新闻情绪风险与股票收益

顾洪梅 张嫚玲

一、引言与文献综述

风险与收益的关系是现代资产定价的核心问题，近年来“低风险定价异象”(low risk anomalies)受到学者们的广泛关注，它挑战了传统的资本资产定价模型所给出的结论。资本资产定价模型(capital asset pricing model，CAPM)用市场贝塔代表市场风险，并得出高市场风险的股票会获得较高收益的结论。然而，随着研究的深入，一些学者得到了相反的结论，他们认为高风险不一定会带来高收益，高贝塔股票对应的超额收益更低，这类现象现在统称为“低风险定价异象”。从不同视角度量风险并研究风险收益关系，会给人们更全面的认识，比如市场风险(Hong和Sraer，2016[1]；Bali等，2017[2])、总体风险(Yu和Yuan，2011[3])等。新闻情绪传播范围较广，不受地域限制，因此新闻情绪是影响投资者决策的一个重要指标，进而影响股票收益。但目前鲜有学者从新闻情绪风险角度出发研究风险和收益之间的关系，因此本文拟从新闻情绪风险的角度出发，研究中国股票市场新闻情绪的低风险定价异象问题。

新闻情绪风险是本文参照市场贝塔的概念提出的。一些学者提出情绪贝塔，并用情绪贝塔代表情绪风险，本文从新闻视角进行研究，构建新闻情绪指标，用新闻情绪贝塔来代表新闻情绪风险。一些研究表明，投资者情绪会对资产价格产生影响(杨晓兰等，2016[4]；尹海员和吴兴颖，2019[5])。此外，一些学者发现，媒体新闻情绪对股票收益存在显著的影响。张祚超等(2021)[6]发现，媒体新闻对股市收益波动存在显著的正向影响。陆沁晔和陈昊(2021)[7]通过构建媒体报道综合指标，分析了媒体报道对股价波动的影响，结果表明一些投资者会根据媒体新闻构建信息框架，因此媒体新闻直接影响投资者决策并引发股价波动。尽管一些文献已经开始关注情绪贝塔对股票收益的影响(Glushkov，2006[8]；Berger和Turtle，2012[9]；Liang，2016[10]；王珏和陈永帅，2018[11]；黄波和方茜，2019[12])，比如王珏和陈永帅(2018)[11]分析了情绪贝塔对股票收益率及证券投资基金持股行为的影响，结果表明情绪贝塔与股票收益率呈负相关关系，而且证券投资基金更愿意持有情绪贝塔较高的股票。但是多数学者只关注到了市场情绪贝塔，新闻情绪贝塔还未引起学者们的广泛关注。

个股新闻情绪是根据各公司的新闻数量构建得到，每个公司有自己的新闻情绪，而市场情绪是依据全市场指标构建的总体情绪。因此，相较于总体市场情绪，新闻情绪具有个性化特征，对投资者的影响也存在差异。新闻情绪主要有如下三个方面特征：一是与市场情绪相比，新闻情绪传播性更广。新闻情绪作为意见领袖很容易大范围地扩散，不断被重复、强化并放大，与此同时，公众对新闻传播存在认知预设心理，会对新闻的客观性、权威性进行不断的心理暗示(游家兴和吴静，2012[13])。作为公开信息，新闻受到投资者的广泛关注。二是新闻情绪与其他媒体(如社交媒体)中的情绪相比，客观性更强，影响力更大。因为新闻发布主体往往是官方代表或相对独立的第三方，是官方发布正式信息的重要渠道。三是个股新闻情绪比市场情绪更能反映出公司的差异化特征。媒体不仅是信息的载体，也是改变投资者信念的重要因素之一(黄宏斌等，2017[14])。新闻内容及新闻情绪会对投资者产生影响，投资者在新闻情绪的推动下做出非理性行为，改变投资者决策并进一步影响股票市场。此外，新闻情绪的来源是各公司新闻，虽然影响投资者情绪，但投资者情绪无法代表新闻情绪，因而研究新闻情绪对股票市场的影响具有重要意义。本文关注新闻情绪风险对股票收益的影响，发现了中国股票市场新闻情绪的低风险定价异象，也为投资者提供一个制定投资组合策略的新思路。投资者可以关注公司的相关新闻，并根据公司规模、上市时间等公司特征判断新闻情绪风险，进而制定投资组合策略。同时，本文为后续新闻情绪风险的研究提供了一定参考。

