小概率情形下投资者情绪效应分析

周文龙 ，杨 青

（1.复旦大学应用经济学博士后流动站，上海 200433；2.珠海复旦创新研究院金融创新发展中心，广东 珠海 519000；3.复旦大学经济学院，上海 200433）

一、引言

2020年，新冠肺炎疫情在全球范围爆发，国际金融市场陷入剧烈波动的阶段，美股甚至在短短数个交易日4次触发熔断机制。金融市场中，资产价格的波动实为常态。应辩证地看待金融市场的价格波动，一方面金融市场的价格波动传递了金融资产的相关信息，资产价格在波动中动态调整从而实现价格发现，在波动的过程中也为市场参与者提供了流动性；另一方面，过度的波动往往会扭曲资产价格，产生金融风险，对金融市场的稳定和安全形成挑战。其中，极端的资产价格波动发生概率虽小，但难以预测且极具破坏性，历来是学界、业界及监管部门关注的焦点。

纵观全球金融市场的历史长河，极端金融事件对有关国家和地区的金融稳定和安全产生了巨大的冲击。近年来，极端金融事件的爆发对中国资本市场的平稳运行构成了挑战。表1列出了全球金融市场和近年来中国资本市场的极端金融事件。随着国务院金融稳定发展委员会的设立，中国日益重视金融市场的健康发展，金融安全和稳定逐渐上升为国家战略。当前国际国内经济环境日趋复杂，新冠肺炎疫情引发的金融市场不确定性显著提升，“如何防控系统性金融风险，维护金融安全和稳定，提升中国金融市场国际影响力和竞争力，充分发挥金融服务实体经济的功能”成为经济新常态叠加新冠肺炎疫情影响背景下的重要课题。

表1 全球金融市场和近年来中国资本市场的极端金融事件

长期以来，中国经济持续稳定发展，经济基本面良好。但是，中国金融市场的不成熟和以个人投资者为主体的投资群体，使得市场更多表现出非理性的一面。纵然中国资本市场存在融券交易机制，但融券业务发展不充分，做空机制不完备，难以有效进行套利。套利的有限性促使投资者情绪能对资产价格产生冲击效应(Shleifer和Vishny，1997)，在此情况下，噪声交易者及其情绪化交易在中国资本市场的剧烈震荡中扮演了重要角色，投资者情绪和市场收益及其大幅波动有很强的关联性。

王美今和孙建军(2004)及张宗新和王海亮(2013)等国内学者在DSSW模型基础上进行改进，证实了投资者情绪在中国资本市场的效应。前人的研究为我们提供了有关投资者情绪对市场波动影响的丰富见解，却缺乏对极端情形下二者关系的研究。基于国内外现有的研究成果，假定极端情形下噪声投资者的比例会增加，即部分理性投资者会实现向噪声投资者的转变，从而作出非理性的投资决策，进而构建一个极端情形下的数理模型，发现极端情形下风险资产价格存在“正负反馈效应”，价格向极端方向发展。同时，采用日度数据实证检验了极端情形下投资者情绪对资产收益及收益波动的影响。GARCH模型结果表明，投资者情绪会助推极端行情的发展；当情绪变得更为低迷时，市场波动更为剧烈。分位数回归结果表明，投资者情绪会助推市场上涨，加剧市场下跌，极端条件下，投资者情绪对收益率的正向和负向影响越大；投资者情绪会加剧市场波动，极端条件下，情绪对波动率的正向影响越大。

本文的边际贡献在于进一步考察了极端情形下投资者情绪对收益率、波动率的影响，拓展了投资者情绪领域的研究。通过理论模型和实证检验，本文深入分析了极端情形下投资者情绪对收益率和波动率的效应，不仅有助于深化对投资者情绪效应的认识，而且对维护金融安全这一国家战略的实施有一定的启示。

