導讀：金融網絡輿情對投資者的注意力、信心和情緒都產生較大影響，進而使得金融資產價格產生較大波動，容易引發系統性金融風險。因此，網絡輿情的相關影響應當受到更多的關注。本文從網絡輿情數據搜集、關鍵詞與指標體系設計、綜合評價技術三個方面討論了金融網絡輿情指數編制相關技術；從網絡輿情與金融資產價格信息同步性、金融資產價格波動與收益率相關性、社交網絡結構與金融資產價格波動關系三個方面闡述網絡輿情對金融資產價格波動的影響；圍繞投資者關注、投資者信心和投資者情緒三個方面分析網絡輿情對金融資產價格波動影響路徑；從宏觀和微觀兩個視角分析金融網絡輿情的干預控制研究。從金融網絡輿情指數編制、網絡輿情影響下金融資產價格波動的數量刻畫、網絡輿情影響機制及渠道、金融網絡輿情干預控制四個方面闡述了進一步研究方向。 01 引言 隨著網絡、手機等各類新媒體形式的出現，信息的產生與傳播范圍、速度日益提高。輿論傳播正由傳統專業媒體渠道向公共媒體與自媒體并行方向發展，輿情的社會經濟影響也日益擴大。同時，移動互聯環境下的新興技術快速發展與應用，催生了新型的金融管理和運行模式，這些新型的管理和運行模式使得資金流通和資本融合、支付、信息交流等業務流程完全區別于傳統的金融模式。這些新型管理和運行模式源于新興技術，但其效應體現為金融信息的快速傳播，進而形成集聚式的金融輿情。在網絡輿情的影響下，對投資者的注意力、信心和情緒都產生較大影響，且出現出更大的差異性，進而對金融資產價格波動產生非常大的影響。 從理論上看，網絡輿情對金融資產價格波動的影響及其路徑需要動態研究。受網絡輿情的影響，金融資產價格的動態特征、影響路徑與機制都發生了顯著變化。首先，網絡輿情使金融資產價格波動時變特征和跳躍性更強。網絡輿情的發布使得投資者的行為數據傳播速度加快，對金融資產價格波動具有催化作用，影響著金融資產價格時變波動特征；同時，在網絡輿情演化過程中，網絡輿情對金融價格波動產生突然的沖擊，使得金融資產價格具有更加明顯的跳躍性波動特征。金融資產價格跳躍性波動特征對市場產生的沖擊、損失分布、波動集聚程度，相對連續性隨機波動來說，具有顯著差異性；金融市場中，數量少幅度大的有限跳躍和數量大幅度小的無限跳躍形成機制也具有顯著差異。其次，網絡輿情更多地通過對投資者注意力、信心和情緒影響金融資產價格，金融資產價格波動的影響因子發生了變化。金融信息在網絡中迅速傳播過程中，許多利益相關者的行為特征體現為信息化數據。相較于傳統的金融活動，互聯網金融活動能夠更加方便地收集、整合、保存客戶信息、產品和服務信息、客戶交易信息，也可以儲存客戶在產品交易或獲得服務過程中在互聯網上的全方面的信息，這些信息的傳播能夠體現出行為主體的情感。比如：對互聯網金融的使用情況、操作方式、交流溝通、留言反饋、交易記錄等金融大數據信息，其傳播意愿、用詞方式、溝通情緒等體現行為主體情感。構成網絡輿情的主要形式包括：客戶操作遺留下來的行為數據、留言等信息交流的數據、各種形式的文本數據等等。這些行為活動往往包含著各種情感，形成網絡輿情。網絡輿情數據又存在樂觀預期、中性預期和負面預期不同類別，不同類別的輿情數據對金融資產價格具有不同程度的影響。再次，在網絡輿情背景下，金融資產價格波動的影響因子發生改變。原有以財務數據為主評價金融資產價格波動風險，而網絡輿情的沖擊，使其風險來源趨于復雜化，投資者心理等因素成為風險的主要來源之一，且體現比原來更加明顯。 從實踐層面看，網絡輿情傳播使得金融資產價格波動性加劇，輿情傳播階段性使得金融資產價格波動時變特征突出，輿情傳播路徑差異性加劇了金融資產波動的風險管理難度。一方面，輿情傳播迅速，加劇金融資產價格跳躍性波動，從而加重了對金融資產波動風險管理的壓力。