房地產網絡輿情情感傾向性研究

曾德珩 單艷

摘要：隨著網絡、手機等各類新媒體形式的出現，大量房地產輿情借助網絡平臺傳播，信息的產生與傳播范圍、速度日益提高。然而，一方面由于房地產市場存在區域異質性，另一方面房地產市場在新聞媒體與大眾評論之間出現明顯的情緒分化，最終導致房地產市場情緒的高漲或低落。挖掘技術對輿情語料進行情感傾向分析，量化市場情緒，可以為市場預測、資產定價研究提供新的思路。基于挖掘技術，收集重慶市2019.07.01-2020.06.30期間的房地產市場相關輿情，基于機器學習方法構建房地產領域專屬詞典，以情感詞典和機器學習組合方法對輿情語料的情感特征進行量化，并確定投資者情感指數編制方法，構造出重慶市近一年內房地產市場月度情感指數。基于辭典構建和機器學習組合方法對房地產市場情感指數進行量化分析，可以剖析投資者近一年內房地產市場中的情感表達，研究市場情緒對于房地產價格走勢和市場異象的解釋，為房地產領域的市場分析提供一種較為新穎的視角。

關鍵詞：文本情感分析;情感辭典;市場情緒;房地產市場

中圖分類號：F293.35 文獻標識碼：A

文章編號：1001-9138-（2021）06-0032-42 收稿日期：2021-05-25

1 引言

由于投資者的決策行為存在個體差異性，投資者的個體情緒在市場中通過群體作用而相互影響，逐漸形成共同的市場情緒，并對市場發展產生影響。市場情緒既是個體投資者對市場信息的認知處理結果，也是市場投資者行為的相互作用結果，可以反映市場過去及現在的發展情況，同時影響未來市場發展。因此，對市場情緒進行度量，可以幫助解釋市場異象和預測市場發展。然而市場情緒是一個難以度量的概念，傳統的市場情緒測度方法已經不再適用。隨著互聯網的發展，大量的樓市評論信息借助網絡平臺在投資者之間相互傳播，個體情緒借助網絡平臺形成市場情緒，吸引了大量投資者注意力，并對投資者的決策行為產生引導作用。對新聞語料進行文本情感分析，成為研究市場情緒的一個重要方向。因此，本文希望通過情感分析技術衡量房地產市場的情緒表達，并構建市場情緒指數。為精確研究范圍，測度更精準的情緒指數，本研究以重慶市為例，借助新浪輿情通系統，收集重慶市2019.07.01-2020.06.30期間來自各類論壇、網站、自媒體賬號等渠道的房地產市場輿情信息，利用文本情感分析技術對近一年來重慶市房地產輿情進行情感特征量化研究，通過量化投資者情感表達，解釋重慶市房地產市場的價格走勢及市場異象。

2 研究現狀

市場情緒的研究最早可見于Tetlock的研究，該學者利用《華爾街日報》專欄的每日內容，定量衡量媒體和股票市場之間的互動，發現媒體悲觀情緒的高位具備預測市場價格下行壓力的能力。此后市場情緒研究在金融領域應用較為成熟，并逐漸應用于其他領域。對于市場情緒的測度方法目前主要有兩種，一是利用市場基本面諸如成交量、消費者信心指數等指標代理市場情緒，如Statman、Lee等。二是利用問卷調查的收集投資者關注度、投資意愿等進行情緒量化，如Shiller、Statman等。隨著大數據時代的到來，投資者會通過網絡輿情表達和接收情緒，基于互聯網大數據挖掘的情感傾向分析也逐漸被運用于測度投資者情緒，如Antweiler、Bollen、Schumaker等。

