房地产网络舆情情感倾向性研究

曾德珩 单艳

摘要：随着网络、手机等各类新媒体形式的出现，大量房地产舆情借助网络平台传播，信息的产生与传播范围、速度日益提高。然而，一方面由于房地产市场存在区域异质性，另一方面房地产市场在新闻媒体与大众评论之间出现明显的情绪分化，最终导致房地产市场情绪的高涨或低落。挖掘技术对舆情语料进行情感倾向分析，量化市场情绪，可以为市场预测、资产定价研究提供新的思路。基于挖掘技术，收集重庆市2019.07.01-2020.06.30期间的房地产市场相关舆情，基于机器学习方法构建房地产领域专属词典，以情感词典和机器学习组合方法对舆情语料的情感特征进行量化，并确定投资者情感指数编制方法，构造出重庆市近一年内房地产市场月度情感指数。基于辞典构建和机器学习组合方法对房地产市场情感指数进行量化分析，可以剖析投资者近一年内房地产市场中的情感表达，研究市场情绪对于房地产价格走势和市场异象的解释，为房地产领域的市场分析提供一种较为新颖的视角。

关键词：文本情感分析;情感辞典;市场情绪;房地产市场

中图分类号：F293.35 文献标识码：A

文章编号：1001-9138-（2021）06-0032-42 收稿日期：2021-05-25

1 引言

由于投资者的决策行为存在个体差异性，投资者的个体情绪在市场中通过群体作用而相互影响，逐渐形成共同的市场情绪，并对市场发展产生影响。市场情绪既是个体投资者对市场信息的认知处理结果，也是市场投资者行为的相互作用结果，可以反映市场过去及现在的发展情况，同时影响未来市场发展。因此，对市场情绪进行度量，可以帮助解释市场异象和预测市场发展。然而市场情绪是一个难以度量的概念，传统的市场情绪测度方法已经不再适用。随着互联网的发展，大量的楼市评论信息借助网络平台在投资者之间相互传播，个体情绪借助网络平台形成市场情绪，吸引了大量投资者注意力，并对投资者的决策行为产生引导作用。对新闻语料进行文本情感分析，成为研究市场情绪的一个重要方向。因此，本文希望通过情感分析技术衡量房地产市场的情緒表达，并构建市场情绪指数。为精确研究范围，测度更精准的情绪指数，本研究以重庆市为例，借助新浪舆情通系统，收集重庆市2019.07.01-2020.06.30期间来自各类论坛、网站、自媒体账号等渠道的房地产市场舆情信息，利用文本情感分析技术对近一年来重庆市房地产舆情进行情感特征量化研究，通过量化投资者情感表达，解释重庆市房地产市场的价格走势及市场异象。

2 研究现状

市场情绪的研究最早可见于Tetlock的研究，该学者利用《华尔街日报》专栏的每日内容，定量衡量媒体和股票市场之间的互动，发现媒体悲观情绪的高位具备预测市场价格下行压力的能力。此后市场情绪研究在金融领域应用较为成熟，并逐渐应用于其他领域。对于市场情绪的测度方法目前主要有两种，一是利用市场基本面诸如成交量、消费者信心指数等指标代理市场情绪，如Statman、Lee等。二是利用问卷调查的收集投资者关注度、投资意愿等进行情绪量化，如Shiller、Statman等。随着大数据时代的到来，投资者会通过网络舆情表达和接收情绪，基于互联网大数据挖掘的情感倾向分析也逐渐被运用于测度投资者情绪，如Antweiler、Bollen、Schumaker等。