本文结构安排如下：第二部分为文献综述；第三部分构建极端情形下的理论模型，研究投资者情绪对市场收益率和波动率的作用机制；第四部分为研究设计，说明数据来源和研究方法；第五部分实证检验极端情形下投资者情绪对市场收益及收益波动的影响；第六部分为研究结论与政策建议。

二、文献综述

行为金融理论并没有完全否认传统金融理论关于基本面影响资产价格波动的论断，而是同时关注投资者情绪在资产价格波动中的作用。部分投资者依据噪声信号进行非理性交易，被称为噪声交易者(Black，1986)。De Long等(1990)构建了噪声交易者模型，又称DSSW模型，发现噪声交易者的非理性交易促使资产价格背离基本面而波动。立足于中国资本市场的实际，国内学者拓展了DSSW模型，表明投资者情绪是影响资产价格波动的系统性因子(张强和杨淑娥，2009)。BSV模型(Barberis等，1998)和DHS模型(Daniel等，1998)从不同侧面论述了投资者情绪在资产定价过程中的作用。

投资者情绪对股票收益率的影响存在横截面效应，其对小盘股、年轻股、成长股、高波动率股等这类估值高度主观且难以有效套利的股票能够产生更大的效应。大量研究参照Baker和Wurgler(2006)的做法，选取市场成交量、股市新增开户数、封闭式基金折价率、IPO数量及首日收益率等投资者情绪代理变量，采用主成分分析法剔除异质成分，提取共同的投资者情绪成分，以此实证检验投资者情绪的效应。其中，Yu和Yuan(2011)检验了投资者情绪如何影响股票市场的风险—收益关系，发现在投资者情绪低迷期间，风险-收益的正向关系非常显著；然而，这种关系在投资者情绪高涨期间却不显著。Stambaugh等(2012)发现投资者情绪是引起横截面股票收益异象的关键因素之一，而且相对于投资者情绪低迷期间，投资者情绪高涨期间的市场异象更为显著。Devault等(2019)认为情绪指标度量了机构投资者而不是个人投资者的需求冲击。文凤华等(2014)分析了不同投资者情绪特征对股票价格行为影响的差异，研究表明不同于负面情绪和向下的情绪波动，正面情绪和向上的情绪波动对股票收益率存在显著的正向影响。杨青和周文龙(2019)从投资者情绪的视角考察了股权分置改革和次贷危机前后中美股市极端风险溢出效应的差异。

此外，从网络论坛文本信息和新闻中提取情绪的实证研究亦证实了投资者情绪在资产价格行为中的作用。Antweiler和Frank(2004)从Yahoo!Finance和RagingBull.com下载了2000年45家规模相对较大企业的大约150万条文本信息，发现网络论坛信息的正面冲击可以预测下一交易日的负收益，来源于网络信息的投资者情绪对于波动性和交易量有预测作用。GARCíA(2013)从《纽约时报》财经新闻栏提取市场情绪，证实股票收益率的可预测性集中于经济衰退时期。段江娇等(2017)采用计算机文本处理技术挖掘互联网论坛中的情绪成分，研究表明论坛情绪对股票交易量、收益率及波动率存在显著影响。部慧等(2018)基于股评构造的投资者情绪对股票交易量、收益率及波动率没有预测能力，但对交易量和收益率存在显著的当期影响。

从以上分析中可以看出，前人的研究为我们提供了关于投资者情绪与市场波动关联性的丰富见解，却缺乏对极端情形下二者关系的研究。下文通过理论模型和实证检验深入分析极端情形下投资者情绪对收益率和波动率的效应。

三、理论模型

基于DSSW模型，本文构造了一个代理人存活两期的迭代模型。本文研究的重点是极端情形下投资者情绪对市场收益及收益波动的影响。因此，与DSSW模型的不同之处在于，本文假定极端情形下噪声投资者的比例会增加，即部分理性投资者会实现向噪声投资者的转变，从而做出非理性的投资决策。

