突发事件关注度与股市波动关系研究

突发事件关注度与股市波动关系研究

一、突发事件、投资者关注与股票市场波动的研究在该学院，近年来，研究行为金融的科学家对投资者的关注领域产生了强烈的兴趣。由于投资者对特定项目的担忧，相关股票的突然变化是由投资者对其基本部分产生的。而高铁概念板在“7·23甬温线铁路事故”发生后首个交易日上演的“黑色星期一”,也再次印证了投资者关注对股票交易的重大影响。2011年7月25日,34只高铁概念板股票中4只个股跌停,9只跌幅达6%以上,同时,流通市值最大的前10只个股平均下跌5.89%。基于上述理论及现实背景,本文提出了以“7·23甬温线特别重大铁路交通事故”为例,研究突发事件、投资者关注与股市波动的选题。现有行为金融研究尽管可以从理论上解释突发事件、投资者关注与股票市场波动间的关系,但由于难以直接观测到投资者关注(DaZhi,2011),所以,该领域的实证研究还存在一定困难。目前关于突发事件、投资者关注与股票市场波动的研究以事件法与干预模型为主,这两种模型具有方法简单,易于应用解释等优点,但这类基于股票异常收益的模型仅能对事件发生的特定时间段进行识别,并未从该时间段中剥离出特定事件的影响力,因此,测量精度及准确性并不十分乐观。在新经济背景下,随着互联网以及信息技术的快速发展,一方面,搜索引擎已成为投资者获取信息的重要渠道(Antweiler&Frank,2004),据中国互联网络信息中心(CNNIC)的调查数据显示,截至2012年12月底,我国网民规模达到5.64亿人;另一方面,网络搜索数据可及时记载用户的搜索热点,快速捕获市场最新变化,并反映用户的兴趣点和关注强度,映射用户在现实生活中的行为趋势和规律(LynnWu,2009),为构造衡量投资者对突发事件关注度指标提供了数据来源。基于上述背景,本文利用网络搜索数据构造了衡量投资者对突发事件关注度的指标,并分析了该关注度指标在事发后的变化及衰减趋势。二、研究相关成果本文的研究综述从三个角度展开:首先综述了基于网络搜索数据的用户关注度研究,指出搜索数据在疾病监测、政治选举、社会消费等领域研究取得了一定成果;其次综述了研究突发事件与股市波动关系的相关方法,提出基于网络搜索的投资者关注度测量可弥补传统研究方法的不足;最后综述了股市影响因素的研究,为搜索数据的收集及预处理提供理论基础。1.基于互联网的公关注度随着网络的普及,越来越多的用户通过网络获取市场信息。搜索引擎在满足用户信息需求的同时,也记录了用户的搜索行为,从而使蕴含了用户关注及意图的网络搜索数据能够映射用户在现实生活中的行为趋势和规律(LynnWu,2009)。对于投资者而言,相较于其他交易方式,网络交易费用更低,因而有大量的投资者通过网络进行股票交易。目前基于网络搜索数据的用户关注度研究已经涉及到健康、社会以及经济等领域。最早利用搜索数据测度公众关注度的应用出现于健康领域,最具代表性的研究是Ginsberg等(2009)构建的基于Google搜索数据的流感监测模型。他们认为,人们出于对流行病及传染病的关注,会通过搜索引擎搜索与流感相关的关键词,获取更多的信息,为研究者通过分析用户搜索行为,进而跟踪流行病的传播提供了一条新路径,他们构建的模型能比美国疾病防控中心提前两周测算出流感的爆发趋势。之后,CarneiroHA,MylonakisE.(2009)等对利用谷歌搜索数据建立疾病监测系统的有效性进行了研究;JurgenA.Doomik(2009)对预测方法进行了深入分析,将基于搜索数据的简单线性模型扩展为带有日历变量的时间序列模型,新模型的实证数据结合了历史数据与搜索数据,进一步提高了模型的精度。