关于房地产市场情绪研究方面，国外学者Soo对全美34个城市的住房市场情绪进行了测量，得出结论房地产媒体情绪对未来房价具有显著的预测力。I-ChunTsai考察了美国股市和房地产市场的关系及其对消费财富效应的影响，两个市场都对消费产生了财富效应，股市情绪指数可以解释财富效应的变化。Freybote研究了美国房地产投资信托公司债券投资者情绪，为美国房地产投资信托公司债券投资者的定价决策提供参考。Ma将朴素贝叶斯算法与分类器算法应用于房地产信心指数构建，实现了基于财经新闻的循环经济指数的构建。Dietzel利用房地产相关谷歌搜索量数据作为衡量投资者情绪的指标，发现谷歌数据可以作为早期市场指标，预测美国房地产市场转折点。Heinig和Nanda以伦敦西区商业房地产为研究对象，使用正交化和主成分分析法对宏观经济情绪指标和在线搜索量数据进行分析，得出结论从更具前瞻性的信息来源（如在线搜索）中提取的情绪可能会为投资者、贷款人或其他市场参与者带来重大的信息增益。StephanLang运用资产定价框架，以情绪敏感度为基础，对欧洲房地产股票的表现进行评估，发现情绪驱动的回报行为实际上只是对承担更高基本风险的补偿。Clayton探讨了基本面和投资者情绪在商业地产估价中的作用，发现即使在控制了预期租金增长、股票风险溢价、国债收益率以及长期均衡滞后调整之后，投资者情绪仍会影响定价。Eddie提出住房需求在一定程度上是由参与者的情绪驱动的，认为房地产市场的投资者更容易受到情绪的影响。Jessica对约12.5万篇美国报纸头条新闻进行了调查，并建立了不同的情绪衡量指标，探讨新闻媒体情绪与证券化房地产市场之间的关系。国内学者廖娟构建了符合中国房地产住宅市场的购房者情绪指数，认为房地产市场投资者情绪与羊群行为两者之间具有联动关系。刘林发现投资者情绪的高涨会促进房地产价格的上涨，且在房地产市场低迷时期，投资者情绪推动房地产市场上涨的作用更显著。郑荣卿试图研究市场情绪对商品住房市场运行的影响，并基于实证分析得出市场情绪对于商品住房市场波动的解释力度达到25.38%的结论。李书忞将行为金融与大数据进行融合，2004-2016年内约20万篇主流媒体房地产业新闻报道获取投资者情感信息，并分析投资者情绪与房地产市场价格波动之间的关系。黄燕芬基于行为金融建立了房地产情绪指数影响房价的模型，实证研究了市场情绪对房价的影响。

通过梳理文献研究发现，市场情绪测度的研究主要集中在金融领域，如股票、证券市场。房地产产品作为一种特殊商品，存在市场分割程度高、投资者信息不对称、地域分化明显等特征。相较于股票、证券市场，房地产市场更容易受市场情绪影响，然而相关研究中房地产市场并没有像股票市场那样受到关注。因此，本文希望在这样的研究背景之下，通过将金融文本分析引入房地产市场领域，对网络媒体信息蕴含的投资者情绪进行量化研究，构建重庆市近一年房地产市场情绪指数，在扩展文本分析应用范围的同时给出一种全新的衡量楼市情绪的方法。

3 研究方法与数据处理

本文首先收集大量来自论坛、自媒体、网站等房地产资讯的信息，通过构建重庆市房地产领域情感词典，并将词典引入文本情感分析模型，提升语料情感分析准确性。利用文本情感分析计算文本情感值，最后构建房地产市场投资者情感指数。如图1所示，研究关于新闻文本的情感值的计算主要基于以下步骤：（1）数据获取：收集2019.07.01-2020.06.30之间重庆市关于房地产市场有关资讯的信息数据，数据来源包括论坛、新闻网站、微信公众号、微博、博客等;（2）数据清洗：将收集的数据经过文本分词、词性标注等程序，将原本非结构化的、难以进行分析的文本篇章转化为可供文本分析系统分析文章情感值的新闻文本;（3）构建领域专属情感词典：根据房地产市场和重庆市区域特征构建重庆市房地产市场专属情感词典，对语料进行情感分析并测算其情感值;（4）编制市场情绪指数：按月度计算重庆市近一年的房地产资讯情感倾向值，并计算市场月度情绪指数。

3.1 数据获取

本文主要基于新闻媒体的房地产资讯进行文本挖掘，因此需要选择权威且广泛的信息来源保证研究的科学性。为满足研究要求，本文基于新浪舆情通系统，通过设置采集关键词及地域关键词，以月度为单位，采集2019.07.01-2020.06.30期间重庆市房地产有关媒体报道如表1所示。

批量导出房地产相关舆情共计67854条，每月的重庆市房地产有关舆情数量均在4000条以上，充足的舆情数量增强了后续投资者情绪指数构建的准确性，减少因研究样本数量不足造成的情绪偏差。

