静态溢出效应。根据单位根检验发现所有的情绪指数均是一阶单整，协整检验显示情绪指数之间存在着显著的协整关系(具体结果略)，因此，采用VAR模型和广义方差分解模型对样本区间内情绪指数间的溢出机制进行分析，VAR模型的滞后阶数根据AIC准则确定为3阶。广义方差分解得到的关联性表如表5所示。从表5倒数第二行对外溢出值(To)可以看到，道琼斯、标普、法国股市和中国香港恒生指数投资者情绪对外溢出值较大，而澳大利亚和中国A股情绪的对外溢出值最小；从最后一列接受溢出值(From)可以看到，道琼斯、标普、日本和恒生指数较大，澳大利亚股市和中国A股最小。总体看来，情绪对外溢出越大的市场，其接受溢出值也较大；而对外溢出较小的市场，其接受溢出也较小。澳大利亚主要是由于其位于大洋洲，与其他市场地理位置相隔较远，因此较难受到其他市场投资者情绪的传染，中国A股则是由于其开放性不够，因此受其他市场影响相对较小。而道琼斯、标普、日本股市和中国香港股市均是全球化开放程度较高的市场，因此其投资者情绪容易向外传染，也容易受到外部情绪的影响。从最后一行净溢出值(Net)可以看到，美国股市(包括道琼斯、标普和纳斯达克)总体处于对外部市场产生信息溢出的位置，欧洲股市(包括英国、德国和法国)和亚洲股市(日本、韩国、中国香港和中国A股)则处于从外部市场接受溢出的位置。全球市场投资者情绪的总溢出值为52.02(该值最小为0，最大为100)，说明全球市场间情绪的相互影响较强。

表5 全球投资者情绪信息溢出关联表

(2)高涨情绪和低迷情绪的信息溢出

本文将投资者情绪细分成高涨情绪和低迷情绪两个部分，分别研究高涨投资者情绪和低迷投资者情绪在全球市场的信息溢出机制。借鉴文凤华等[31]学者的研究方法，根据各个市场投资者情绪的中位值将情绪分为高涨情绪和低迷情绪，并采用Diebold信息溢出模型对高涨情绪和低迷情绪进行分析，结果如表6所示。其中，Panel A是高涨情绪的信息溢出分析结果，Panel B是低迷情绪的信息溢出分析结果。由于篇幅所限，表6仅列出了各市场投资者情绪的对外溢出值、接受溢出值及净溢出值，以及市场整体的溢出值。可以看到，在所有的11个市场指数上，无论是对外溢出值还是接受溢出值，高涨情绪的溢出效应比低迷情绪的溢出效应均要高很多，因此，高涨情绪的市场总溢出值为41.25，而低迷情绪的市场总溢出值仅为19.56，表现出较强的非对称性。

表6 高涨和低迷情绪的信息溢出关联表

在具体市场的情绪溢出方向上，高涨情绪(低迷情绪)与总情绪指数有所不同，如道琼斯指数的总情绪净溢出为正，但是其高涨情绪和低迷情绪净溢出均为负值。从区域市场来看，美国股市无论是高涨情绪还是低迷情绪均处于净对外溢出状态，而亚洲股市则是处于净接受溢出状态，欧洲股市则在高涨情绪上表现出一定的净接受溢出，而在低迷情绪上则表现出一定的净对外溢出。总体来看，通过将投资者情绪细分为高涨投资者情绪和低迷投资者情绪，可以发现高涨情绪的溢出和低迷情绪的溢出具有一定的非对称性，说明投资者更容易受到高涨情绪的影响，国际投资者更容易因为某个市场的情绪高涨而加大全球市场的配置，从而使得高涨情绪更容易在各市场间传染，而低迷情绪则相对较少地在各市场间进行传染，表现为当投资者较为低迷的时候，更容易降低在单个市场的投资，而相对较难对其他市场产生影响。