關于房地產市場情緒研究方面，國外學者Soo對全美34個城市的住房市場情緒進行了測量，得出結論房地產媒體情緒對未來房價具有顯著的預測力。I-ChunTsai考察了美國股市和房地產市場的關系及其對消費財富效應的影響，兩個市場都對消費產生了財富效應，股市情緒指數可以解釋財富效應的變化。Freybote研究了美國房地產投資信托公司債券投資者情緒，為美國房地產投資信托公司債券投資者的定價決策提供參考。Ma將樸素貝葉斯算法與分類器算法應用于房地產信心指數構建，實現了基于財經新聞的循環經濟指數的構建。Dietzel利用房地產相關谷歌搜索量數據作為衡量投資者情緒的指標，發現谷歌數據可以作為早期市場指標，預測美國房地產市場轉折點。Heinig和Nanda以倫敦西區商業房地產為研究對象，使用正交化和主成分分析法對宏觀經濟情緒指標和在線搜索量數據進行分析，得出結論從更具前瞻性的信息來源（如在線搜索）中提取的情緒可能會為投資者、貸款人或其他市場參與者帶來重大的信息增益。StephanLang運用資產定價框架，以情緒敏感度為基礎，對歐洲房地產股票的表現進行評估，發現情緒驅動的回報行為實際上只是對承擔更高基本風險的補償。Clayton探討了基本面和投資者情緒在商業地產估價中的作用，發現即使在控制了預期租金增長、股票風險溢價、國債收益率以及長期均衡滯后調整之后，投資者情緒仍會影響定價。Eddie提出住房需求在一定程度上是由參與者的情緒驅動的，認為房地產市場的投資者更容易受到情緒的影響。Jessica對約12.5萬篇美國報紙頭條新聞進行了調查，并建立了不同的情緒衡量指標，探討新聞媒體情緒與證券化房地產市場之間的關系。國內學者廖娟構建了符合中國房地產住宅市場的購房者情緒指數，認為房地產市場投資者情緒與羊群行為兩者之間具有聯動關系。劉林發現投資者情緒的高漲會促進房地產價格的上漲，且在房地產市場低迷時期，投資者情緒推動房地產市場上漲的作用更顯著。鄭榮卿試圖研究市場情緒對商品住房市場運行的影響，并基于實證分析得出市場情緒對于商品住房市場波動的解釋力度達到25.38%的結論。李書忞將行為金融與大數據進行融合，2004-2016年內約20萬篇主流媒體房地產業新聞報道獲取投資者情感信息，并分析投資者情緒與房地產市場價格波動之間的關系。黃燕芬基于行為金融建立了房地產情緒指數影響房價的模型，實證研究了市場情緒對房價的影響。

通過梳理文獻研究發現，市場情緒測度的研究主要集中在金融領域，如股票、證券市場。房地產產品作為一種特殊商品，存在市場分割程度高、投資者信息不對稱、地域分化明顯等特征。相較于股票、證券市場，房地產市場更容易受市場情緒影響，然而相關研究中房地產市場并沒有像股票市場那樣受到關注。因此，本文希望在這樣的研究背景之下，通過將金融文本分析引入房地產市場領域，對網絡媒體信息蘊含的投資者情緒進行量化研究，構建重慶市近一年房地產市場情緒指數，在擴展文本分析應用范圍的同時給出一種全新的衡量樓市情緒的方法。

3 研究方法與數據處理

本文首先收集大量來自論壇、自媒體、網站等房地產資訊的信息，通過構建重慶市房地產領域情感詞典，并將詞典引入文本情感分析模型，提升語料情感分析準確性。利用文本情感分析計算文本情感值，最后構建房地產市場投資者情感指數。如圖1所示，研究關于新聞文本的情感值的計算主要基于以下步驟：（1）數據獲取：收集2019.07.01-2020.06.30之間重慶市關于房地產市場有關資訊的信息數據，數據來源包括論壇、新聞網站、微信公眾號、微博、博客等;（2）數據清洗：將收集的數據經過文本分詞、詞性標注等程序，將原本非結構化的、難以進行分析的文本篇章轉化為可供文本分析系統分析文章情感值的新聞文本;（3）構建領域專屬情感詞典：根據房地產市場和重慶市區域特征構建重慶市房地產市場專屬情感詞典，對語料進行情感分析并測算其情感值;（4）編制市場情緒指數：按月度計算重慶市近一年的房地產資訊情感傾向值，并計算市場月度情緒指數。

3.1 數據獲取

本文主要基于新聞媒體的房地產資訊進行文本挖掘，因此需要選擇權威且廣泛的信息來源保證研究的科學性。為滿足研究要求，本文基于新浪輿情通系統，通過設置采集關鍵詞及地域關鍵詞，以月度為單位，采集2019.07.01-2020.06.30期間重慶市房地產有關媒體報道如表1所示。

批量導出房地產相關輿情共計67854條，每月的重慶市房地產有關輿情數量均在4000條以上，充足的輿情數量增強了后續投資者情緒指數構建的準確性，減少因研究樣本數量不足造成的情緒偏差。