假设在资本市场上存在两种资产：无风险资产B和风险资产S，两种资产支付同样的股息r。无风险资产B一般以短期债券为代表，假定其价格为1，支付的股息r就是该资产的无风险利率。同时，无风险资产B是完全弹性供给的。风险资产S一般以股票为代表，它不是完全弹性供给的，假定其数量标准化为1，其在t时刻的价格为Pt。市场上存在两类投资者：理性投资者R和噪声投资者N。理性投资者具备专业的投资素养和技能，能准确感知所持有风险资产的收益发布。相较于理性投资者，噪声交易者依据不具备投资参考价值的噪声信号进行投资决策，他们通常把这类噪声信号理解为关于风险资产的信息，从而错误估计风险资产的收益分布。本章以mt来表示噪声交易者对风险资产收益的错误估计，mt服从均值为m*，方差为的正态分布，即。当，噪声交易者对风险资产的收益表现出偏乐观的情绪；当，噪声交易者偏向于悲观的情绪。

假设一般情形下，理性投资者和噪声交易者所占的比例分别为1-π和π。在极端情形下，部分理性投资者会受到市场氛围的影响和噪声交易者的感染，完成向噪声交易者的转变1在极端情形下，也可能会出现噪声交易者对风险资产收益极端化方向发展的预期更为强烈，即绝对值更大，从而其投资行为更为激进。这种情况与噪声交易者比例变动的情况本质上是一致的，考虑到模型的简洁性，本文理论建模的时候没有纳入这种情况。。在市场疯狂上升的阶段中，这部分投资者会由于过度自信(Odean，1998)和羊群效应(Lakonishok等，1992；Christie和Huang，1995；Wermers，1999；宋军和吴冲锋，2001)的作用下提升风险偏好。在市场崩溃的阶段，这部分投资者会因羊群效应而使其风险偏好下降。“同伴效应”2人们作决策的时候总是会参照周围的人，如购买时尚的衣服，这样一种“同伴效应”也会出现在金融领域的投资决策中，并对金融市场的稳定产生深刻影响。也可以解释极端情形下的这些现象(Bursztyn等，2014)。本文定义增加的这部分噪声投资者数量占比为Δπ，理性投资者和噪声交易者比例变为1-π-Δπ和π+Δπ。

理性投资者和噪声交易者都依据其对风险资产收益分布的信念选择投资组合来实现期望效用的最大化。两类投资者的效用函数都为常数绝对风险厌恶型，即

其中，i＝R或N，w表示他们在t+1期的财富水平，α表示绝对风险厌恶系数。

理性投资者对t+1期的期望财富水平如式(2)所示，

噪声投资者对t+1期的期望财富水平如式(3)所示，

以上两式中，L0表示劳动收入，E（Pt+1）表示对t+1期风险资产价格的期望，代表两类投资者对风险资产的需求量。两类投资者通过选择其对风险资产的需求量来实现期望效用的最大化，对式(1)最大化等价于对如下公式最大化，

对式(4)求最优，分别得到理性投资者和噪声交易者对风险资产的需求量表达式：

从以上两式可以看出，投资者对风险资产的需求量与期望收益(分子项)成正比，与表示风险的价格波动(分母项)成反比。式(6)与式(7)的区别在于式(7)后面的一项，从该项可以看出噪声投资者对风险资产收益的错误估计与其对风险资产需求量的关系。当，情绪乐观的噪声投资者会选择相对理性投资者更大的需求量。当，情绪悲观的噪声投资者倾向于持有相对更少的风险资产头寸。

极端情形下，理性投资者和噪声交易者比例为1-π-Δπ和π+Δπ，

通过整理式(8)，我们得到，

从上式中，我们可以看出噪声交易者的情绪（即mt）是影响风险资产价格的系统性因子，式(9)中分子的最后一项mtΔπ代表了极端情形与一般情形的区别，也就是说，极端情形下，风险资产价格存在“正负反馈效应”，价格倾向于向更为极端的方向发展。