后金融危機時代金融市場的典型特征之一就是波動性加劇，金融風險顯示出多樣性和復雜性，具體體現在資產價格和收益率的變化頻率和幅度均有所擴大，跳躍性波動特征突出。基于此，各種波動引致的風險相互影響和傳染對資產價格波動造成沖擊，進一步加劇金融資產價格的波動，特別是跳躍性波動。如2015年6月至7月中國證券市場“千股漲停、千股跌停”狀況，2016年10月至12月的債券市場，在短短一個月時間“恍如隔世”。另一方面，網絡輿情通過不同路徑對金融資產價格影響的進一步深入，也加劇了金融資產管理的壓力。在大數據驅動下，互聯網等新技術成為金融市場參與主體獲取和傳播信息的重要渠道，網絡輿情對金融市場的滲透力和影響力越來越大。網絡輿情對金融資產價格波動具有金融加速器作用，使得金融資產的管理實踐必須進一步適應“互聯網+風險管理”這種大數據時代的需求。 毫無疑問，欲全面理解金融網絡輿情對金融資產的影響，有必要對相關研究進行系統梳理。從相關文獻來看，網絡輿情下金融資產價格波動影響機制與干預控制的文獻主要包括四類：一是網絡輿情指數編制相關研究；二是網絡輿情對金融資產價格波動影響的相關研究；三是網絡輿情對金融資產價格的影響路徑研究；四是網絡輿情對金融資產價格影響機制與干預控制研究。 02 網絡輿情指數相關研究 對輿情指數編制的研究分散在輿情監測的文獻中。同時，輿情監測相關文獻更多地體現在新聞學、社會學等研究中，金融網絡輿情指數編制比較零散。從技術層面看，網絡輿情指數編制涉及到從數據搜集、關鍵詞與指標體系設計、綜合評價技術三個方面。基于此，本文擬從輿情指數編制技術角度(鑒于金融輿情文獻較少，在相關技術闡述時并沒有專門針對金融輿情，但不失一般性)，闡述相關的研究狀況。 在輿情數據搜集方面，一方面是通過搜索引擎獲得計數或者圖像數據，進一步討論相關問題。百度輿情研究院每月發布中國輿情指數報告，其通過百度搜索引擎獲取搜索量，獲取熱點事件、熱點事件分布情況等，進一步進行分析監測。Manela and Moreira(2017)研究新聞隱含波動率(NVIX)時，采用大數據的價值挖掘與分析技術，探討將碎片化的輿情信息如何整合處理，并進而研究其與資產價格變動關系。Andrei and Hasler(2015)通過搜集測量Twitter上的投資者情緒狀態作為輿情分析。劉寅鵬等(2015)在研究碳排放交易權市場微觀結構時，引入市場微觀交易行為，在交易行為的相應數據獲取方面，對歐盟獨立交易登記系統(CITL)進行抓取、識別、清洗與融合，構建了全樣本的交易大數據集合，在一定程度上為輿情數據處理方式提供技術方向。另一方面是專門針對文本數據搜集進行的研究。李金海等(2014)通過分析大數據與網絡輿情數據的相似特征，基于大數據思想構建網絡輿情的文本挖掘模塊，對關系型數據庫與分布式數據庫進行了融合，使之適應模型從數據采集到分析查詢的全部流程。Rao and Srivastava(2014)通過挖掘社交網絡信息，將公共行為(如語言、觀念、信仰、行為方式等)視為重要特征，搜集相關數據。 關鍵詞與輿情指數指標體系設計在不同文獻中具有差異性。關鍵詞選取分為主觀選詞法和模型選詞法，主觀選詞是根據自身經驗以及他人研究，初步劃定關鍵詞范圍，再根據實際效果確定最終關鍵詞，如徐映梅和高一銘(2017)在構建CPI輿情指數時，根據其研究目的及數據可得性和數據質量選取了“CPI”、“物價”、“價格”等關鍵詞。模型選詞則是將大量可能的關鍵詞全部納入，再根據算法自動確定最終關鍵詞，如徐巍和陳冬華(2016)根據上市公司信息類型確定了業務類、財務類、研發類和聲譽類四類共計104個關鍵詞，然后通過網頁搜索技術，根據不同類別關鍵詞出現頻率，確定不同類別對應的關鍵詞。