本文构建新闻情绪贝塔代表新闻情绪风险，并进一步分析新闻情绪风险对股票收益的影响。为了分析新闻情绪风险的作用，本文首先根据不同类别的新闻数量，构建个股新闻情绪指数；接着利用滚动回归的方法测度新闻情绪贝塔，以代表新闻情绪风险。本文根据新闻情绪贝塔值的大小将股票分为5组进行研究，结果表明无论是从等权重的角度还是市值加权的角度，新闻情绪贝塔较低的投资组合都具有更高的超额收益和alpha值(1)包含CAPM模型、Fama-French三因子模型和Fama-French五因子模型的alpha值。，即新闻情绪风险较低的投资组合拥有更高的超额收益。此外，本文通过Fama-Macbeth横截面回归，发现新闻情绪贝塔对股票超额收益存在显著的负向影响，即新闻情绪风险低的股票会获得更高的超额收益。本文发现中国股票市场具有新闻情绪风险的低风险定价异象。此外，本文发现，承担较高新闻情绪风险的公司具有更高的市场风险和波动性，同时这些公司还具有市值较小、上市时间较短的特征。进一步，在控制了公司特征以后，本文发现新闻情绪风险零投资组合(Low-High)在统计上依旧显著。

与已有文献相比本文可能的贡献如下：第一，本文从新闻情绪的角度出发，使用新闻文本数据构建新闻情绪并在其基础上衡量新闻情绪贝塔，代表新闻情绪风险。第二，本文对新闻情绪风险与股票收益之间的关系进行分析，结果表明新闻情绪风险越低，收益越高，即承担较低新闻情绪风险的公司会获得更高的超额收益。第三，本文发现了中国股票市场新闻情绪的低风险定价异象，大多数文献仅从市场情绪的角度研究市场情绪风险与股票市场之间的关系，鲜有学者从新闻情绪风险的角度出发进行相关研究。因此，本文对新闻情绪风险和股票市场之间的关系进行深入研究，为后续新闻情绪风险的相关研究提供一定参考。

二、理论分析与研究假设

本文构建新闻情绪贝塔代表新闻情绪风险，研究中国股票市场新闻情绪的低风险定价异象，以期帮助投资者更好地制定投资组合策略。以往文献大多从市场情绪角度出发，虽然证明了市场情绪贝塔对股票收益存在影响，但忽略了新闻情绪的重要作用。为了分析新闻情绪风险与股票市场的关系，本节将从两个视角进行深入研究，首先分析情绪风险与市场风险的关系，进而得到不同情绪风险的股票特征；进一步分析新闻情绪风险对超额收益的影响，以检验中国股票市场新闻情绪的低风险定价异象，并提出相关研究假设。

(一)情绪风险与市场风险

Glushkov (2006)[8]首次提出了情绪贝塔这一概念，指的是股票收益对情绪变化的敏感程度，在公式中体现为收益对情绪变化回归的系数。此后，越来越多的学者关注到情绪贝塔这一概念，在Glushkov(2006)[8]的基础上进一步研究市场情绪贝塔对股票市场的影响，结果表明，情绪贝塔不同的股票在规模、波动性等方面具有不同的特征，而且情绪贝塔较高的股票更容易被错误定价。因此，本文参照市场贝塔的概念，用情绪贝塔代表情绪风险。

情绪贝塔较高的股票其波动性也会相对较高，因为它们的情绪风险更高，对情绪更加敏感，更容易受外界因素的影响。Berger和Turtle (2012)[9]发现市场情绪贝塔较高的股票具有规模小、上市时间短、波动性大的特征。宋泽芳和李元(2012)[15]发现，波动率较高的股票更容易受情绪的影响，同时也承担了更多的市场风险，即波动率较高的股票拥有更高的情绪风险和市场风险。D’Avolio (2002)[16]发现，波动较大的股票往往对市场情绪的变化更为敏感，即该类股票的市场情绪贝塔值更高。此外，由于散户投资者的情绪相比机构投资者来说更为敏感，因此散户投资者投资组合情绪贝塔值更高，其市场贝塔值也超过平均值，即情绪贝塔较高的投资组合也具有较高的市场贝塔值(Barber和Odean，2000[17])。综上，承担情绪风险较多的公司也承担了较多的市场风险，它们往往波动较大。