四、研究设计

（一）数据来源

（二）研究方法

1.收益率的计算。日对数收益率定义为：

其中，Pt为股指第t日的收盘价，Pt-1为股指第t-1日的收盘价。

进一步，本文通过式(10)减去无风险利率得到日超额收益率，即

2.波动率的计算。不同研究人员常采用不同的波动率计算方法，而这可能会导致关于波动率的研究结果存在差异。因此，为了保证研究结论的稳健性，本文同时采用极差波动率和条件波动率来探究极端情形下波动率和投资者情绪之间的关联。

(1)极差波动率

参照Garman和Klass(1980)、Alizadeh等(2002)以及Diebold和Yilmaz(2009)的研究，本章采用股票指数的日最高价、日最低价、日开盘价和日收盘价来估计日极差波动率，计算公式为：

其中，Ht、Lt、Ot和Ct分别为第t日最高价、最低价、开盘价和收盘价的自然对数值。

(2)条件波动率

对于条件波动率，本文采用GARCH模型进行估计，详细说明见下述实证模型部分。

3.实证模型

为了实证检验极端情形与一般情形下收益率、波动率与投资者情绪的关系是否存在差异，本文采用在GARCH模型中引入虚拟变量和分位数回归模型这两种方法。

(1) GARCH模型中引入虚拟变量

参照宋军和吴冲锋(2001)、Brogaard等(2018)的做法，本文将日超额收益率曲线两端的极端收益率分离出来。表示日超额收益率的p分位数，p=0.01、0.05、0.1、0.9、0.95以及0.99。D(p)表示是否为极端情形的虚拟变量，当p=0.9、0.95或0.99且t期的日超额收益率时，，否则为0；当p=0.01、0.05或0.1且t期的日超额收益率时，，否则为0；

对极端情形进行界定后，本文将表示极端情形的虚拟变量引入GARCH模型中来研究极端情形下投资者情绪对市场收益及收益波动的影响，具体模型设定如下：

其中，式(13) 和式(14)分别为GARCH模型的均值方程和方差方程，表示上证综指、深证成指和创业板指的日度超额收益率，ht表示条件波动率，sentt表示投资者情绪指数，D(p)为上述定义的极端情形的虚拟变量，p=0.01、0.05、0.1、0.9、0.95以及0.99，at表示均值为0，方差为1的独立同分布序列。α1表示投资者情绪和日度收益率之间的关系，若α1显著不为零，则表明投资者情绪对日度收益率存在显著的影响。α2表示极端情形下投资者情绪对日度收益率影响的差异。若β1和β2显著大于零，则表示市场中存在“波动集聚”的现象。β3表示投资者情绪对市场波动率的影响，若β3显著不为零，则表明投资者情绪对收益波动存在显著的影响。β4表示极端情形下投资者情绪对条件波动率影响的差异。

(2)分位数回归模型

本文采用分位数回归模型，目的是分析极端情形和一般情形下投资者情绪对收益率、波动率的影响差异。Koenker和Bassett(1978)最早提出分位数回归模型，该方法基于因变量y的条件分布来拟合自变量x，是对均值回归进行的拓展。与最小二乘法只提供一个平均数的估计结果不同，分位数回归提供多个不同分位数的估计结果。同时，分位数回归不需要事先对变量服从的分布进行假定。线性分位数回归的模型设定如下：

分位数回归模型通过最小化误差的绝对值之和来求解特定分位数的估计量，最小化的函数如下：

上述公式中的y为被解释变量，文中为日超额收益率和极差波动率，X为解释变量的向量，文中只有投资者情绪这一个变量，q为估计的分位数，当q在(0，1)的区间范围内取不同值时，可以得到收益率、波动率与投资者情绪在不同分位数水平的关系，这对于本文研究极端情形具有重大意义。