3.2 数据处理

数据处理主要指对导出的舆情语料进行预处理，包括数据清洗、文本去重、文本分词等操作，为后续情感分析奠定基础。网络采集的舆情数据中存在大量的无用符号以及许多网址链接，这些无用的信息称为文本噪声，存在噪声的预料文本由于其符号的混乱性，是无法进行断句与分词处理的。需要通过数据预处理，原本完整、非结构化的舆情语料将转化为结构化、能被计算机识别的语料文本。

首先，由于新浪舆情通系统收集的信息量巨大，同一条内容全网发布多次的情况很普遍，为了降低这种重复文本对最终情感判断的影响，需要对收集的数据进行文本去重，提高后续情感分析的准确性。由于语料文本中还存在大量本身无实际意义，对情感判断无用的词语，诸如“哦”“的”“了”等，这类词语统称为停用词。停用词的存在会占用大量的文本储存空间，降低后续情感分析效率，因此需要利用算法将之去除。本研究引入哈工大停用词词库，将文本去重后的语料数据进行去除停用词操作。将清洗后的数据以txt文件储存，以便后续文本分词操作。

接下来，需要对清洗后的文本进行分词操作。词语是组成句子的基本元素，能够独立表示有价值信息和体现情感倾向，因此词语对于句子索要表达的情感倾向起到决定作用。利用分词操作将以完整句子呈现的语料按照某种预定规则切分成相应的词语片段。本文采用Python版本的jieba分词器进行分词操作，主要的算法包括：（1）基于前缀词典实现此图扫描，生成句子中汉字所有可能生成词情况所构成的有向无环图（DAG）;（2）利用动态规划查找最大概率路径，基于词频找到最大切分组合;（3）对于未登录的词语，采用基于汉字成词能力的HMM模型，并采用维特比（Viterbi）算法。例如，利用表1所示的语料文本的摘要结巴分词后的结果如表2所示。

4 重庆市房地产市场专属情感词典构建

在对舆情语料进行文本分词之后，需要对语料包含的情绪信息进行文本情感分析。一般而言，情感分析的方法主要有基于情感词典和基于机器学习语言两种方法。两种方法在原理、过程、结果等方面都存在差异，本文选择将两种方法结合使用，基于机器学习方法构建房地产领域专属词典，以情感词典和机器学习组合方法对舆情语料的情感特征进行量化。目前的评论文本情感分析仅使用通用型情感词典，缺少房地产领域的情感词典研究，在分析房地产相关评论时的准确率不高;其次，房地产行业强地域属性造成了房地产市场的天然割裂，不同层级城市发展的显著分化决定了“因城施策”的大背景，不同的城市对于楼市判断有不同的俗语、哩语，目前的情感辞典缺乏对这一方面的考量。因此在进行房地产信息情感分析时需要根据城市属性及房地产行业属性构建专属情感辞典。本研究构建的重庆市房地产领域专属词典由三部分组成：（1）基础词典;（2）扩充词典;（3）专属词典。

4.1 基础词典

4.1.1 基础情感词典

知网发布的 《情感分析用词语集》 （HOWNET）是我国应用最广泛且地位最权威的一部情感词典。该词典主要分为中文和英文两部分，共包含如下数据：中文正面评价词语3730个、中文负面评价词语3116个、中文正面情感词语836个、中文负面情感词语1254个;英文正面评价词语3594个、英文正面评价词语3563个、英文正面情感词语769个、英文负面情感词语1011个。可知知网情感词典（HOWNET）收录的情感词较为全面，且应用较为成熟，因此本文选择其作为基础情感词典。根据知网情感词典的规则与定义，从中总结出一系列积极以及消极词汇，构成本研究的基础情感词典。部分基础情感词典的词汇如表3所示。

4.1.2 程度副词词典

仅有情感词汇还远远不够，程度副词对情感词的情绪表达具有不可忽视的作用。本文引入知网HOWNET程度级别词语构建程度副词词典，分为极度、高度、中度、低度四个级别，并分别赋值1.8、1.6、1.2、0.6，用于后续情感得分计算。本研究选取程度副词共计219个，具体程度副词词典展示如表4所示。

4.1.3 否定词词典

在中文语句中含有多重否定的句法，当否定词在词组中出现的次数是奇数时，表示否定意思;当否定词在词组中出现的次数是偶数時，表示肯定意思。结合本文的语料库和中文表达习惯，本文共收集了85个否定词，其权值设定为-1。具体否定词汇如表5所示。