许多研究表明，上市时间较短的公司股票可能承担了更多的情绪风险，其情绪贝塔值更高，并具有难以估值和市值较低的特点。Baker和Wurgler(2007)[18]发现，上市时间较短的股票对投资者情绪更为敏感，更容易受到情绪的影响，即情绪贝塔较高的股票往往表现出上市时间较短的特征，这类股票由于上市时间晚，历史较短，因此很难应用传统的估值模型来估计盈利。D’Avolio (2002)[16]发现，这类难以估值的新股，不仅情绪贝塔值较高，而且其对应的市值也较低，即情绪风险较高的股票同时具有上市时间短、市值较低的特点。Berger和Turtle (2012)[9]也发现，对投资者情绪敏感度较高的股票往往难以套利，这类股票的共同特征是上市时间较短、市值较低。他们证明了上述观点，即高情绪贝塔的股票，具有上市时间短、市值较低的特点。

以往文献将公司按照市场情绪风险大小的不同进行分组，并进一步分析不同投资组合的特征。尽管学者们已经关注到情绪风险，但多数研究只关注了市场情绪风险，往往忽略了新闻情绪角度。新闻情绪风险同样是一个十分值得研究的内容，为了更加全面地考虑新闻情绪风险对股票收益的影响，本文拟从新闻情绪角度出发，衡量新闻情绪风险并分析不同新闻情绪风险投资组合的特征。由于新闻情绪贝塔和其他以往文献使用的市场情绪贝塔均代表情绪风险，表示对情绪的敏感程度，从风险定义的角度来看具备一定的共性。基于此，本文提出假设1。

H1：与低新闻情绪风险的股票相比，高新闻情绪风险的股票具有市场贝塔较高的特点，同时还具有波动性较大、市值较小、上市时间较短等特征。

(二)新闻情绪风险与超额收益

新闻情绪风险较高的股票往往市场风险也较高，那么是否高风险一定会带来高收益呢？本文拟从低风险定价异象和新闻情绪自身特点展开相关分析。

理性预期是在有效地利用一切信息的前提下，对经济变量做出的在长期中平均说来最为准确的，而又与所使用的经济理论、模型相一致的预期。但现实中，人们并不都是理性的。资本资产定价模型(CAPM)利用市场贝塔衡量股票的市场风险(即系统性风险)，并得到了高市场贝塔股票有更高的收益这一结论，也就是说承担高风险的股票应当获得更高的收益。一些学者也从情绪风险的角度得到了类似的结论，即市场情绪贝塔较高的股票有着更高的超额收益，因为高情绪贝塔意味着该公司承担了更多的情绪风险(Baker和Wurgler，2007[18])。

随着研究的深入，一些学者得到了相反的结果，他们发现，市场贝塔较高的股票呈现出较低超额收益的特征，即存在低风险定价异象(Frazzini和Pedersen，2014[19]；Baker等，2011[20])。姜富伟等(2021)[21]基于大数据构建智能动态CAPM模型，并解释了中国低风险定价异象。周爱民和遥远(2019)[22]从异质信念和投资者情绪的角度证明中国股票市场低风险定价异象的存在性。本文拟深入研究中国股票市场是否存在新闻情绪的低风险定价异象。

本文在新闻情绪指数的基础上进一步构建新闻情绪贝塔指数，代表公司承担的新闻情绪风险。如果公司对新闻的反应强烈则可以认为其承担了较高的新闻情绪风险，对新闻情绪的敏感度越高，同时对应的新闻情绪贝塔指数也越高，反之相反。公司对新闻的敏感程度在一定程度上会影响股票收益。对投资者情绪高度敏感的股票更容易被错误定价，较高的信息不对称加强了情绪驱动的错误定价效应(Liang，2016[10])。从新闻的角度来说，低新闻情绪贝塔的公司意味着他们对外界的新闻并不敏感，即公司本身更加稳定，承担较低的新闻情绪风险。因此，相比新闻情绪贝塔较高的公司来说，这些公司波动较小，更不容易受外界的影响，进而拥有更高的超额收益和alpha值。基于此，本文提出假设2。