3.2 數據處理

數據處理主要指對導出的輿情語料進行預處理，包括數據清洗、文本去重、文本分詞等操作，為后續情感分析奠定基礎。網絡采集的輿情數據中存在大量的無用符號以及許多網址鏈接，這些無用的信息稱為文本噪聲，存在噪聲的預料文本由于其符號的混亂性，是無法進行斷句與分詞處理的。需要通過數據預處理，原本完整、非結構化的輿情語料將轉化為結構化、能被計算機識別的語料文本。

首先，由于新浪輿情通系統收集的信息量巨大，同一條內容全網發布多次的情況很普遍，為了降低這種重復文本對最終情感判斷的影響，需要對收集的數據進行文本去重，提高后續情感分析的準確性。由于語料文本中還存在大量本身無實際意義，對情感判斷無用的詞語，諸如“哦”“的”“了”等，這類詞語統稱為停用詞。停用詞的存在會占用大量的文本儲存空間，降低后續情感分析效率，因此需要利用算法將之去除。本研究引入哈工大停用詞詞庫，將文本去重后的語料數據進行去除停用詞操作。將清洗后的數據以txt文件儲存，以便后續文本分詞操作。

接下來，需要對清洗后的文本進行分詞操作。詞語是組成句子的基本元素，能夠獨立表示有價值信息和體現情感傾向，因此詞語對于句子索要表達的情感傾向起到決定作用。利用分詞操作將以完整句子呈現的語料按照某種預定規則切分成相應的詞語片段。本文采用Python版本的jieba分詞器進行分詞操作，主要的算法包括：（1）基于前綴詞典實現此圖掃描，生成句子中漢字所有可能生成詞情況所構成的有向無環圖（DAG）;（2）利用動態規劃查找最大概率路徑，基于詞頻找到最大切分組合;（3）對于未登錄的詞語，采用基于漢字成詞能力的HMM模型，并采用維特比（Viterbi）算法。例如，利用表1所示的語料文本的摘要結巴分詞后的結果如表2所示。

4 重慶市房地產市場專屬情感詞典構建

在對輿情語料進行文本分詞之后，需要對語料包含的情緒信息進行文本情感分析。一般而言，情感分析的方法主要有基于情感詞典和基于機器學習語言兩種方法。兩種方法在原理、過程、結果等方面都存在差異，本文選擇將兩種方法結合使用，基于機器學習方法構建房地產領域專屬詞典，以情感詞典和機器學習組合方法對輿情語料的情感特征進行量化。目前的評論文本情感分析僅使用通用型情感詞典，缺少房地產領域的情感詞典研究，在分析房地產相關評論時的準確率不高;其次，房地產行業強地域屬性造成了房地產市場的天然割裂，不同層級城市發展的顯著分化決定了“因城施策”的大背景，不同的城市對于樓市判斷有不同的俗語、哩語，目前的情感辭典缺乏對這一方面的考量。因此在進行房地產信息情感分析時需要根據城市屬性及房地產行業屬性構建專屬情感辭典。本研究構建的重慶市房地產領域專屬詞典由三部分組成：（1）基礎詞典;（2）擴充詞典;（3）專屬詞典。

4.1 基礎詞典

4.1.1 基礎情感詞典

知網發布的 《情感分析用詞語集》 （HOWNET）是我國應用最廣泛且地位最權威的一部情感詞典。該詞典主要分為中文和英文兩部分，共包含如下數據：中文正面評價詞語3730個、中文負面評價詞語3116個、中文正面情感詞語836個、中文負面情感詞語1254個;英文正面評價詞語3594個、英文正面評價詞語3563個、英文正面情感詞語769個、英文負面情感詞語1011個。可知知網情感詞典（HOWNET）收錄的情感詞較為全面，且應用較為成熟，因此本文選擇其作為基礎情感詞典。根據知網情感詞典的規則與定義，從中總結出一系列積極以及消極詞匯，構成本研究的基礎情感詞典。部分基礎情感詞典的詞匯如表3所示。

4.1.2 程度副詞詞典

僅有情感詞匯還遠遠不夠，程度副詞對情感詞的情緒表達具有不可忽視的作用。本文引入知網HOWNET程度級別詞語構建程度副詞詞典，分為極度、高度、中度、低度四個級別，并分別賦值1.8、1.6、1.2、0.6，用于后續情感得分計算。本研究選取程度副詞共計219個，具體程度副詞詞典展示如表4所示。