輿情指標體系設計是在關鍵詞選取基礎上，構建不同類型的輿情監測維度，如靳曉宏等(2016)從曝光程度、參與程度、輿情觀點、網站特點、傳播進度五個維度構建了主題事件輿情指標體系，并以食品安全為例進行實證研究;更多的文獻是從關注度、活躍度、共識度等不同維度構建輿情指標體系(Liu and McConnell，2013；Solomon et aL.，2014)。 指標體系構建后主要是利用綜合評價技術對各個維度數據進行處理。大部分對輿情的綜合評價技術采用層次分析和模糊綜合評價等方法(張芳等，2013；靳曉宏等，2016；文鳳華等，2014)。徐映梅和高一銘(2017)提出一種基于門限回歸的CPI低頻輿情指數，并使用動態因子模型估計得到了CPI高頻輿情指數。 03 網絡輿情對金融資產價格波動影響的相關研究 網絡輿情對金融資產影響的研究強調的大多是網絡輿情與股價信息的同步性。已有文獻研究表明，金融市場信息環境(包括金融輿情信息)對股價波動或者股價同步性的影響越發顯著，公司層面信息在股價變動所起到的作用有所增加，而宏觀市場層面信息相對作用減少，這導致了傳統標準資本資產定價回歸模型的失靈(凌愛凡和楊曉光，2012；Larcker et al.，2013；Haw et al.，2012)。另外，網絡輿情、投資者情緒與金融資產價格均具有相關性。同時，網絡用戶情緒可用于股票市場預測。通過并掃描金融信息板，提取個別作者所表達的觀點信息，利用機器學習方法系統學習情緒和股票價值之間的相關性;通過學習模型對股票價值進行預測，發現該方法能夠高精度地預測情緒，股票表現和最近的網絡情緒具有顯著相關性(Bushee and Friedman，2016；Frydman et al.，2014)。當然研究從網絡用戶和股票之間的相關性也發現：從多心理帳戶理論出發，可以找出行為投資組合對股票價格的影響，且人們預期和風險態度的主觀參數對不同風險偏好的投資者決策具有重要影響(李平等，2011；Huang et al.，2015)。 從相關性角度分析，金融資產價格波動與收益率直接相關，故網絡輿情對金融資產價格波動影響研究中，一些文獻利用搜索引擎數據，分析搜索指數表現、股價、收益率之間的關聯性。Vozlyublennaia(2014)通過研究幾種證券指數表現與Google搜索概率之間的關系，結果發現隨著關注的增加，指數回報率有顯著的短期變化。研究中發現對回報的沖擊導致長期的投資者關注轉變，同時發現滯后回報和關注之間存在重大的互動效應，投資者關注可以改變指數回報的可預測性，規避風險(羅鵬飛等，2017)。趙龍凱等(2013)利用百度公司提供的上市公司簡稱搜索量數據研究了關注度與股票收益率的關系，他們發現關注度與同時期股票收益有正相關關系。張誼浩等(2014)利用滬深300指數成分股作為研究樣本，探討了網絡搜索和證券市場的相互作用，他們發現網絡搜索對股市交易行為均有影響。 社交網絡結構是網絡輿情的一個重要方面，這種網絡結構對金融資產價格也具有顯著影響。Ozsoylev et al.(2014)的實證研究進一步驗證了交易者通過社會網絡進行交流以及信息的傳遞，這一互動顯著影響金融資產的價格。各種金融網絡輿情在社交網絡媒體傳播的速度越快，其對金融資產價格影響越大;在金融資產價格影響方面，正面和負面的網絡輿情對金融資產價格沖擊具有非對稱性特征。Hein et al.(2012)模擬分析發現價格的波動受到網絡結構的影響，當網絡中心化程度較高時，價格波動也會相應升高。劉善存等(2017)從行為金融角度出發，在理性預期均衡模型的假設下，考慮社交媒體傳播對股票基本面價值信息的影響，通過分析信息質量對市場效率、市場流動性以及資本成本的影響過程，研究社交媒體對價格發現的促進效應。