H2：新闻情绪风险较低的投资组合具有更高的超额收益。即具有最低新闻情绪贝塔的投资组合的股票，比具有最高新闻情绪贝塔投资组合的股票，具有更高的超额收益和alpha值。

三、变量选取与指标构建

本文新闻量化统计数据来自中国研究数据服务平台(CNRDS)中的中国上市公司财经新闻数据库(CFND)模块(2)CFND是国内首个采用人工智能算法来采集、整理和分析上市公司财经新闻的大数据数据库，其数据来源涵盖400多家网络媒体和600多家报纸刊物，可以更加准确地识别新闻情感。，构建市场情绪数据及股票市场数据来自Wind数据库和CSMAR数据库。样本来自全部沪深上市公司，去除金融、ST和缺失数据的公司，样本数量达1 153家公司，样本时间为2005年4月— 2020年2月(3)2005年4月为中国股份制改革的时间。。

(一)新闻情绪与新闻情绪风险

本文分两步构建新闻情绪，第一步是根据新闻数量构建新闻指数；第二步是将剔除宏观经济因素后的新闻指数定义为新闻情绪。新闻指数通过新闻量化统计数量计算，包含积极新闻、消极新闻和中性新闻。公司i第t月的个股新闻指数如下：

newsindexi,t=(posi,t-negi,t)/(posi,t+neui,t+negi,t)

(1)

其中，newsindexi,t为公司i第t月的新闻指数，posi,t为公司i第t月的积极新闻数量，negi,t为公司i第t月的消极新闻数量，neui,t为公司i第t月的中性新闻数量。

本文进一步剔除新闻指数中的宏观经济因素，具体如公式(2)所示，其中CPI为消费者物价指数，PPI为生产价格指数，MBCI为宏观经济景气指数，三者与新闻指数回归后的残差为新闻情绪sentnewsi,t。

(2)

借鉴一些学者构建市场情绪贝塔指数代表市场情绪风险的方法(Glushkov，2006[8]；Berger和Turtle，2012[9]；黄波和方茜，2019[12]；胡昌生等，2020[23])，本文选用滚动回归的方法，并选择60个月的滚动窗口，估计出每只股票的新闻情绪贝塔值，表示新闻情绪风险。在滚动回归后，本文的样本时间从2005年4月—2020年2月变为2010年3月—2020年2月。参照Glushkov(2006)[8]以及胡昌生等(2020)[23]的方法，在控制了其他风险因素的基础上测度新闻情绪贝塔，公式如下：

(3)

其中，Ri,t是公司i在第t月的股票收益率，Rf,t是第t月的无风险收益率，Rmrft是市场超额收益率，Smbt是市值因子，Hmlt是账面因子，Liqi,t是公司i在第t月的流动性。在流动性指标的选择上，参照徐加根和何家璇(2022)[24]，选择了Amihud非流动性指标。Δsentnewsi,t是公司i在第t月的新闻情绪变化，新闻情绪变化等于公司i在第t月的新闻情绪减第t-1月的新闻情绪，βi,t为公司i在第t月的新闻情绪变化的系数。由公式(3)可以看出，当βi,t大于零时，若Δsentnewsi,t大于零(即新闻情绪正向变化)，则提高了股票超额收益，若Δsentnewsi,t小于零(即新闻情绪负向变化)，则降低了股票超额收益；当βi,t小于零时，情况相反。

新闻情绪风险表示股票超额收益对新闻情绪变化的敏感程度，βi,t的符号代表引起收益变动的方向。本文将新闻情绪变化的系数βi,t取绝对值作为新闻情绪贝塔值sentbeta，即用取绝对值后的sentbeta代表新闻情绪风险的大小，因为风险大小与收益变动方向无关，仅与幅度大小有关。这样做也可以保证后续根据sentbeta的大小对公司进行分组时，分在同一组的公司对新闻情绪的敏感程度相近；如果直接根据βi,t对公司进行分组，那么敏感程度相同但符号相反的两个公司会被分到不同的组，导致结果出现偏误。