4.1.3 否定詞詞典

在中文語句中含有多重否定的句法，當否定詞在詞組中出現的次數是奇數時，表示否定意思;當否定詞在詞組中出現的次數是偶數時，表示肯定意思。結合本文的語料庫和中文表達習慣，本文共收集了85個否定詞，其權值設定為-1。具體否定詞匯如表5所示。

4.2 擴充詞典

知網情感詞典（HOWNET）雖然已經包括較多的情感詞匯，但語言表達多元且易變，且房地產行業擁有較多專業詞匯，因此需要對基礎詞典進行擴充。本研究的擴充詞典基于機器學習方法，借助2019.01.01-2019.06.30期間重慶市房地產相關資訊作為擴充情感詞典的數據集，共計輿情信息29616條。以同樣的方式對數據集進行清洗、文本分詞等工作，隨機從中抽取5000條輿情作為訓練樣本，對樣本數據進行人工篩選，應用于整個樣本數據，最后整理出871個房地產領域擴充情感詞匯。部分擴充詞典示例如表6所示。

4.3 專屬詞典

重慶市位于嘉陵江與長江的交匯口，曾為巴國首府所在地，是巴渝文化重要的發祥地之一。重慶方言蘊含巴渝特色，在語音、詞匯、語法等方面都自成一體，尤其是詞匯更具特色。如“乖”“牙刷”“打望”等詞語在重慶方言的特殊語境下，往往蘊含不同的情感信息。雖然大部分的情感分析利用上述基礎情感詞典以及擴充詞典就可以完成，但是大量自媒體為加強語言渲染力，服務重慶本地投資者，會在評論分析中采用大量重慶方言表達對樓市的看法。為了提高情感分析的準確度，基礎情感詞典的適應性以及準確定性在特定的情感分析任務中受到挑戰。因此，除了上述情感詞典的擴充，構建屬于重慶市樓市專屬的情感詞典是非常必要的。本文通過閱讀大量樓市新聞以及自媒體文章，采訪重慶本地土著，通過有效的人工篩選，劃分出重慶市表達樓市信息的常用情感詞共計150個，諸如“洗牌”“甩貨”“下叉”等。部分專屬詞典樣例如表7所示。

將基礎詞典、擴充詞典以及專屬詞典組合，最終得到本次研究所應用的重慶市房地產專屬情感詞典。其中積極詞匯5089個，消極詞匯4942個，程度副詞219個，否定詞85個。最終的情感詞典規模及樣例如表8所示。

5 重慶市房地產市場輿情語料情感分析

5.1 情感值計算

在構建完成重慶市房地產領域專屬情感詞典之后，便可以對預處理后的輿情語料數據進行情感分析，同時為后續投資者情緒指數編制及分析做準備。本研究采用情感極性累加法計算文本情感值。基于情感詞典的文本情感分析工作框架如圖2所示。

輿情語料的情感值算法具體步驟如下所示：

（1）導入輿情語料庫，對語料進行刪除停用詞、分詞、詞性標注等預處理工作;

（2）引入重慶市房地產領域專屬詞典，將詞典中的情感詞匯與語料進行匹配，設定積極詞分值為1，消極詞分值為-1，分別表示為P_W和N_W。

（3）引入程度副詞詞典和修飾詞典。如上文所述，將程度副詞按程度級別分為四個權重值，分別為1.8、1.6、1.2、0.6，分別表示為D1、D2、D3、D4，否定副詞表示為N1，其修飾權重設置為-1。

（4）從語料的第一個詞開始，如果詞語屬于情感詞典，則判斷該詞前是否有程度副詞，如果沒有，則按照情感詞分值，如果有，則用程度副詞權重與詞語分值相乘，如果程度副詞前還包含否定詞，則用否定詞權重、程度副詞權重與詞語分值相乘。遍歷進行至整條語句沒有情感詞為止，將每次遍歷過程的得分進行加和，得到語料基于情感詞典的情感評分。

（5）最終，每條語料的情感值計算的公式如下：

（1）

其中，Pos和Neg分別表示積極詞匯和消極詞匯，i表示整個句子中的第i個情感詞，D表示距離情感詞i最近的程度副詞，分為4個等級，設定值分別為1.8、1.6、1.2、0.6;N表示距離情感詞i最近的否定副詞，值設定為-1。將情感詞分值進行加和得到整個句子的情感值。