結論顯示:相關信息傳播能促進價格發現;無關信息傳播則阻礙價格發現。王麗佳和盧國祥(2017)基于資本市場的社會網絡，通過建立股票價格的動態模型探究交易者的交流互動和對股票價格的影響機制。 04 網絡輿情對金融資產價格的影響路徑研究 對于網絡輿情影響金融資產價格的路徑并沒有統一的認識，但相關文獻基本上圍繞投資者關注、投資者信心和投資者情緒三個方面進行分析。 投資者關注對金融資產價格產生重要影響。Heiden(2015)提出了一種經驗相似性方法，通過使用搜索引擎數據作為衡量投資者對股票市場指數的關注度來預測每周波動。同時，基于異質回歸模型(HAＲ)預測納入Google搜索量后的股票波動性。機構投資者關注度在網絡輿情不同的階段影響也具有差異性(Savor and Wilson，2013；Yuan，2015)。凌愛凡和楊曉光(2012)引入一個線性回歸模型，以研究投資者的注意力對市場震蕩的反饋，設計了一個非線性回歸模型來驗證市場間金融危機的傳染效應。在考慮市場間的直接傳染和基于注意力配置的間接傳染因素下，研究了相依性情形下的金融傳染的存在性問題。結果發現注意力配置在金融危機過程中是間接的傳染路徑，對金融資產價格具有重要影響。劉鋒等(2014)以中國金融類股票為研究樣本，基于百度搜索引擎采集媒體關注度和投資者關注度數據，通過簡單回歸分析表明：投資者關注度與當期的股票收益具有正向直接相關關系，而媒體關注度對當期股票收益具有負向的直接相關關系；在引入媒體關注度與投資者關注度的交互效應后，媒體關注度與股票收益的直接相關關系不再穩定，且媒體關注度對股票收益的影響程度顯著弱于投資者關注度對股票收益的影響程度，而媒體關注與投資者關注的交互作用對當期股票收益具有顯著正向影響。 與投資者關注直接相關且對金融資產價格產生影響的另外一個路徑為投資者信心。許多文獻認為，投資者對網絡輿情的關注不僅直接對金融資產價格產生影響，同時因為投資者的認知差異也造成對金融資產價格產生影響(馮旭南，2016)。另外，一些研究圍繞投資者對財務信息的關注，財務信息的關注影響著投資者的信心，進而考察其對金融資產價格的影響(金宇超等，2017;Frederickson and Zolotoy，2016;Miller and Skinner，2015)。Bijl et al. (2016)認為投資者信心與搜索量具有非常密切的關系，并使用涵蓋2008-2013年的數據集，發現Google的高搜索量導致負回報；從交易策略看，發現賣出Google搜索量很高的股票，購買較少Google搜索量的股票，在不考慮交易成本時，這種策略是有利可圖的，但如果考慮到交易成本，則無利可圖。受關注程度相同時，交易策略差異來源于投資者認知的差異，認知差異甚至來源于遺傳基因等相關因素(Cronqvist and Siegel，2014;Ben-Ｒephael et al.，2017)。 網絡輿情對投資者情緒產生影響，進而影響金融資產價格波動和收益。Sun et al.(2016)利用潛在空間模型，將股價和社交媒體內容的變動相關聯，基于2011－2015年間標準普爾500指數中列出的大多數股票的數據，結果發現投資者關注與年度回報有顯著的相關關系。Rao and Srivastava(2014)通過挖掘社交網絡信息，將公共行為(如語言、觀念、信仰、行為方式等)視為重要特征，分析了2010年6月至2011年7月期間DJIA、NASDAQ-100和其他11種大盤技術股票的超過400萬條Twitter的輿情，結果顯示股票價格和微博情緒之間存在較高的相關性。Nofer and Hinz(2015)通過測量Twitter上的情緒狀態來研究這些市場參與者的情緒與收益之間的關系。