1　緒論

1.1　選題背景和研究意義

1.1.1　選題背景

2020年，我國證券市場進入了30周年的而立之年。“2020年A股市值年度報告”顯示，截至2020年底，共有4 140家公司在深圳證券交易所或上海證券交易所主板上市，市值總規模創歷史新高，達到79.72萬億元，較2019年的59.29萬億元上漲20.43萬億元，漲幅高達34.46%，相當于我國2020年全年GDP的78.5%。通常來說，證券市場是國民經濟的“晴雨表”，其走勢往往能夠比經濟周期提前幾個月。證券市場常態波動是其具備流動性、充滿套利空間的原因，同時也是投資者逐利的機會；但是異常波動可能會帶來市場恐慌，演化為系統性風險，甚至成為金融危機爆發的導火索。因此，證券市場的穩定不但是重要的民生問題，而且是國民經濟健康發展的重要基石。

傳統金融學研究中，有效市場假說（efficient markets hypothesis，EMH）（Fama，1965）認為，證券市場的波動由“新信息”驅動，投資者依據“新信息”不斷更新對市場的看法并調整投資行為，從而推動證券價格圍繞其內在價值小范圍波動。近代行為金融學認為，由于非理性投資者對信息的認知偏差和處理信息的不完全理性，其產生的情緒化投資行為會引起證券市場的波動（De Long et al.，1990；Shleifer et al.，1997）。盡管傳統金融學和近代行為金融學對信息如何影響證券市場走勢有不同的觀點，但是二者都認同證券市場的波動與相關媒體信息的發布、傳播和吸收緊密聯系（De Long et al.，1990；Fama，1965；Rechenthin et al.，2013）。

在互聯網技術持續普及并得到廣泛應用的今天，互聯網中的媒體信息量與傳播速度日漸劇增，進一步加劇了媒體信息對證券市場波動的影響力。事實上，互聯網媒體對證券市場的影響是一把雙刃劍。一方面，其廣泛且迅速的信息傳播能力有利于降低市場參與者之間的信息不對稱程度，從而提高證券市場有效性和維護市場穩定。另一方面，互聯網上存在著大量的片面、違規甚至虛假信息，這些信息不但嚴重沖擊了股價，而且極大打擊了投資者對證券市場信息透明性和真實性的信心，從而降低證券市場的融資能力和社會資源配置能力。例如，2011年6月13日，原《內蒙古商報》社長編造了《內幕慘不忍睹：伊利被掏空》一文，并發布到網上，在短短的55分鐘內，導致伊利股份股票由漲停變為跌停，市值蒸發約10億元。

事實上，目前業界已經初步成立了多只基于社交媒體分析的對沖基金，例如DCM Capital、Twitter-based Hedge Fund、Cayman Atlantic。總體而言，這些基金通過分析媒體信息內容來感知公眾情緒、消費者意愿和投資者行為，來指導投資者進行投資，它們都取得了不錯的業績。特別是Cayman Atlantic管理資本，其年收益回報率達到了9.72%。值得一提的是，2017年10月18日，美國IBM公司支持的EquBot推出了一款名為AIEQ的交易型開放式指數基金（ETF），這是人類歷史上首款旨在完全脫離人工干預，利用人工智能預判證券市場波動的指數基金。截至2020年1月31日，AIEQ以15.22%的年收益率戰勝了標準普爾500（S＆P500）指數。

早期的傳統金融學研究主要利用基于新聞數量的計量分析法來研究媒體與證券市場波動的關系。具體而言，基于新聞數量的計量分析法是將新聞發布的數量作為新聞影響力的度量方式，來研究新聞對證券市場的影響（Chan，2003；Mitchell et al.，1994）。雖然有效證實了媒體對證券市場的影響力的存在性，但事實上，媒體對證券市場的影響來源于其對企業基本面情況的描述，以及在特定媒體影響下投資者的非理性行為。基于新聞數量的計量分析法沒有考慮到豐富的媒體內容，僅將媒體濃縮成一個“點”來測度其影響力顯得過于簡化，難以準確地捕捉媒體對證券市場的真實影響力。