5.2 實驗結果評測

本實驗的情感分析評測指標使用情感分析領域常用的幾個指標：精度（precision）、召回率（recall）、F1值。精度是對精確度的度量，即預測結果正確占預測結果的比重;而召回率是完全性的度量，即預測為正類（負類）且實際也為正類（負類）占數據集中正類（負類）的比例;F1值是精度和召回率的調和均值，它將精度和召回率賦予相同的權重。與精度和召回率一樣，F1值也需要求出正類、負類及總體的值。精度（precision）、召回率（recall）的計算公式如下所示：

precision = TP / （TP + FP） ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2）

recall = TP / （TP + FN） ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

其中，TP表示的是分類器正確分類的正元組的個數，FP表示的是分類器錯誤分類正元組為負元組的個數，FN表示的是分類器錯誤的分類負元組為正元組的個數，P表示的是數據集中實際正元組的個數，N表示數據集中實際負元組的個數，TN表示的是分類器正確分類負元組的個數，P表示分類器分類的正元組的個數，N表示分類器分類的負元組的個數。它們之間的關系可以如下的混淆矩陣如表9所示。

將這兩個值組合到一個度量里，這個就是F值。F值計算公式如下所示：

F_ β = （（1+β^2） × precision×recall） / （β^2 × precision + recall） ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （4）

其中β為非負實數，當β為1時就是F1值，F1值是精度和召回率的調和均值，它將精度和召回率賦予相同的權重。與精度和召回率一樣，F1值也需要求出正類、負類及總體的值。

本研究基于前文構建的重慶市房地產領域專屬情感詞典，以近一年重慶市房地產輿情為研究對象，利用詞典對輿情語料進行情感傾向判斷實驗，得出語料情感值。基于詞典情感特征的情感傾向判斷實驗評價指標數據如表10所示。由表10知，實驗的精度達0.61，情感詞典召回率為0.62，F1值為0.66。說明本次情感判斷實驗與實際情況相差不大，較為合理。

5.3 實驗結果分析

根據情感判斷實驗，將每一條輿情語料的情感程度表示為相應的情感分值。本文將重慶市近一年房地產輿情的情感分析結果采用二分法分類，即積極和消極。根據文本情感判斷實驗得出的情感分值與臨界值0進行比較，分值高于0即判斷為積極，分值低于0即為消極。根據實驗，本次情感判斷的部分結果如表11所示。

通過對輿情語料的情感傾向判斷統計如表12所示，2019.07.01-2020.06.30期間重慶市房地產輿情的情感多為積極類型。其中積極輿情25239條，占比0.64，消極輿情大概14504條，占比0.36。反映出近一年，重慶市房地產市場熱度趨穩，投資者對于重慶市房地產市場看多者較多，市場購房信心較足。

6 重慶市房地產市場情緒指數構建

6.1 市場情緒指數計算

為了編制出準確代表市場變化的情緒指數，需要選擇合理的指數編制方法。本文參考同類別金融文本分析研究中所采用的情感量化方法，通過情感傾向判斷實驗的數據進行匯總處理得到重慶市房地產市場近一年的情緒指數。首先，需要統計近一年各月重慶市房地產的積極輿情數量和消極輿情數量，然后將同一月份的積極輿情數量與消極輿情數量相減，并除以當月內所發布的輿情總數Nt，計算得出月度房地產投資情感指數。

具體編制公式如下所示：

Sentiment_t = （Npos-Nneg） / Nt * 100+100

（5）

其中，Sentiment_t表示重慶市t月份的投資者情感指數，該月份的積極輿情數量與消極輿情數量分別表示為Npos、Nneg，Nt表示重慶市t月份的輿情總數量。最終計算2019.07-2020.06期間重慶市房地產市場的月度情緒指數如表13所示。

6.2 市場情緒指數檢驗分析

為了檢驗構建指標的合理性，則需要選取能夠代表重慶市房地產市場發展狀況以及市場態度的指標對指數進行檢驗。百度指數是由搜索引擎百度提出，基于互聯網大數據統計搜索量的一個指標。搜索量的多少可以體現投資者的關注度，從而反映市場情緒。因此選取百度指數作為檢驗指標，由于百度指數與本文構建的市場情緒指數存在量綱不一的問題，首先利用SPSS軟件對數據進行標準化處理，并繪制兩個變量的趨勢圖。