樣本包括2011年1月至2013年11月期間在德國發布的大約1億條內容，通過實證發現Twitter情緒狀態與股票市場之間的關系。進一步通過將Twitter關注者的數量整合到分析中來考慮情緒傳染，發現互聯網用戶之間情緒狀態對收益存在影響。同時，投資者情緒具有異質性，這種異質性對金融資產定價本身就具有顯著的影響，曾燕等(2016)將行為金融領域中離散時間框架下的情緒資產定價模型拓展到連續時間框架下，把異質性納入Lucas純交換經濟體，構建含有異質性投資者的動態情緒資產定價模型，刻畫理性投資者和情緒投資者的異質性。 05 網絡輿情對金融資產價格影響機制與干預控制研究 網絡輿情對金融資產價格的影響存在一定的機制，即網絡輿情是如何影響金融資產價格的。王麗佳和盧國祥(2017)應用馬爾科夫過程刻畫了交易者異質性預期的轉換過程，并基于交易者預期、股票價格和社會互動所構成的動力系統分析得到了股票價格被低估(高估)的條件。研究結果發現價格的動態變化和交易者的交流結構密切相關，解釋了股票價格的形成機制以及價格泡沫的產生與破滅過程。從金融信息網絡傳播來看，個體投資者、機構投資者都會通過社會交流相互影響，從而導致投資行為的相似性(Pool et al.,2015;Bissessur and Hodgson,2012;孔東民等,2013;Boubaker et al.,2014)。 網絡輿情對金融資產價格機制影響的研究中，從微觀入手是研究者的另外一個視角。徐巍和陳冬華(2016)借助網頁搜索和文本分析技術，在微觀市場結構層面實證檢驗了上市公司官方微博的信息作用及其特點。實證結果表明，微博披露會帶來當日公司股票的超額回報和超額交易量顯著增加，其程度不僅受到披露強度、披露信息密度的影響，也受到微博中噪音信息的干擾。此外，當微博對已公告信息進行傳播時，相對于沒有微博傳播的公告會有更強的市場反應。進一步，微博披露對受關注較少的公司影響更大，對個人投資者的交易行為影響更為顯著。微博、微信等社交網絡信息平臺的崛起，也促使信息資訊生成與擴散成為完整傳播鏈條，進而影響著金融市場參與主體的學習認知習慣、投資決策理念、交易行為模式，最終影響不同金融資產的價格波動規律(Hillert et al.，2014)。 一些研究從實驗經濟學的角度研究，認為認知能力屬于金融輿情對金融資產價格影響的機制。宗計川等(2017)基于學習預測實驗并輔助認知能力測試，在實驗室中檢驗了市場參與者認知能力高低對于資產價格收斂到理性預期均衡程度與速度的影響。實驗結果表明，認知能力較高的個體能夠更快進行組內協調，所在組的資產市場價格泡沫相對較小。認知能力較高的參與人更傾向采用有利于市場穩定的適應性預期策略，而認知能力較低的參與人更傾向采用加劇市場波動的趨勢跟蹤策略。同時，無論是由認知能力較高的參與人還是由認知能力較低的參與人組成的市場，市場價格都無法收斂到理性預期均衡。 網絡輿情干預控制研究更多地是側重網絡輿情信息傳播機制研究，較多圍繞社會輿論與政府治理方面，較少涉及金融網絡輿情。一部分與網絡輿情相關的研究從風險控制角度，指出在大數據背景和網絡信息迅速傳播的過程中，金融資產運行的市場結構發生了改變，故干預控制的重點應該是研究新結構環境下風險度量和定價問題。陳榮達等(2017)指出大數據驅動下結構發生改變時，風險因子多元厚尾分布情形會較多地出現，共提出用多元t-Copula分布來描述標的資產收益率分布的厚尾性。朱福敏等(2017)考慮到網絡輿情影響下金融資產的無窮跳躍和連續擴散行為特征，認為對風險干預控制需要從定價角度入手，提出一類能夠捕捉無窮跳和擴散之間交互影響的動態跳-擴散雙因子交叉回饋模型。