五、实证结果与分析

（一）变量描述性统计及单位根检验

表2对主要变量进行了解释说明，表3为变量描述性统计。从表中可以看出，上证综指日度超额收益率均值为0.0002，小于深证成指和创业板指的0.0004和0.0003。从日度超额收益率的标准差和日度极差波动率的均值来判断，上证综指的波动小于深证成指和创业板指。这两方面的差异在于上证综指多为大盘权重股，而深证成指主要涵盖中小板股票，创业板则集中了中小型创业科技企业。

表2 主要变量的说明

表3 变量描述性统计

为避免伪回归问题，本文采用ADF法检验时间序列数据的平稳性。变量的单位根检验结果如表4所示，两个投资者情绪序列和三个日度超额收益率序列均是平稳序列，符合零阶单整I(0)。

表4 单位根检验结果

（二）GARCH模型回归结果

根据式(13)、式(14)及式(15)中的GARCH模型，本文实证检验极端情形下投资者情绪对收益率和波动率的影响。表5、表6及表7分别给出了上证综指、深证成指及创业板指的回归结果。

表5列出了上证综指在p=0.01、0.05、0.1、0.9、0.95以及0.99这6种极端情形的GARCH模型回归结果。在均值方程中，当p=0.99时，α1在1%的水平上显著为负，说明投资者情绪指数对上证综指日度超额收益率存在显著的负向影响，而α2在1%的水平上显著为正，说明极端情形下投资者情绪对日度超额收益率的影响存在显著差异，此时，投资者情绪对日度超额收益率的综合影响系数应为0.0138；当p=0.95和p=0.9时，系数α1和α2的结果与p=0.99时基本一致，投资者情绪对日度超额收益率的综合影响系数分别为0.0158和0.0162；当p=0.01时，α1在1%的水平上显著为负，说明投资者情绪指数对上证综指日度超额收益率存在显著的负向影响，α2也在1%的水平上显著为负，说明极端情形下投资者情绪对日度超额收益率的影响存在显著差异，此时，投资者情绪对日度超额收益率的综合影响系数应为-0.0232；当p=0.05和p=0.1时，系数α1均在1%的水平上显著为正，而α2均在1%的水平上显著为负，投资者情绪对日度超额收益率的综合影响系数分别为-0.0234和-0.0217。综合来看，投资者情绪会对极端上涨行情起到推动作用，而当市场处于极端下跌阶段，投资者情绪会加剧市场的下跌。在方差方程中，β1和β2均在1%的水平上显著，而系数的大小不稳定，无法说明市场中存在“波动集聚”的现象；β3均在1%的水平上显著为正，说明投资者情绪会起到加剧市场波动的作用；β4均在1%的水平上显著为负，当投资者情绪向更为低迷的方向发展时，市场波动也会更加剧烈。

表5 上证综指GARCH模型回归结果

表6列出了深证成指在p=0.01、0.05、0.1、0.9、0.95以及0.99这6种极端情形的GARCH模型回归结果。在均值方程中，当p=0.99时，α1在1%的水平上显著为负，说明投资者情绪指数对深证成指日度超额收益率存在显著的负向影响，而α2在1%的水平上显著为正，说明极端情形下投资者情绪对日度超额收益率的影响存在显著差异，此时，投资者情绪对日度超额收益率的综合影响系数应为0.0127；当p=0.95和p=0.9时，系数α1和α2的结果与p=0.99时基本一致，投资者情绪指数对日度超额收益率的综合影响系数分别为0.0156和0.0152；当p=0.01时，α1在1%的水平上显著为负，说明投资者情绪指数对深证成指日度超额收益率存在显著的负向影响，α2也在1%的水平上显著为负，说明极端情形下投资者情绪对日度超额收益率的影响存在显著差异，此时，投资者情绪对日度超额收益率的综合影响系数应为-0.0255；当p=0.05时，系数α1在5%的水平上显著为负，α2在1%的水平上显著为负，投资者情绪对日度超额收益率的综合影响系数为-0.0260；当p=0.1时，系数α1在10%的水平上显著为正，α2而在1%的水平上显著为负，投资者情绪对日度超额收益率的综合影响系数为-0.0233。综合来看，投资者情绪会对深证成指极端上涨行情起到推动作用，而当市场处于极端下跌阶段，投资者情绪会加剧市场的下跌。在方差方程中，β1和β2均在1%的水平上显著，系数的大小也不稳定，无法说明市场中存在“波动集聚”的现象；β3均在1%的水平上显著为正，说明投资者情绪会起到加剧市场波动的作用；β4均在1%的水平上显著为负，当投资者情绪向更为低迷的方向发展时，市场波动也会更加剧烈。