2.投资者情绪的动态溢出

(1)全球投资者情绪的动态溢出

上一部分是从静态的视角研究投资者情绪的信息溢出机制，即将整个样本区间作为一个整体来看待，为了更细致地分析投资者情绪的溢出效应，本部分将采用动态窗口分析投资者情绪溢出效应的时变性。这里采用100期(近2年)的时间窗口进行滚动分析，在稳健性检验中将对不同的时间窗口进行分析。由于篇幅所限，这里仅列出总情绪指数、高涨情绪指数和低迷情绪的总溢出值的时变特征，单个市场的溢出效应未列出。图3报告了3种情绪总溢出值的时变曲线，可以发现3者的走势大体相似，3个总溢出值均在2009年年初、2012年年初及2016年年底附近达到阶段性的高点，2009年年初接近于次贷危机的尾声以及欧债危机的发端、2012年初则处于欧债危机的发酵过程中、2016年年底则是全球经济放缓、贸易摩擦开始加剧的时间节点，可以看到，在全球经济基本面出现重大变故的时点，全球市场的投资者情绪更容易发生联动。

图3 情绪总溢出值的时变特征

除此以外，从图3还可以得到两个结果：一是随着时间的推移，国际市场投资者情绪间的联动越来越密切，如在2006年7月时总情绪的总溢出值只有38，而在2019年6月时则达到了66，增加了四分之三左右，且高涨情绪和低迷情绪的总溢出值也得到了极大提升；二是高涨情绪和低迷情绪的溢出效应存在着显著的非对称性，在整个样本区间内，高涨情绪的总溢出值始终高于低迷情绪的总溢出值，到2019年6月底，高涨情绪的总溢出值达到了66，而低迷情绪的总溢出值只有53。这再次说明投资者更容易将高涨情绪扩散到其他市场，而低迷情绪则相对倾向于对单个市场的影响更大。

(2)中国A股投资者情绪的动态溢出

前面的分析均是对全球股市进行整体考虑，本节对中国股市进行单独分析，图4至图6分别报告了中国股市总情绪、高涨情绪及低迷情绪的溢出效应时变情况。其中，实线表示的是情绪的对外溢出值，虚线表示的是情绪的接受溢出值，灰色阴影部分表示的是情绪的净溢出值。从图4可以看到，中国A股在2007年10月的情绪对外溢出值达到了第一次高峰，此时上证指数正创造了6124的历史性高点；第二次高峰发端于2015年7月并在2016年7月达到顶点，2015年6月份开始中国A股出现了举世瞩目的千股跌停，直到2016年3月份才开始企稳，因此，中国A股上的两次牛市后的回落分别对应着投资者情绪对外溢出值的两次高峰。从灰色阴影部分净溢出值的柱状图来看，中国A股在2007年3月至2009年1月以及2015年8月至2017年9月这两段表现出正的净溢出值，两段均对应着中国A股的一段重要行情，除此以外的绝大部分时间里，均主要表现出负的净溢出值，在2012年底达到了最低值，此时正是中国A股在底部反复震荡的低迷时期。

图4 中国A股总情绪指数的信息溢出时变效应

图5 中国A股高涨情绪的信息溢出时变效应

图6 中国A股低迷情绪的信息溢出时变效应

图5高涨情绪信息溢出效应表现与图4较为相似，均在2007年和2016年达到了阶段性的顶点，并在2012年达到了最低值。图6低迷情绪的信息溢出效应则表现出不一样的特征。首先，低迷情绪只在2009年7月达到了对外溢出值的最高值，2009年7月是中国A股从6124高点腰斩后回升后的一个高点。从低迷情绪的净溢出值看，2006～2009年间净溢出值交替表现为正负值，但是进入2010年后，净溢出值就一直保持为负数，这与总情绪指数和高涨情绪的溢出效应具有一定差异。综合图5和图6来看，说明中国A股高涨情绪和低迷情绪的溢出存在较明显的非对称性，不仅表现在净溢出值的正负向关系，而且可以看到高涨情绪的溢出指数值普遍高于低迷情绪的溢出指数值。