借助Lévy過程條件特征函數、局部風險中性關系和貝葉斯學習技術，給出了動態跳-擴散隨機過程的期權定價方法，并進行標準普爾500指數歐式期權標準化合約的實證研究，對比了有限跳-擴散及無窮跳-擴散模型定價差異。 06 進一步的研究展望 根據上述國內外研究現狀分析，網絡輿情對金融資產波動的影響還有足夠的研究空間： 其一，網絡輿情及其金融資產價格波動具有加速器作用，編制金融輿情指數，以實現定量化分析其對資產價格波動影響的研究還有待深入。從現有相關研究來看，已有研究側重于網絡搜索量、投資者關注度等指標與收益率、資產價格波動率等之間的關系分析，但不限于網絡輿情搜索頻次，而對網絡輿情的活躍程度、傳播速度及其演化、共識度等需要通過指數定量分析，才能科學分析網絡輿情對金融資產價格波動的影響。基于此，進一步的研究需要在分析網絡輿情熱點事件和關鍵詞的基礎上，通過數據挖掘等技術，構建反映市場主體異質預期的關鍵詞，運用爬蟲等技術收集數據(包括數字、圖像和聲音等數據)和預處理，編制多維度和多層次動態的金融輿情指數。同時根據主題事件，以案例形式分析主題事件演進過程中網絡輿情指數的變化規律，構建網絡輿情指數與對應金融資產價格波動之間的映射關系。 其二，網絡輿情影響下，現有描述資產價格波動時變特征的方法稍顯不足。金融資產價格波動建模有相當多文獻，包括對近十年出現較多的跳躍性特征描述也有許多。但是隨著近幾年信息技術的飛速發展，金融資產在網絡輿情推動下，相關信息傳播速度加快，金融資產除了原有波動模型刻畫的基本特征以外，不斷有新的問題凸顯。特別是網絡輿情及其相關信息對金融資產價格波動產生催化劑作用，金融資產價格波動時變特征更強，跳躍性波動更為突出。金融資產波動類型出現新特征，數量少、幅度大的跳躍和數量多、幅度小的各種類型波動交替出現，在特定時期還會呈現出聚集的特征。現有波動模型對金融資產波動的時變特征刻畫顯得不足。基于此，進一步的研究需要利用時變的Lévy過程，不僅刻畫金融資產的連續性波動，還包括金融資產的有限活躍跳躍與無限活躍跳躍波動時變特征，從而實現對大數據驅動的金融資產波動時變特征的數量刻畫。 其三，網絡輿情影響金融資產價格波動的路徑需要被識別。現有文獻從搜索引擎的搜索量或者投資者情緒來研究其對金融資產價格波動的影響，但網絡輿情對金融資產價格波動的影響是由輿情影響投資者注意力、投資者信心和投資者的情緒等可能的路徑，進而引起金融資產價格波動。對熱點金融事件或者關鍵詞的搜索量只是網絡輿情熱度和傳播程度，熱度和傳播程度與金融資產價格波動在很大程度上是相關關系，而非因果關系。同時，投資者注意力、投資者信心和投資者的情緒等是否受網絡輿情驅動也未曾可知。基于此，進一步的研究需要利用網絡輿情如何通過投資者注意力、投資者信心、投資者的情緒和其他路徑的時變特征，分析影響金融資產價格波動的路徑。 其四，網絡輿情影響金融資產價格的機制和對網絡輿情的干預控制需要細致厘清。網絡輿情通過投資者注意力、投資者信心和投資者情緒等路徑對金融資產價格波動產生影響，但各種影響可能會隨著輿情發生與傳播階段發生變化，同時各種路徑影響機制也不完全相同，存在單路徑和多路徑各種機制交互進行。同時，網絡輿情演化過程具有階段性特征，這種階段性特征對金融資產價格波動的影響程度具有差異性，所以對網絡輿情進行干預控制需要根據階段性特征進行確定。基于此，進一步的研究需要根據網絡輿情傳播階段演化特征，研究單路徑和多路徑交互影響時，影響金融資產價格波動的機制；同時根據階段性的特征研究對網絡輿情的干預控制。 來 源：國家金融與發展工作室 原標題：網絡輿情對金融資產價格的影響：一個文獻綜述 作者：李正輝 廣州大學金融研究院教授、博士生導師；胡志浩 國家金融與發展實驗室副主任