在社会领域中,搜索数据可用于公众关注度的监测。EllisC(2011)等使用网络搜索数据测度公众关注,探讨了公众关注度对美国大选资金募集情况的影响,结果表明,基于网络搜索数据构建的公众关注度指标与各选举人募集资金数量有显著的相关性;RipbergerJ.(2011)针对全球变暖、恐怖袭击等社会事件,将基于网络搜索的公众关注度指数与被广泛使用的纽约时报公众关注度数据进行比较,发现基于搜索数据的网民关注度测度是收敛,可有效反映出重大事件发生时民众关注的变化。加州大学伯克利分校的信息科学、商学和经济学教授,谷歌的首席经济学家HalVarian曾指出,搜索数据可实时捕捉大众对众多经济领域活动的兴趣,可用来预测房屋、汽车和旅游业的销售(Choi&Varian,2009),社会的私人消费(KonstantinA.Kholodilin,2010),失业率(D’Amuri,Francesco,Marcucci,Juri,2009;Askitas&Zimmermann,2009),以及文化产品,如电影、歌曲的商业成功(HyunyoungChoi&HalVarian,2012;Goel等,2010)等。就目前基于网络搜索的用户关注度研究而言,虽然在实证领域取得了一定突破,但该领域研究尚处于探索发展阶段,仍存在有待改进与完善的方面:首先,在理论方面,基于网络搜索数据的研究存在一个基本的理论前提:信息构造引起行为变化,行为变化导致现象产生。这种理论前提在不同领域的内在机理的作用过程及其普适性有待讨论;其次,在指数合成方法方面,目前研究的学者关于搜索关键词的选取、合成以及应用的标准并未达成统一共识。2.研究方法和模型目前关于突发事件与股票市场波动研究分为定性与定量两大类,定性的研究着重阐述突发事件与股票市场波动关系的作用机制,突发事件这种新信息主要通过影响投资者的关注,进而带来股票市场相关资产价格的波动。针对二者关系的定量研究模型主要有两类:一是“事件研究法”;二是“干预分析模型”。“事件研究法”是利用金融事件对股票波动产生的预前和滞后效应影响来分析金融政策出台后,金融板块所发生的波动和变化规律。根据重大事件对股价表现的影响,可分为重大利好事件和重大利空消息。事件研究法就是选取重大事件发生后一定时间段的前置和后置股票表现进行分析(AR、CAR),寻找该事件对投资者决策的影响规律。应用事件研究法一方面可以研究突发事件的经济影响,如吴启芳(2003)研究了“非典”对我国封闭式基金和开放式基金的不同影响;伍青(2007)研究了“神州五号”、“神州六号”的成功发射对我国航天板块的影响;另一方面,可以研究宏观调控政策及公司股权政策的经济影响,如来志勤(2011)运用事件研究法研究我国存款准备金率的调整对股票价格的影响;孟祥兰、卢米雪(2010)研究CPI这一宏观经济信息的公布对中国股票市场的短期影响效应;张晨曦、杨一文(2010)研究了大小非解禁对证券市场风险的影响;金巍锋、王静怡(2010)运用事件研究方法分析实施股票增值权计划授权和行权对公司股价的影响。“干预分析模型”是由美国威斯康辛大学统计系教授博克斯和芝加哥大学教授刁景环于1975年提出的,主要从定量角度来评估干预事件,即影响时间序列态势的外部特殊事件,如经济政策的变化或突发事件等,对经济环境、经济过程或结果的具体影响。干预分析模型是传递函数模型的一种推广,其引入类似于虚拟变量的干预变量来区分事件发生前后的状态。国外有大量学者基于传统的计算工具和干预分析方法,分析了政策对股指波动的影响。董屹、辜敏、贾彦东(2003)针对QFII制度出台,对股市的影响做出了深入的分析;路群(2001)、史代敏(2002)、熊焰(2003)主要研究了银行降息政策对股票市场的冲击。