近年來，隨著現代行為金融學在證券市場波動風險領域的深入研究，越來越多的證據表明，投資者的認知偏差和情感偏見是導致證券市場波動的重要因素（Barberis et al.，1998；Da et al.，2015；De Long et al.，1990；Mitra et al.，2011；Shleifer et al.，1997；Tetlock，2007）。其中，最具有代表性的開創性成果是Tetlock教授發布在Journal of Finance的兩篇研究報告（Tetlock，2007；Tetlock et al.，2008），Tetlock使用哈佛大學心理學詞典（HPD）分析了1984至1999年《華爾街日報》（Wall Street Journal）上的新聞，提出了一種利用情感詞比例來代表新聞內容的文本情感量化框架，探索了新聞的消極情感與上市公司的股票收益、公司業績之間的關系。Tetlock的研究初步揭開了傳統媒體新聞文本內容與證券市場波動風險關系的面紗。在大數據時代下，相比互聯網信息幾何級增長和傳播方式的多樣性，傳統新聞媒體的發布量、傳播力、影響力則顯得相形見絀，類似的基于傳統媒體新聞或少量的互聯網媒體新聞的研究也已無法滿足對證券市場綜合影響的準確把握。本書將從大數據的視角出發，利用大數據分析技術研究海量的互聯網財經新聞對證券市場的影響。

此外，以往的研究通常是將新聞視為一個整體，驗證其對證券市場整體的影響，但是缺乏了對證券市場媒體效應更深層次、更細致的探索。事實上，在施動者（媒體）層面，新聞發布的內容是多種多樣的，例如存在運營與業績、違規處罰、重組并購等多類別的新聞，具體哪種類型的新聞對證券市場波動的影響最為顯著？在受動者（上市公司）層面，公司具有不同的屬性，特別是在不同的行業，什么樣的公司更容易受到新聞的沖擊？在管理者層面，有的管理者傾向于同外界媒體產生更多的互動，有的管理者則更關注公司自身的經營，那么上市公司管理者在證券市場媒體效應中扮演的不同角色會對公司產生怎樣的影響？種種問題都值得進一步深思和探索。本書從施動者、受動者和管理者三個視角，對證券市場的新聞媒體效應展開了深入和細致的探討。

金融研究一直致力于解構（deconstruct）導致系統性經濟風險的內在機理，由導致系統風險波動的原因出發，從經濟指標、市場環境、政策變化、投資者情緒等角度逐一探尋不同風險因素對經濟系統波動的影響。但是，現實的經濟系統是一個復雜的動態系統，其波動一定是各種因素交叉融合、相互作用的合力結果。傳統的金融計量方法難以捕捉這一過程的全貌，這是“解構”思維的缺陷，也直接構成系統性風險分析研究的重大瓶頸。本書利用深度學習機制，提出了一個智能計算框架，用整體、連續，而非單一的數據關系，研究復雜市場因素對證券市場新聞媒體效應的綜合影響。

綜上所述，本書致力于從大數據視角研究證券市場的新聞媒體效應。為了獲得足夠的互聯網新聞數據，本書首先利用研發的定向分布式網絡抓爬器，獲取了2015至2017年的中國36個主流財經網站的110余萬條新聞信息；其次研究先進的自然語言處理技術，實現新聞主題的分類與新聞情感的量化；最后系統全面地從三個視角（施動者、受動者和管理者），通過傳統金融計量模型探索證券市場新聞效應。由于傳統的金融計量方法存在難以捕捉現實證券市場復雜動態過程的缺陷，本書進一步提出了一個深度學習框架，用整體、連續，而非單一的數據關系，研究復雜市場因素對證券市場新聞媒體效應的綜合影響。

本書構建的大數據證券市場媒體效應研究理論框架和技術方案，可以從金融市場監管、上市公司治理、投資者認知行為三個不同的角度，為證券市場實踐提供重要的理論參考和決策輔助。具體而言，在金融市場監管方面，監管者應當充分肯定媒體在證券市場中的積極作用、加強與新聞監管機構的長期合作、加強對各機構的監管以杜絕內幕交易；在上市公司治理方面，上市公司應當積極把握媒體動態和行業形勢、充分發揮公司高管在媒體中的作用、完善信息披露機制和內容；在投資者認知行為方面，投資者應冷靜應對海量互聯網財經新聞、有效甄別和理性看待不同主題的新聞、選擇熟悉的上市公司進行投資。