(二)市场情绪

市场情绪反映了投资者对整个市场的态度，对于每只股票来说市场情绪都是一样的。个股新闻情绪反映了投资者对特定股票新闻的乐观或悲观态度，每家公司都有自己的新闻情绪。本文借鉴Baker和Wurgler (2006)[25]对情绪的衡量方法，考虑到中国股票市场的数据，借鉴易志高和茅宁(2009)[26]，最终选取以下5个源指标：

1.封闭式基金折价率(DCEF)。

封闭式基金折价率是指行情基金按照基金份额加权的综合折价率，不仅能够表现出基金的活跃状况，还可以在一定程度上体现投资者对市场的判断，因此可以反映市场情绪的变化。本文选用封闭式基金折价率的月度数据进行研究。

2.上月交易量(VOL)。

上月交易量是指上月交易金额与流通市值的均值比，交易量可以反映市场的流通性。市场流通性较高时，投资者积极参与交易，交易量增加，反之相反。因此，交易量可以作为市场情绪的代理指标。本文选用月度数据进行研究。

3.上月新增投资者开户数(NIA)。

由于我国股票市场还处在发展过程中，因此上月新增投资者开户数可以反映我国股票市场上投资者的参与度，进而反映出市场情绪。当新增投资者开户数较多时，说明投资者积极参与市场，市场情绪高涨，反之市场情绪低落。本文使用上月新增投资者开户数的自然对数形式。

4.消费者信心指数(CCI)。

消费者信心指数由国家统计局编制，已有学者表明消费者信心指数能够较好地反映投资者情绪(易志高和茅宁，2009[26])，因此本文选用消费者信心指数作为市场情绪的代理指标。本文使用月度数据进行分析。

5.IPO数量(NIPO)。

IPO数量为每月首次公开发行募集资金数量，能够较好地反映出市场情况，当IPO数量较高时说明市场积极参与，市场情绪较高，反之较低。因此IPO数量可以作为市场情绪的代理指标。本文选用IPO月度数据进行分析。

由于以上市场情绪代理指标中均可能包含宏观经济基本面成份，因此本文将以上指标进行标准化处理后(转化为均值为0，标准差为1的数据)，进一步剔除了宏观经济因素(包含生产价格指数、消费者物价指数以及宏观经济景气指数)的影响，并利用主成分分析法构建市场情绪sentmt。

(三)其他变量

其他变量包含股票市场数据和公司特征数据。股票市场数据包括个股月度收益率retm、无风险收益率rft、市场超额收益率Rmrft、市值因子Smbt、账面因子Hmlt、盈利能力因子Rmwt和投资因子Cmat。公司特征数据，包括公司规模sizei,t、公司上市时间agei,t、股票价格pricei,t、市场风险marketbetai,t、股票波动率voli,t、公司流动性指标Liqi,t以及公司信息透明度指标Opacityi,t。

表1报告了相关变量的描述性统计。新闻情绪风险变量sentbeta值的大小表示公司对新闻情绪变化的敏感程度，其值越接近零，说明股票超额收益率对新闻情绪敏感度越低。从表1可知，新闻情绪风险的最小值是0.001 0，最大值高达37.262 6，这说明不同公司对新闻情绪的敏感程度有显著差别，即各公司承担的新闻情绪风险差别较大。从公司承担的市场风险marketbeta来看，市场风险最小值为-1.686 0，最大值为5.007 5。可见本文选择的样本公司特征差异较大，比较全面地覆盖到各种特征公司，所得到的结果更加具有代表性。