表6 深证成指GARCH模型回归结果

表7列出了创业板指在p=0.01、0.05、0.1、0.9、0.95以及0.99这6种极端情形的GARCH模型回归结果。在均值方程中，当p=0.99时，α1在1%的水平上显著为负，说明投资者情绪指数对创业板指日度超额收益率存在显著的负向影响，而α2在5%的水平上显著为正，说明极端情形下投资者情绪对日度超额收益率的影响存在显著差异，此时，投资者情绪对日度超额收益率的综合影响系数应为0.0152；当p=0.95和p=0.9时，系数α1均在5%的水平上显著为负，而α2并不显著异于零；当p=0.01和p=0.05时，α1均在1%的水平上显著为负，说明投资者情绪指数对创业板指日度超额收益率存在显著的负向影响，α2均在1%的水平上显著为正，说明极端情形下投资者情绪对日度超额收益率的影响存在显著差异；当p=0.1时，系数α1不显著，而α2在1%的水平上显著为负；综合来看，投资者情绪对极端上涨行情的推动作用在p=0.99时显著，而投资者情绪加剧极端市场下跌的作用在p=0.1时显著。在方差方程中，β1和β2均在1%的水平上显著为正，说明创业板市场中存在“波动集聚”的现象；β3均在1%的水平上显著为正，说明投资者情绪会起到加剧市场波动的作用；β4仅在p=0.1时显著小于零，极端情形下投资者情绪对创业板市场波动率的影响差异不明显。

表7 创业板指GARCH模型回归结果

（三）分位数回归估计结果

为了分析极端情形和一般情形下投资者情绪对收益率、波动率的影响差异，本文采用非参数的分位数回归模型进行研究。当q在(0，1)的区间范围内取不同值时，可以得到收益率、波动率与投资者情绪在不同分位数水平的关系。本文取了从0.01至0.99的13个不同分位点，在不同分位点的估计结果存在明显差异。

表8给出了上证综指、深证成指及创业板指日度超额收益率对投资者情绪指数分位数回归的估计结果。在p=0.01的分位点上，投资者情绪对上证综指、深证成指及创业板指日度超额收益率的影响均在1%的水平下显著为负，回归系数最小，分别为-0.0375、-0.0393和-0.0345；从0.05直到0.5的分位点上，回归系数均在1%的水平下显著为负，回归系数的绝对值呈现递减趋势，说明在市场下跌阶段，投资者情绪会加剧股票指数的下跌，在极端的条件下，投资者情绪对股票指数收益率的负向影响更大。在p=0.99的分位点上，投资者情绪对上证综指、深证成指及创业板指日度超额收益率的影响均在1%的水平下显著为正，回归系数最大，分别为0.0203、0.0179和0.0204；从0.6至0.9的分位点上，回归系数均在1%的水平下显著为正，回归系数的绝对值呈现递增趋势，说明在市场上涨阶段，投资者情绪会助推股票指数的上涨，在极端的条件下，投资者情绪对股票指数收益率的正向影响更大。此外，对比上涨阶段和下跌阶段回归系数的绝对值，发现投资者情绪对收益率的影响存在非对称性，投资者情绪在下跌阶段的影响更大。