4.2 擴充词典

知网情感词典（HOWNET）虽然已经包括较多的情感词汇，但语言表达多元且易变，且房地产行业拥有较多专业词汇，因此需要对基础词典进行扩充。本研究的扩充词典基于机器学习方法，借助2019.01.01-2019.06.30期间重庆市房地产相关资讯作为扩充情感词典的数据集，共计舆情信息29616条。以同样的方式对数据集进行清洗、文本分词等工作，随机从中抽取5000条舆情作为训练样本，对样本数据进行人工筛选，应用于整个样本数据，最后整理出871个房地产领域扩充情感词汇。部分扩充词典示例如表6所示。

4.3 专属词典

重庆市位于嘉陵江与长江的交汇口，曾为巴国首府所在地，是巴渝文化重要的发祥地之一。重庆方言蕴含巴渝特色，在语音、词汇、语法等方面都自成一体，尤其是词汇更具特色。如“乖”“牙刷”“打望”等词语在重庆方言的特殊语境下，往往蕴含不同的情感信息。虽然大部分的情感分析利用上述基础情感词典以及扩充词典就可以完成，但是大量自媒体为加强语言渲染力，服务重庆本地投资者，会在评论分析中采用大量重庆方言表达对楼市的看法。为了提高情感分析的准确度，基础情感词典的适应性以及准确定性在特定的情感分析任务中受到挑战。因此，除了上述情感词典的扩充，构建属于重庆市楼市专属的情感词典是非常必要的。本文通过阅读大量楼市新闻以及自媒体文章，采访重庆本地土著，通过有效的人工筛选，划分出重庆市表达楼市信息的常用情感词共计150个，诸如“洗牌”“甩货”“下叉”等。部分专属词典样例如表7所示。

将基础词典、扩充词典以及专属词典组合，最终得到本次研究所应用的重庆市房地产专属情感词典。其中积极词汇5089个，消极词汇4942个，程度副词219个，否定词85个。最终的情感词典规模及样例如表8所示。

5 重庆市房地产市场舆情语料情感分析

5.1 情感值计算

在构建完成重庆市房地产领域专属情感词典之后，便可以对预处理后的舆情语料数据进行情感分析，同时为后续投资者情绪指数编制及分析做准备。本研究采用情感极性累加法计算文本情感值。基于情感词典的文本情感分析工作框架如图2所示。

舆情语料的情感值算法具体步骤如下所示：

（1）导入舆情语料库，对语料进行删除停用词、分词、词性标注等预处理工作;

（2）引入重庆市房地产领域专属词典，将词典中的情感词汇与语料进行匹配，设定积极词分值为1，消极词分值为-1，分别表示为P_W和N_W。

（3）引入程度副词词典和修饰词典。如上文所述，将程度副词按程度级别分为四个权重值，分别为1.8、1.6、1.2、0.6，分别表示为D1、D2、D3、D4，否定副词表示为N1，其修饰权重设置为-1。

（4）从语料的第一个词开始，如果词语属于情感词典，则判断该词前是否有程度副词，如果没有，则按照情感词分值，如果有，则用程度副词权重与词语分值相乘，如果程度副词前还包含否定词，则用否定词权重、程度副词权重与词语分值相乘。遍历进行至整条语句没有情感词为止，将每次遍历过程的得分进行加和，得到语料基于情感词典的情感评分。

（5）最终，每条语料的情感值计算的公式如下：

（1）

其中，Pos和Neg分别表示积极词汇和消极词汇，i表示整个句子中的第i个情感词，D表示距离情感词i最近的程度副词，分为4个等级，设定值分别为1.8、1.6、1.2、0.6;N表示距离情感词i最近的否定副词，值设定为-1。将情感词分值进行加和得到整个句子的情感值。

5.2 实验结果评测

本实验的情感分析评测指标使用情感分析领域常用的几个指标：精度（precision）、召回率（recall）、F1值。精度是对精确度的度量，即预测结果正确占预测结果的比重;而召回率是完全性的度量，即预测为正类（负类）且实际也为正类（负类）占数据集中正类（负类）的比例;F1值是精度和召回率的调和均值，它将精度和召回率赋予相同的权重。与精度和召回率一样，F1值也需要求出正类、负类及总体的值。精度（precision）、召回率（recall）的计算公式如下所示：

precision = TP / （TP + FP）                            （2）

recall = TP / （TP + FN）                                （3）

其中，TP表示的是分类器正确分类的正元组的个数，FP表示的是分类器错误分类正元组为负元组的个数，FN表示的是分类器错误的分类负元组为正元组的个数，P表示的是数据集中实际正元组的个数，N表示数据集中实际负元组的个数，TN表示的是分类器正确分类负元组的个数，P表示分类器分类的正元组的个数，N表示分类器分类的负元组的个数。它们之间的关系可以如下的混淆矩阵如表9所示。