表1 变量的描述性统计结果

四、实证分析

(一)市场情绪和新闻情绪的比较

本文将市场情绪和新闻情绪对个股收益率进行回归，选择Fama-French三因子和五因子作为控制变量进行回归，回归结果如表2所示。表2的列(1)～列(4)为Fama-French三因子模型的回归结果，列(5)～列(8)为Fama-French五因子模型的回归结果。由表2可知，单独将市场情绪或新闻情绪添加到Fama-French三因子模型后，市场情绪和新闻情绪对个股收益率均有显著的影响，如列(2)和列(3)所示，但将二者同时加入Fama-French三因子模型后，市场情绪对个股收益率的影响不显著，但新闻情绪对个股收益率的影响依旧显著，如列(4)所示。此外，将个股新闻情绪添加到Fama-French三因子模型后，调整的R方提高了0.005 0，而将市场情绪添加到Fama-French三因子模型后，调整的R方仅提高了0.000 1，新闻情绪提高的R方是市场情绪提高的R方的50倍，进一步说明了新闻情绪对个股收益率的影响较市场情绪的影响更为显著。Fama-French五因子模型和Fama-French三因子模型得到的结果是类似的，将新闻情绪和市场情绪同时加入模型后，市场情绪对个股收益率的影响不显著，且新闻情绪加入模型对R方的提高程度明显高于市场情绪加入模型对R方的提高程度。

表2 市场情绪、新闻情绪与股票收益率的回归结果

由此可见，新闻情绪的解释能力更高，说明本文所构建的新闻情绪能够较好地解释股票收益率。因此，本文将进一步构建新闻情绪贝塔指数来代表新闻情绪风险，分析新闻情绪风险与收益的关系，并解释中国股票市场的低风险定价异象。

(二)不同新闻情绪风险投资组合的公司特征

为了分析不同新闻情绪风险投资组合的收益及其相关特征，本文利用分组的方法进行研究。本文将1 153 家公司按新闻情绪风险的大小由低到高进行排序并五等分，构造五个投资组合，以及买入最低新闻情绪风险组合、卖空最高新闻情绪风险组合的零投资组合(Low-High)。为了证明分组的合理性，本文对组合5(High组)和组合1(Low组)的公司特征进行了组间差异性检验，结果表明除等权收益率的组间差异在5%的水平上显著外，其他变量的组间差异均在1%的水平下显著。各组投资组合的相关公司特征见表3。

观察表3可知，不同新闻情绪风险投资组合的平均收益率存在较为明显的趋势变化，Low组的平均收益率为0.98%，High组的平均收益率为0.71%，Low和High组的平均收益率相差0.27%，且在5%的水平上显著。相比较而言，Low组的市值加权收益率为1.54%，High组的市值加权收益率为1.30%，两组相差0.24%。无论是平均收益率还是市值加权收益率，Low组到High组均呈现较为明显的单调递减特征。这说明新闻情绪风险越高的投资组合，其收益率反而较低。进一步比较各组投资组合的其他公司特征，本文发现，Low组的平均公司规模为25.76百万元，High组的平均公司规模为6.47百万元，两组相差19.29百万元，Low组比High组有更大的公司规模。Low组的平均上市时间为6 272天，High组为6 165天，两组相差107天，相比较而言，Low组比High组有更长的上市时间。Low组的平均股票价格为11.17元，High组的平均股票价格为15.48元，两组相差4.31元，Low组比High组有更低的股票价格。即新闻情绪风险较低的公司，呈现出市值较高、上市时间较长、股票价格更低的特点。此外，新闻情绪风险较高的公司，其市场风险和波动性也均更低。综上，低新闻情绪风险的公司具有高收益率的特征，这初步表明中国股票市场具有新闻情绪风险的低风险定价异象。

表3 个股新闻情绪风险投资组合公司特征

(三)不同新闻情绪风险投资组合的超额收益

为了研究中国股票市场是否存在新闻情绪风险的低风险定价异象，本文进一步比较不同新闻情绪风险投资组合之间的超额收益和alpha值的大小。根据市场因子、Fama-French三因子和Fama-French五因子对每组投资组合的超额收益进行回归，分别得到CAPM模型、Fama-French三因子模型以及Fama-French五因子模型的alpha值。具体公式如下：

Rirfp,t=Rp,t-Rf,t

(4)

(5)

(6)

(7)