3.时间窗口的稳健性检验

时间窗口会对信息溢出模型的结论产生一定的影响。前文采用的均是100周的时间窗口，本节对时间窗口进行稳健性检验，分别采用50、75、100、125和150周的窗口进行分析，表7报告了不同周期下的检验结果。其中，Panel A是总情绪指数的信息溢出效应，Panel B是高涨情绪的信息溢出效应，Panel C是低迷情绪的信息溢出效应。

表7 时间窗口稳健性检验结果

表7中所列数值为不同市场指数情绪净溢出值在样本周期内的均值，最后一列是市场总溢出值的均值。通过与表4和表5情绪静态溢出值进行比较后发现，单个市场的动态溢出值均值表现出不一样的方向性。如美国股市表现出了总体性的接受溢出特征，而欧洲股市则表现出总体性的对外溢出特征，亚洲股市则始终保持着总体性的接受溢出特征，而澳大利亚则表现出较明显的对外溢出特征，这在不同的时间窗口下均是稳健的。将表4和表5静态溢出值特征结合起来可以看出，目前欧美股市仍然在世界占据了主导地位，而亚洲股市则更多地表现为被溢出的角色。从市场总溢出值可以看到，随着时间周期的变大，无论是总情绪指数、高涨情绪还是低迷情绪，总溢出值均逐渐变小；且高涨情绪的总溢出值均要高于低迷情绪，情绪溢出的非对称性非常明显。因此，综合来看，在不同时间窗口下，投资者情绪的溢出效应表现出较为相似的特性，说明研究结论是稳健的。

4.亚洲区域投资者情绪的信息溢出

(1)投资者情绪的静态溢出

本文分析亚洲区域投资者情绪的信息溢出特征，包括日本、韩国、中国香港恒生指数和中国A股4个股票市场。表8报告了亚洲股市间投资者情绪的静态溢出效应，其中，Panel A是总情绪的溢出效应；Panel B是高涨情绪的溢出效应；Panel C是低迷情绪的溢出效应。

表8 亚洲区域投资者情绪信息溢出关联表

从表8中可以得到以下观点：第一，亚洲股市总情绪的总溢出值为25.36，低于全球股市的52.02，这虽然跟所选市场数量较少有关，但是也说明亚洲股市间情绪的联动相对而言并不密切；第二，中国香港恒生指数市场成为亚洲股市最主要的对外信息溢出来源，其总情绪、高涨情绪和低迷情绪的净溢出值分别为9.27、13.08和9.37，韩国股市和中国A股则是主要的接受溢出对象；第三，亚洲区域市场同样存在着较明显的非对称性，任意市场高涨情绪的对外溢出值和接受溢出值均要高于低迷情绪，同时高涨情绪的总溢出值为16.97，接近于低迷情绪总溢出值(8.26)的2倍。总体来看，虽然到目前为止，中国A股的总市值已经达到了世界第二的规模，但是由于其开放度有待提升，其在全球乃至亚洲区域的影响力均还明显不够。

(2)投资者情绪的动态溢出

同样采用100周的时间窗口研究亚洲股市信息溢出的时变特征，图7报告了总情绪指数、高涨情绪及低迷情绪总溢出值的时变特征。其中，实线为总情绪总溢出值的时变曲线、虚线为高涨情绪总溢出值的时变曲线，点线为低迷情绪总溢出值的时变曲线。从图7可以得到以下结论：第一，三者的走势大体相似，尤其是总情绪指数和高涨情绪指数的总溢出值曲线；第二，动态窗口的非对称性仍然十分明显，高涨情绪总溢出值曲线始终保持在低迷情绪总溢出值曲线以上；第三，总溢出值曲线有3个较为明显的高点，分别出现在2007年底至2009年初、2012年初至2013年上半年、以及2016年初至2017年上半年，第一阶段对应着次贷危机期间，第二阶段则对应着欧债危机阶段，第三阶段则是全球经济放缓及贸易摩擦的加剧，与图3的走势也是大体相似的，说明亚洲股市跟全球股市的联动性非常强，只是其整体影响力相对偏低而已。