将这两个值组合到一个度量里，这个就是F值。F值计算公式如下所示：

F_ β = （（1+β^2） × precision×recall） / （β^2 × precision + recall）                                                 （4）

其中β为非负实数，当β为1时就是F1值，F1值是精度和召回率的调和均值，它将精度和召回率赋予相同的权重。与精度和召回率一样，F1值也需要求出正类、负类及总体的值。

本研究基于前文构建的重庆市房地产领域专属情感词典，以近一年重庆市房地产舆情为研究对象，利用词典对舆情语料进行情感倾向判断实验，得出语料情感值。基于词典情感特征的情感倾向判断实验评价指标数据如表10所示。由表10知，实验的精度达0.61，情感词典召回率为0.62，F1值为0.66。说明本次情感判断实验与实际情况相差不大，较为合理。

5.3 实验结果分析

根据情感判断实验，将每一条舆情语料的情感程度表示为相应的情感分值。本文将重庆市近一年房地产舆情的情感分析结果采用二分法分类，即积极和消极。根据文本情感判断实验得出的情感分值与临界值0进行比较，分值高于0即判断为积极，分值低于0即为消极。根据实验，本次情感判断的部分结果如表11所示。

通过对舆情语料的情感倾向判断统计如表12所示，2019.07.01-2020.06.30期间重庆市房地产舆情的情感多为积极类型。其中积极舆情25239条，占比0.64，消极舆情大概14504条，占比0.36。反映出近一年，重庆市房地产市场热度趋稳，投资者对于重庆市房地产市场看多者较多，市场购房信心较足。

6 重庆市房地产市场情绪指数构建

6.1 市场情绪指数计算

为了编制出准确代表市场变化的情绪指数，需要选择合理的指数编制方法。本文参考同类别金融文本分析研究中所采用的情感量化方法，通过情感倾向判断实验的数据进行汇总处理得到重庆市房地产市场近一年的情绪指数。首先，需要统计近一年各月重庆市房地产的积极舆情数量和消极舆情数量，然后将同一月份的积极舆情数量与消极舆情数量相减，并除以当月内所发布的舆情总数Nt，计算得出月度房地产投资情感指数。

具体编制公式如下所示：

Sentiment_t = （Npos-Nneg） / Nt * 100+100

（5）

其中，Sentiment_t表示重庆市t月份的投资者情感指数，该月份的积极舆情数量与消极舆情数量分别表示为Npos、Nneg，Nt表示重庆市t月份的舆情总数量。最终计算2019.07-2020.06期间重庆市房地产市场的月度情绪指数如表13所示。

6.2 市场情绪指数检验分析

为了检验构建指标的合理性，则需要选取能够代表重庆市房地产市场发展状况以及市场态度的指标对指数进行检验。百度指数是由搜索引擎百度提出，基于互联网大数据统计搜索量的一个指标。搜索量的多少可以体现投资者的关注度，从而反映市场情绪。因此选取百度指数作为检验指标，由于百度指数与本文构建的市场情绪指数存在量纲不一的问题，首先利用SPSS软件对数据进行标准化处理，并绘制两个变量的趋势图。

2019.07-2020.06期间市场情绪与百度指数呈现较好的拟合性，走势一致，说明本文构建市场情绪合理，能够反映市场态度及发展状况如图3所示。根据市场情绪指数，2019年下半年重庆市投资者情绪较高，楼市热度重现。其中2020年1月和2月市场情绪指数与百度指数出现反常情况，这与上半年重庆市房地产市场受大环境降温以及疫情影响整体趋冷有关。2020年年初，中央首提“双城经济圈”，高质量谋划推动成渝地区建设，城市价值不断凸显导致市场情绪高涨，然而接近年关市场关注度却有所下降。由于全球新冠肺炎疫情蔓延，2月份的情绪指数延续了1月的悲观趋势，反映出投资者对房地产市场的担忧。随着国内疫情整体得到控制，房企接连发出各種促销活动，引发投资者对房地产的讨论，投资关注度有所上升。