传统的“事件研究法”与“干预分析模型”以其应用简单、易于解释而被学者广泛采用,但这两种方法存在以下两大弊端:一方面,此类方法无法对特定事件进行识别,因为基于对特定时间段AR/CAR的统计分析,只能说明该时间段内存在影响股票收益的事件,但具体对应于该时间段内哪个事件无法确定,即无法从AR/CAR中剥离出特定事件的影响力;另一方面,这类模型中AR/CAR的计算以正常收益为基础,而股票正常收益的计算要基于某一市场收益的选择,但对于市场收益的选择并没有统一标准。本研究所采用的基于网络搜索数据的突发事件分析方法,将“事件研究法”与“干预分析模型”进行综合,一方面考虑事件研究法的在特定时间窗中事件对股价产生的预前和滞后效应;另一方面也将干预模型中的干预变量考虑在内,可·以避免单独使用“事件研究法”或“干预分析模型”所产生的弊端,。这样一来,关键词的选择以特定突发事件为基础,可以对特定事件进行准确识别;该方法中不存在对股票正常收益的估算,即不存在对市场收益标准的选择。3.影响指数波动的因素影响股票市场波动的因素主要包括宏观经济因素、中观行业因素、微观公司因素,以及一些其他因素,如突发事件等。宏观因素主要包括经济形势、通货膨胀、货币政策等,是影响股票市场的重要因素,具有波及范围广、作用机制复杂、干扰度较深的特征。经济形势代表经济大环境的变化走势,经济形势预期将影响投资者对未来股票市场的预期,进而影响股票价格(Fama,1990;邓晓岚、王宗军,2008;崔玉玲、蒋礼圣,2010)。通货膨胀对股市影响的机理较为复杂,在通胀初期,股价会随经济增长而上涨,当通胀严重时,企业成本上升,经济环境恶化,又会对股市产生负面影响,因此,国内外学者在二者之间关系的正负性方面还存在分歧,以Fisher为代表的效应学派认为,二者正相关(Fisher,1930;Spyrou,2004;Westerlund,2005);而以Fama为代表的代理假设理论认为,二者负相关(Fama,1981;Geske,Roll,1983;靳云汇,于存高,1998)。货币政策通过调节股票市场的资金供给,从而对股市波动产生影响。当中央银行放松银根、增加货币供应时,股市投资增加,促使股价上升;反之,股价下跌。中观行业因素对投资者选择投资组合策略、进行资产管理具有重要的影响,因为处于生命周期不同阶段的行业表现出不同的行业特征,其投资的价值也会不同,进而影响股票市场表现。20世纪60年代,BenjaminF.King(1966)率先得出了行业因素对股票价格的波动具有显著性影响的结论。随后,StephenLMeyer(1973)和MilesLivingston(1977)的研究中也都支持这一结论,而且后者还发现,行业因素可以解释高达26%的股价收益波动。基于国内股票市场的一些研究也得出行业特点影响行业股指波动的结论(张根明、任福匀,2006;张萌,2011;张艳华、林俊锡,2011)。微观公司因素主要包括公司经营的特征,如公司的类型、在同行业中所处的地位、技术和产品的性质以及市场竞争情况等内容,员工的构成以及管理结构、管理水平等。这些因素既可直接地影响公司财务状况,又会间接地影响投资者的投资意向,从而对股价变化有影响(李作伟、刘彩华,2010;薛燕,2009;喻平、张应华,2011)。此外,还有一些其他诸如政治、心理等因素也会对股市波动产生较大影响,其作用机制主要体现在对投资者预期的影响上,投资者预期未来资本市场会有所变化,导致市场迅速出现反应,但这些因素往往难以估计(郝亮,2010;闫兆虎,2011)。