图7 亚洲区域投资者情绪信息溢出的时变特征

图8展示了中国A股在亚洲区域总情绪指数的总溢出值时变特征(限于篇幅，高涨情绪和低迷情绪的图形略)，其中，实线是对外溢出值；虚线是接受溢出值；灰色阴影部分为净溢出值。可以看到，中国A股在亚洲区域的对外溢出值依次出现了3个高点，分别是2007年7月至2008年2月、2011年3月和2015年11月至2017年4月，尤其是2015年11月后A股对外溢出值出现了一个跳跃式上升，这3个高点分别对应着A股的两个牛市以及第一次股灾后的一个阶段性高点，在这3个高点时期，A股均是表现出正的净溢出值，而在其他时间段，则多表现为负的净溢出值。这些特征与图4表现出的A股在全球股市中的特征是相似的，只是在亚洲区域中，2015年的A股牛市及股灾表现出的影响力相对更大。

图8 中国A股情绪在亚洲区域的信息溢出时变效应

五、结论与建议

采用2004年1月至2019年6月的谷歌搜索指数来分别表示全球各股票市场的投资者情绪，利用Diebold信息溢出模型研究了投资者情绪在全球的扩散机制，研究结果发现：第一，全球股市投资者情绪的联动性较高，其信息总溢出值达到了52.02；第二，欧美股票市场是全球情绪传染的主要对外溢出来源，而亚洲股市无论是在静态窗口还是在动态窗口，均处于接受溢出的位置；第三，投资者情绪的传染具有显著的非对称性，表现为高涨情绪的信息溢出效应要显著高于低迷情绪的信息溢出效应，无论是在静态窗口还是动态窗口，无论是在全球市场还是在亚洲区域市场，非对称性都显著存在；第四，在全球市场中，中国A股除了在2007年和2015年两次牛市后期表现出较明显的净对外溢出，其他时间均表现出明显的接受溢出状态，说明由于开放程度不够，中国A股的对外影响力还完全不能与其规模体量相匹配；第五，通过对亚洲区域市场的研究发现，亚洲股市投资者情绪的整体联动性要低于全球市场，其信息总溢出值仅为25.36，仅相当于全球市场信息总溢出值的一半；第六，中国香港恒生指数市场是亚洲市场最主要的对外溢出来源，中国A股和韩国股市则是主要的接受溢出对象。

本文采用网络大数据及Diebold信息溢出模型分析了投资者情绪在全球的扩散机制，是对行为金融及风险传染理论的有力补充，同时也具有较强的实践应用价值。第一，中国A股无论在全球市场还是亚洲区域，其情绪的对外影响力以及接受溢出能力均非常小，这是由于中国A股国际化程度不足所导致的，这虽然让中国A股避免了外部极端风险的传染，也大大降低了A股在国际上的影响力以及国际投资人投资A股的信心。因此，在建立必要的金融防火墙的基础上，应加大A股的开放程度、引入更多的国际投资者，逐步扩大A股在全球的影响力。第二，随着全球市场整合程度的增加，情绪更容易在市场间进行传导，风险也很容易从一个市场扩散到另一个市场，无论是对于市场监管层还是个体投资人来说，加大对外部风险的监控和防范，均是一项越来越重要的工作。第三，从投资实践层面来看，高涨情绪更容易在全球市场溢出，说明投资者更容易因为其高涨情绪而加大在全球资产的配置力度；相反，低迷情绪则更容易让投资人缩减在特定市场的投资规模。因此，对于全球资产配置者来说，应该加强自身风险敞口的管理，尤其是在高涨情绪支配时，适当降低风险敞口是避免极端危机事件侵蚀投资效益的重要举措。