表8 超额收益率对投资者情绪分位数回归估计结果

注：括号中数字为估计系数的t值；*、**、***分别表示在10%、5%和1%的水平上显著。

表9给出了上证综指、深证成指及创业板指日度极差波动率对投资者情绪指数分位数回归的估计结果。由于极差波动率数值较小，估计的回归系数也较小。为了更好地观察极端情形与一般情形下投资者情绪对波动率影响的差异，表中给出的回归系数均为原值的100倍。在p=0.01的分位点上，投资者情绪对上证综指、深证成指及创业板指日度极差波动率的影响均在1%的水平下显著为正，回归系数最小，分别为0.0005、0.0002和0.0014；在p=0.99的分位点上，投资者情绪对上证综指日度极差波动率的影响在1%的水平下显著为正，回归系数最大，达到0.0603，投资者情绪对深证成指和创业板指日度极差波动率的影响不显著；投资者情绪对深证成指和创业板指日度极差波动率的影响在p=0.95分位点上达到最大，回归系数分别为0.0212和0.0311，均在1%的水平下显著；从0.05至0.9的分位点上，回归系数均在1%的水平下显著为正，回归系数的数值呈现递增趋势，说明投资者情绪会加剧股票指数的波动，在极端的条件下，投资者情绪对日度极差波动率的正向影响更大。

表9 极差波动率对投资者情绪分位数回归估计结果

注：估计系数均为原值的100倍；括号中数字为估计系数的t值；*、**、***分别表示在10%、5%和1%的水平上显著。

六、结论与政策建议

本文的主要内容和结论体现在以下两方面：

一是在DSSW模型的基础上对极端情形下资产价格行为与投资者情绪的关联进行理论建模。与DSSW模型的不同之处在于，本文假定极端情形下噪声投资者的比例会增加，即部分理性投资者会实现向噪声投资者的转变，从而做出非理性的投资决策，导致风险资产价格存在“正负反馈效应”，价格倾向于向更为极端的方向发展。

二是采用在GARCH模型中引入虚拟变量和分位数回归这两种方法实证检验极端情形下投资者情绪对资产收益率和波动率的冲击效应。GARCH模型回归结果表明，极端情形下投资者情绪对日度超额收益率和波动率的影响存在显著差异，投资者情绪会对极端上涨行情起到推动作用，而当市场处于极端下跌阶段，投资者情绪会加剧市场的下跌；当投资者情绪向更为低迷的方向发展时，市场波动也会更加剧烈。上证综指、深证成指及创业板指日度超额收益率对投资者情绪指数分位数回归的估计结果表明，在市场上涨阶段，投资者情绪会助推股票指数的上涨，在极端的条件下，投资者情绪对股票指数收益率的正向影响更大；在市场下跌阶段，投资者情绪会加剧股票指数的下跌，在极端的条件下，投资者情绪对股票指数收益率的负向影响更大。上证综指、深证成指及创业板指日度极差波动率对投资者情绪指数分位数回归的估计结果表明，投资者情绪会加剧股票指数的波动，在极端的条件下，投资者情绪对日度极差波动率的正向影响更大。

本文通过理论模型和实证检验证实了极端情形下投资者情绪对股票市场收益率和波动率的冲击效应。因此，为了维护中国金融安全和稳定，守住不发生系统性金融风险的底线，提升中国金融市场国际影响力和竞争力，充分发挥金融服务实体经济的功能，本文认为可以从以下两方面着手：其一，构建良好的金融市场生态体系，稳固市场稳定运行的基础。其对应的具体措施有稳步推进资本市场存量和增量式注册制改革、鼓励长期资金入市、发力培育机构投资者、完善融券交易等做空机制；其二，针对极端下跌情形尤其是危机时刻，宜采取坚定的救市措施稳定市场情绪以防“负反馈效应”。