上述分析为选取刻画股市变动的搜索关键词奠定理论基础,基于本研究以中观行业层面为研究对象,本文最终选择宏观经济形势、行业发展前景作为度量动车板块股市波动的两大主要影响因素。此外,本文综合考虑其他因素对股市的影响,选择了体现股民预期的行为表现指数,如炒股、选股等作为衡量指标。三、关注和关注投资者心理预期本文从投资者行为视角建立了突发事件影响股票市场波动过程的概念框架,如图1所示。构建过程分为:(1)突发事件引致投资者的信息需求,影响投资者的关注及心理预期。在有效资本市场上,新信息是影响股票市场变动的唯一因素,及时准确地捕捉最有效信息,对证券市场的投资者而言至关重要。重大突发事件作为一种暂时性外生冲击信息,会对相关企业生产、行业发展,甚至国家的宏观经济形势产生一定的影响,引起投资者对该事件的关注,改变投资者的心理预期,而投资者关注及其心理预期在二级股市的短期变化中起着非常重要的作用;(2)在新经济背景下,网络成为投资者获取突发事件、股市变动信息的最佳途径,投资者往往通过互联网的搜索、浏览及论坛等捕获新信息,其中,搜索引擎作为互联网的入口,蕴含了数以亿计投资者对突发事件、股票需求与交易的关注;(3)投资者基于对网络市场上信息的整合分析,做出最终的投资决策,进而表现为股票市场上相关股票交易量及价格的变动,并且证券市场上股票的表现也会通过信息报道、论坛等形式在网络市场得到反映,又成为搜索引擎检索的信息源,为今后投资者的决策提供信息参考。虽然每个投资者的基本情况不完全相同,对信息的需求可能存在差异,其利用互联网搜索信息的需求也一定会表现出差异,但从统计意义上而言,网络搜索数据确实存在某种规律。图2分别展示了“股票黑马推荐”、“银行存款利率”两个关键词的搜索量与动车概念板股票价格曲线图,从图中可以看出,两个关键词搜索量的变化趋势与VWAP的变化趋势均表现出了较强的一致性。四、确认和测试1.所采用的指标(1)股票数据。本文所采用的股价数据来源于雅虎财经(英文版,/marketupdate?u),选取时间范围以动车事故发生的2011年7月23日为中心的2011年5月12日～2011年10月31日间共115个交易日的数据,包括调整后的收盘价及日成交量数据。研究样本的选取参考了和讯网动车概念板中包含基建环节类、铁路营运和物流环节类、机械车辆环节类、信息电子设备环节类、零部件环节类、上游原料环节类等六大类34只股票,如表1所示。采用成交量加权平均价(VWAP,VolumeweightedAveragePrice)计算动车概念板股票板块的价格,公式为:其中,Pi为股票调整后的收盘价;Vi为股票成交量。(2)搜索数据。本文所采用的搜索数据来源于Baidu搜索指数(/),时间范围也为2011年5月12日～2011年10月31日,为与股票价格数据对应,仅保留交易日的搜索数据。该搜索量是绝对值的形式,故已有的数据不会随着时间的推移而变化(该特征使得百度指数与谷歌搜索解析上的数据有较大的不同)。本文采集数据所使用的软件可以抓取百度指数上每个关键词从2006年6月1日至今的用户关注度的日数据。用户关注度是以数千万网民在百度的搜索量为数据基础,以关键词为统计对象,科学分析并计算出各个关键词在百度网页搜索中搜索频次的加权和,并以曲线图的形式展现,可以反映与该关键词相对应的某类事物的热门程度和被关注程度。该数据是绝对值的形式,故已有的数据不会随着时间的推移而变化。2.定聚物组词设计及合成搜索关键词的选择从两方面考虑:首先是与股价波动有关的宏观市场、股票市场、微观个体行为等因素相关的关键词,此处称之为市场变量;其次,再考虑如动车事故等突发事件影响特定股票板块股价波动的相关关键词,此处称之为事件变量。(1)市场关注度指数合成。