其中，Rp,t为投资组合p在t月的平均收益率或市值加权收益率，Rirfp,t为根据公式(4)计算得到的投资组合超额收益率。公式(5)～公式(7)分别为CAPM模型、Fama-French三因子模型以及Fama-French五因子模型。将通过公式(4)计算得到的投资组合超额收益率代入公式(5)～公式(7)中，可以分别得到CAPM模型、Fama-French三因子模型以及Fama-French五因子模型的alpha值，结果见表4。

表4 不同新闻情绪风险投资组合的超额收益和alpha值

表4中，A为等权重组合的结果，B为市值加权组合的结果，Low-High为零投资组合的结果。由表4可知，等权重组合的超额收益率和CAPM模型、Fama-French三因子模型、Fama-French五因子模型的alpha部分显著，但市值加权投资组合的超额收益率和alpha大多在1%的水平上显著。结果显示，各组的超额收益率和alpha值从Low组到High组总体上呈现较为明显的下降趋势，说明新闻情绪风险低的股票投资组合比新闻情绪风险高的股票投资组合拥有更高的超额收益，这表明中国股票市场存在低新闻情绪风险异象。具体来看，由B可知，零投资组合中，超额收益率的alpha值为0.24%，CAPM模型的alpha值为0.26%，Fama-French三因子模型的alpha值为0.68%，Fama-French五因子模型中的alpha值为0.57%，且均显著，B从市值加权收益率的角度说明了中国股票市场的低新闻情绪风险异象的存在。

新闻情绪风险较低的投资组合反而有着更高的超额收益，这与其他情绪研究的结论并不相同。以往文献表明，情绪风险(贝塔)较高的投资组合具有更高的超额收益，符合高风险高收益的特征(Yang和Hu，2021[27])。由于互联网新闻发布较快，而且不受地域限制，是投资者获取信息的主要来源之一，因此新闻内容及新闻表达的情绪对投资者有着较为显著的影响。新闻情绪与其他情绪具有不同的特征，从新闻情绪的角度分析情绪风险对股票市场的影响也是十分必要的。

(四)公司规模相同的条件下的新闻情绪风险对股票收益的影响

为了探究新闻情绪风险对股票收益的影响是否与公司规模有关，本文参照以往文献(Han等，2016[28]；Wahal和Yavuz，2013[29]；Yu，2011[30])，先按公司规模的大小将股票分成5个大组(size1～size5)，其中size1是公司规模较小的投资组合，size5是公司规模较大的投资组合。接着在每组内按新闻情绪风险的大小进一步分为5个小组(Low组～High组)，其中Low组是新闻情绪风险较低的投资组合，High组是新闻情绪风险较高的投资组合。这样一共得到25个投资组合，分别计算这25个投资组合的超额收益和alpha值，再比较规模相同组内，不同新闻情绪风险投资组合的超额收益和alpha值。本文分别检验了超额收益，CAPM模型、Fama-French三因子模型和Fama-French五因子模型alpha值的结果(4)，大部分结果均显著。

以B中的size1为例，Low组的alpha值为0.51%，High组的alpha值为0.31%，零投资组合的超额收益为0.20%，Low组和High组存在较为显著的差异。结果表明，在公司规模相近的条件下，新闻情绪风险较低的投资组合(Low组)比新闻情绪风险较高的投资组合(High组)拥有更高的超额收益，这进一步表明中国股票市场存在新闻情绪的低风险定价异象。

(五)新闻情绪风险对股票收益影响的横截面效应

为了进一步探究新闻情绪风险对股票收益影响的横截面效应，本文使用Fama-Macbeth回归对时间序列中新闻情绪风险投资组合回报进行横截面分析。

结果表明新闻情绪风险对超额收益的影响为负显著。本文考虑了公司规模、上市时间、股票价格、市场风险以及波动率等公司特征的影响，在分别控制了公司特征的影响后，新闻情绪风险对超额收益的影响依旧显著且为负。随后，本文进一步控制了上述所有公司特征，得到的结果(5)相同。综上，新闻情绪风险与超额收益存在显著负相关关系，即新闻情绪风险越高，其超额收益越低，进一步表明中国股票市场存在新闻情绪的低风险定价异象。

