论文部分内容阅读
与传统的金融学研究方法不同,行为金融学从投资者的心理认知出发,通过观察市场主体的非一致预期、非理性行为,预测非理性行为对资产定价的影响,从而解释金融市场的异常波动。网络时代的这种非理性往往体现在网络信息中,因此,若能够更为准确地识别网络舆论信息,并根据行为金融模型判断其对短期内股票价格的影响,将能有效完善网络舆情对股票价格的影响机制,并为相关政策的实施提供依据。本文首先利用网络技术搜集和获取了与投资者情感相关的网络信息,然后基于统计方法和深度学习方法构建情绪指数,对投资者的情绪加以刻画。具体而言,包括两个方面的情绪指数:基于东方财富股吧评论文本的投资者情绪指数和基于百度搜索指数的投资者搜索指数。基于评论文本的情绪指数,应用了当前NLP领域的最新模型Google-BERT网络,通过构造文本的情感分类问题来获取投资者每一日的情感状况评分;基于百度搜索指数的情绪指数,应用了基于弹性网以及主成分分析的降维方法,构造了反映投资者对于股市不同方面的关注程度的评价指数。在前期关于投资者情绪指数工作的基础上,本文应用向量自回归(VAR)模型,以2011年1月4日到2018年6月29日的数据为研究基础,展开研究了投资者情绪指数与股市的收益率波动之间的相互影响关系。Granger因果关系检验的结果表明,投资者情绪指数与对数收益率之间存在相互的因果关系,两种情绪指数之间也存在相互的因果关系。脉冲响应分析的结果发现,评论情绪指数或搜索指数均会对上证收益率的波动产生较为明显的正向或负向影响,并随着时间的推移逐渐减小最终收敛到零。方差分析的结果表明,上证指数收益率的波动绝大部分是来自于其自身,并且短期内评论情绪指数方差贡献会较大,长期来看搜索指数的贡献会更大,即评论中的情感常常是一时的,而搜索行为往往具有更持久的影响力。最后,基于多信息形式的LSTM-CNNs网络,在已有情绪指数的基础上对上证指数的波动情况进行了预测,并在2016年12月7日到2018年6月29日的数据上进行了测试。初步的预测结果显示,在三分类问题上,模型可以达到79.3%的准确率。进一步基于实际的交易规则进行回测发现,基于模型的交易策略相较于一直持有,可获得20.15%的超额收益,但附带5.64%的最大回撤,具有一定的预测能力。