本文按照以下三个步骤选择搜索关键词。首先,基于以往学者对股票市场影响因素的研究及前文的理论框架分析,本文从动车板块行情(x1)、宏观经济形势(x2)以及微观股民行动(x3)三个方面人工选择了“股票行情、机械板块、铁路基建、汽车产业、电子设备、股票行情中心、中国经济、存款利率、经济形势、CPI、通货膨胀、股票入门、股票开户、选股、如何炒股、大智慧、炒股、买股票、股票推荐”等18个关键词组成初始关键词,如表2所示。其次,利用搜索引擎的关键词推荐功能,共得到170个非重复相关关键词,组成关键词库。其中包括:动车板块行情相关关键词72个,宏观经济形势相关关键词28个,微观股民行动相关关键词70个。最后,根据关键词搜索关注度与动车概念股VWAP的相关性进行关键词的筛选,相关性越高,表示关键词的搜索关注变化率曲线与股票收益率曲线的近似度越大。此外,为保证相关系数的稳定性,本文分别对每个关键词计算了8次相关系数,即由当天动车概念股VWAP与每个关键词提前0～7天的Baidu搜索指数分别计算得出相关性,相关系数的计算公式如下:其中,rl表示提前l阶的相关系数;x表示关键词搜索量;y表示动车概念股VWAP;x、y为均值。本文最终选取了相关系数值在0.55以上的关键词,共计31个,各类指数合成所选择的关键词及其个数如表3所示。(2)事件关注度指数合成。由图3可知,在动车事故发生后,动车概念股VWAP发生大幅变动,而传统的基于搜索指数来预测股价波动的方法并未考虑这类重大突发事件发生对投资者关注及股票市场波动的影响。与市场关注度指数合成方法类似,事件关注度指数的合成也由三步构成。首先,设定与事件相关的初始关键词。本文建立与“7·23甬温线特别重大铁路交通事故”发生相关的初始关键词库包括:甬温铁路、甬温线、动车事故、D301。其次,根据百度指数关键词推荐功能,扩充现有词库。剔除推荐关键词中与动车事故无关的“时刻表”、“甬台温高速复线”以及概念较广的“动车组”、“动车查询”等词组,再结合百度百科上对“7·23甬温线特别重大铁路交通事故”的介绍,“2011年7月23日晚上20点30分左右,北京南站开往福州站的D301次动车组列车运行至甬温线上海铁路局管内永嘉站至温州南站间双屿路段,与前行的杭州站开往福州南站的D3115次动车组列车发生追尾事故,后车四节车厢从高架桥上坠下”,建立动车事故关键词库。最终筛选出的与动车事故相关的关键词总体比较收敛,包括:动车事故、甬温铁路、甬温线、D301、甬台温铁路、温州动车、上海动车、福州动车、温州到上海动车、福州到上海动车等10个关键词。由图4可知,在发生动车事故后,关键词搜索量有猛烈增幅,但动车板块的股票加权价格却大幅下降,说明搜索量在一定程度上反映了动车事故的发生。3.duys0与变压器x0的关系(1)变量定义。本文将动车概念股VWAP作为被解释变量,设为Yt;解释变量包括:事件关注度指数x0,动车板块行情关注度指数x1,宏观经济形势关注度指数x2,微观股民行动指数x3,动车事故发生与否的哑变量Dummy0(在动车事故为发生前的5月12日～7月22日变量为0,在7月25日～10月31日变量为1),以及综合考虑动车事故发生与否与动车事故搜索量的变量Dummy,(在动车事故为发生前的5月12日～7月22日变量为0,在7月25日～10月31日变量为动车事故搜索量)。为缩小数据间的差异,减少异常值的影响,本文对以上变量取对数,依次分别表示为LogYt,Logx0,Logx1,Logx2,Logx3。(2)模型构建。