7 结语

互联网为广大投资者提供了一个交流、协作、共享的平台，丰富多彩的舆情数据成为了衡量市场情绪的主要载体。科学分析舆情的情感倾向，合理构建市场情绪指数，有助于了解市场与投资者的关注重点，反映投资者投资意愿和对市场走势的预期。本文通过文本情感分析重庆市房地产舆情的情感倾向，评价投资者情感指数，近一年重庆市房地产市场的走势。以2019.07-2020.06期间重庆市房地产舆情为例的文本情感分析表明，基于文本情感分析的情感倾向判断和情感指数建立在房地产市场分析中有着较好的应用，能够建立新的市场走势评价方式，动态监测投资者情感变化，及时把握投资者对于房地产市场的情感趋势。

虽然得出如上结论，但本文研究仍存在一定的局限性。比如，情感词典的构建。在文本情感分析的研究中，情感词典的构建最为重要。然而，随着网络用词的更新，情感词典不仅需要准确，而且还要不断更新，情感指数的构建方法及有效性也还要进一步确认，从而提高分析的准确性。

参考文献：

1.PAUL C.TETLOCK.Giving Content to Investor Sentiment： The Role of Media in the Stock Market.2007.62（3）

2.Statman F M.Investor Sentiment and Stock Returns.Financial Analysts Journal.2000.56（2）

3.Lee A.Smales.Asymmetric volatility response to news sentiment in gold futures.2015.34

4.Robert J.Shiller.Measuring Bubble Expectations and Investor Confidence.2000.1（1）

5.Statman F M.Investor Sentiment and Stock Returns.Financial Analysts Journal.2000.56（2）

6.Werner Antweiler， Murray Z. Frank. Is All That Talk Just Noise？ The Information Content of Internet Stock Message Boards.2004.59（3）

7.Johan Bollen，Huina Mao， Xiaojun Zeng.Twitter mood predicts the stock market.2011.2（1）

8.Robert P.Schumaker，Hsinchun Chen.Textual analysis of stock market prediction using breaking financial news.2009.27（2）

9.Soo，CindyK.Quantifying Sentiment with News Media across Local Housing Markets.Review of Financial Studies.2018

10.I-Chun Tsai.Wealth effect and investor sentiment.2016.38

11.Julia Freybote.Real estate sentiment as information for REIT bond pricing.2016.33（1）

12.Ma，Xu，Xu.Real Estate Confidence Index Based on Real Estate News.2018.54（4）

13.Marian Alexander Dietzel.Sentiment-based predictions of housing market turning points with Google trends.2016.9（1）

14.Heinig S，Nanda A.Measuring sentiment in real estate–a comparison study.Journal of Property Investment & Finance.2017.36（3）

15.Stephan Lang，Wolfgang Schaefers.Examining the sentiment-return relationship in European real estate stock markets.2015.8（1）

16.Jim Clayton，David C.Ling，Andy Naranjo.Commercial Real Estate Valuation： Fundamentals Versus Investor Sentiment.2009.38（1）

17.Jessica Roxanne Ruscheinsky，Marcel Lang， Wolfgang Sch?fers.Real estate media sentiment through textual analysis.2018.36（5）

18.Eddie Chi-man Hui，Ziyou Wang.Market sentiment in private housing market.2014.44

19.廖娟.房地產住宅市场投资者情绪对羊群行为的影响研究.湖南大学.2018

20.刘林 陈宁.市场投资者情绪与我国房价波动——基于Markov区制转换VAR模型的实证检验.数学的实践与认识.2017.47（22）

21.郑荣卿.市场情绪对商品住房市场交易的影响.中南财经政法大学.2017

22.李书忞.基于文本挖掘技术的我国房地产市场投资者情绪指数及对房价的影响研究.上海交通大学.2018

23.黄燕芬 洪文斌 余华义.市场情绪如何影响城市房价.经济理论与经济管理.2019.07

24.傅建球 张瑜.房地产商品的特殊性与市场调查方法研究.商业时代.2008.29

25.杨英.基于新闻媒体文本挖掘和百度指数的投资者情绪指数研究.哈尔滨工业大学.2017

作者简介：曾德珩，通讯作者，重庆大学管理科学与房地产学院教授，博士。

单艳，重庆大学管理科学与房地产学院硕士研究生。