此外，参照游家兴和吴静(2012)[13]的做法，为了进一步分析公司信息环境是否会影响新闻情绪贝塔与股票收益之间的关系，本文在Fama-Macbeth回归中进一步引入公司信息透明度和新闻情绪贝塔的交乘项。结果显示，公司信息透明度和新闻情绪贝塔的交乘项对股票超额收益存在显著的正相关关系。由于新闻情绪贝塔对股票收益之间存在负相关关系，而新闻情绪贝塔与公司信息透明度的交乘项与股票超额收益存在正相关关系，二者符号相反，因此这一结果表明，公司信息透明度减弱了新闻情绪风险对股票收益的影响，也就是说，公司信息透明度越高，新闻情绪风险对股票收益的影响越小，公司信息环境本身较好时，降低了该公司收益受新闻情绪风险的影响。

(六)稳健性检验

为了确保结果的稳健性，本文从样本和方法两个方面进行检验。一是对样本区间进行划分，以检验不同时间段内得到的结果是否一致。二是选取变系数面板模型重新估计个股的新闻情绪贝塔值，对新闻情绪贝塔的度量方法的稳健性做检验。具体如下(6)受篇幅所限，文中未列出具体结果，感兴趣的读者可联系作者索取。。

1.对样本区间进行划分。

为了进一步检查本研究结果是否受到样本期间长短和所选取时间段的影响，本文采取与Yang和Hu(2021)[27]相同的方法，将选取的样本时间划分为两个子样本，重新进行分组分析。此外，为了避免时间节点选取导致结果存在一定偶然性，本文选择将样本时间进行平均划分，每个子样本分别有60个月和59个月：时间段分别是2010年4月—2015年3月和2015年4月—2020年2月。本文计算了两个子样本中各投资组合超额收益及alpha值。结果表明，对于每个子样本，Low组中的股票相比High组中的股票都具有更高的超额收益和alpha值，且两组之间存在显著的差异性，说明本文研究结果具有一定的稳健性。

2.变系数面板模型估计新闻情绪贝塔。

为了对新闻情绪贝塔的估计方法的稳健性进行检验，本文选用变系数面板模型，重新估计新闻情绪贝塔值，并比较不同新闻情绪风险投资组合之间的超额收益和alpha值的大小。根据市场因子、Fama-French三因子和Fama-French五因子对每组投资组合的超额收益进行回归，分别得到CAPM模型、Fama-French三因子模型以及Fama-French五因子模型的alpha值。结果表明，Low组中的股票相比High组中的股票都具有更高的超额收益和alpha值，且两组之间存在较为显著的差异性，说明本文研究结果具有一定的稳健性。

五、研究结论与启示

本文从新闻情绪的角度出发，利用滚动回归的方法构建新闻情绪贝塔代表新闻情绪风险，以探究新闻情绪风险对股票收益的影响，并检验了中国股票市场新闻情绪的低风险定价异象。样本选自沪深1 153家公司，样本时间为2005年4月—2020年2月。研究结果表明：首先，新闻情绪风险较高的公司，具有较小的公司规模和较短的上市时间，同时，这类公司还具有市场风险较高、波动性较大等特征；其次，新闻情绪风险较低的投资组合具有更高的超额收益，公司规模相近的条件下，新闻情绪风险较低的投资组合同样具有更高的超额收益。最后，新闻情绪贝塔对收益率的影响显著为负，而且公司信息透明度会减弱新闻情绪风险对股票收益的影响。综上，新闻情绪风险较低的公司具有较高的超额收益，验证了中国股票市场新闻情绪的低风险定价异象。

股票市场的风险收益关系一直以来受到了学者的重点关注。媒体新闻的内容和情绪会对投资者产生较为显著的影响，改变投资者的决策行为并影响股票市场。因此，关注新闻情绪对股票市场的影响是十分有必要的。本文从新闻情绪的角度出发，分析新闻情绪风险对股票收益的影响，发现了中国股票市场新闻情绪的低风险定价异象，而且还为投资者提供一个制定投资组合策略的新思路。投资者在进行选股、制定投资组合策略的时候可以考虑公司的新闻情绪风险。此外，现有研究多关注市场情绪风险，鲜有研究关注新闻情绪风险，本文为后续新闻情绪风险的研究也提供了一定参考。