本文建立了五个模型,模型1仅包含市场关注度指数x1,x2,x3,模型2是在模型1的基础上加入动车事故虚拟变量Dummy0后的模型,模型3是在模型1的基础上加入动车事故关注度指数变量x0后的模型,模型4是在模型1的基础上将事故发生与否与关注度指数综合考虑的变量Dummy1(Dummy1=Dummy0×Logx0)后的模型,模型5在模型1的基础上将动车事故虚拟变量Dummy0与动车事故关注度指数变量x0分开考虑,同时加入模型。五个模型如下:模型1:LogYt=β1LogX1+β2LogX2+β3LogX3+ut模型2:LogYt=β0Dummy0+β1LogX1+β2LogX2+β3LogX3+ut模型3:LogYt=β0LogX0+β1LogX1+β2LogX2+β3LogX3+ut模型4:LogYt=β0Dummy1+β1LogX1+β2LogX2+β3LogX3+ut模型5:LogYt=β0Dummy0+β1LogX0+β2LogX1+β3LogX2+β4LogX3+ut为了消除数据的短期线性相依性,模型1～模型5中,本文均引入ARMA(p,q)模型,五个模型的回归及检验结果如表4所示。为保证模型的有效性,对五个模型的残差进行自相关、White异方差及VIF共线性检验,结果显示,除模型5中Dummy0的VIF高达20.19(>10)外,其余模型的残差均通过检验。进一步对模型5进行变量相关性检验发现,Dummy0与LogX0两个解释变量之间存在高度相关性(r=0.742),因此,虽然Dummy0与LogX0均统计上显著不为0,即动车事故搜索量对动车概念板股票VWAP有显著影响,但由于共线性的存在,导致了LogX0的系数为正。(3)结果分析。由表4可知,上述五个模型中除LogX3(股民行动指数)外,其余各解释变量前的系数均显著不为零。模型2中哑变量Dummy0统计上显著不为0,说明动车事故发生对动车概念板股票VWAP有显著影响,系数为负,即事故的发生对股价产生负面影响,与模型1比较,模型2的R2=0.864,提高了2%,拟合程度提高;模型3中事故关注度指数LogX0系数为负,且统计上显著不为0,也说明事故的发生对股价产生显著的负面影响,且与模型1比较,模型3的R2=0.852,提高了1%;模型4事故关注度指数Dummy1系数为负,且统计上显著不为0,也验证了事故的发生对股价产生显著的负面影响,且与模型1、模型2、模型3比较,模型4的R2提高到了0.878,拟合程度最高,具体表达式如下:因此,由模型1～模型4可知,动车事故的发生对动车概念板股票产生显著负影响,且Dummy1是刻画该事件对动车概念板股票VWAP影响的最优事故关注度指数。4.模型4:1和2在模型4的ARMA(6,15)的基础上,本文利用ARCHLM检验对残差是否存在条件异方差进行检验,结果如表5所示,即表示样本序列在1%的显著性水平下,残差序列存在条件异方差性,即动车概念板VWAP波动性存在不确定性。因此,为了消除条件异方差,本文构建单整GARCH(1,1),即IGARCH(1,1)模型来解决模型4中的条件异方差问题。动态非线性模型GARCH通过上期的预测方差和在以前各期中观测到的关于变动性的信息来预测本期的方差,如果以前观测到的预测方差异常大,则投资者会增加对下期误差的估计,可解决股价波动“聚集性”(Mendbrot,Fama)带来的条件异方差问题。模型标准形式如下:在IGARCH模型的均值方程中,的系数β表示当期方差冲击在下一期的作用,刻画了波动冲击的衰减速度,其值越靠近1,则衰减速度越慢,其中,半衰期的计算如下:根据式(5)可知,动车事故对股票市场影响的半衰期为8～9天。由图6可知,动车事故的发生对股价影响的程度成边际递减趋势,即事故发生前期影响较大,第一天衰减了1.82%,