2019.07-2020.06期間市場情緒與百度指數呈現較好的擬合性，走勢一致，說明本文構建市場情緒合理，能夠反映市場態度及發展狀況如圖3所示。根據市場情緒指數，2019年下半年重慶市投資者情緒較高，樓市熱度重現。其中2020年1月和2月市場情緒指數與百度指數出現反常情況，這與上半年重慶市房地產市場受大環境降溫以及疫情影響整體趨冷有關。2020年年初，中央首提“雙城經濟圈”，高質量謀劃推動成渝地區建設，城市價值不斷凸顯導致市場情緒高漲，然而接近年關市場關注度卻有所下降。由于全球新冠肺炎疫情蔓延，2月份的情緒指數延續了1月的悲觀趨勢，反映出投資者對房地產市場的擔憂。隨著國內疫情整體得到控制，房企接連發出各種促銷活動，引發投資者對房地產的討論，投資關注度有所上升。

7 結語

互聯網為廣大投資者提供了一個交流、協作、共享的平臺，豐富多彩的輿情數據成為了衡量市場情緒的主要載體。科學分析輿情的情感傾向，合理構建市場情緒指數，有助于了解市場與投資者的關注重點，反映投資者投資意愿和對市場走勢的預期。本文通過文本情感分析重慶市房地產輿情的情感傾向，評價投資者情感指數，近一年重慶市房地產市場的走勢。以2019.07-2020.06期間重慶市房地產輿情為例的文本情感分析表明，基于文本情感分析的情感傾向判斷和情感指數建立在房地產市場分析中有著較好的應用，能夠建立新的市場走勢評價方式，動態監測投資者情感變化，及時把握投資者對于房地產市場的情感趨勢。

雖然得出如上結論，但本文研究仍存在一定的局限性。比如，情感詞典的構建。在文本情感分析的研究中，情感詞典的構建最為重要。然而，隨著網絡用詞的更新，情感詞典不僅需要準確，而且還要不斷更新，情感指數的構建方法及有效性也還要進一步確認，從而提高分析的準確性。

參考文獻：

1.PAUL C.TETLOCK.Giving Content to Investor Sentiment： The Role of Media in the Stock Market.2007.62（3）

2.Statman F M.Investor Sentiment and Stock Returns.Financial Analysts Journal.2000.56（2）

3.Lee A.Smales.Asymmetric volatility response to news sentiment in gold futures.2015.34

4.Robert J.Shiller.Measuring Bubble Expectations and Investor Confidence.2000.1（1）

5.Statman F M.Investor Sentiment and Stock Returns.Financial Analysts Journal.2000.56（2）

6.Werner Antweiler， Murray Z. Frank. Is All That Talk Just Noise？ The Information Content of Internet Stock Message Boards.2004.59（3）

7.Johan Bollen，Huina Mao， Xiaojun Zeng.Twitter mood predicts the stock market.2011.2（1）

8.Robert P.Schumaker，Hsinchun Chen.Textual analysis of stock market prediction using breaking financial news.2009.27（2）

9.Soo，CindyK.Quantifying Sentiment with News Media across Local Housing Markets.Review of Financial Studies.2018

10.I-Chun Tsai.Wealth effect and investor sentiment.2016.38

11.Julia Freybote.Real estate sentiment as information for REIT bond pricing.2016.33（1）

12.Ma，Xu，Xu.Real Estate Confidence Index Based on Real Estate News.2018.54（4）

13.Marian Alexander Dietzel.Sentiment-based predictions of housing market turning points with Google trends.2016.9（1）

14.Heinig S，Nanda A.Measuring sentiment in real estate–a comparison study.Journal of Property Investment & Finance.2017.36（3）

15.Stephan Lang，Wolfgang Schaefers.Examining the sentiment-return relationship in European real estate stock markets.2015.8（1）

16.Jim Clayton，David C.Ling，Andy Naranjo.Commercial Real Estate Valuation： Fundamentals Versus Investor Sentiment.2009.38（1）

17.Jessica Roxanne Ruscheinsky，Marcel Lang， Wolfgang Sch?fers.Real estate media sentiment through textual analysis.2018.36（5）

18.Eddie Chi-man Hui，Ziyou Wang.Market sentiment in private housing market.2014.44

19.廖娟.房地產住宅市場投資者情緒對羊群行為的影響研究.湖南大學.2018

20.劉林 陳寧.市場投資者情緒與我國房價波動——基于Markov區制轉換VAR模型的實證檢驗.數學的實踐與認識.2017.47（22）

21.鄭榮卿.市場情緒對商品住房市場交易的影響.中南財經政法大學.2017

22.李書忞.基于文本挖掘技術的我國房地產市場投資者情緒指數及對房價的影響研究.上海交通大學.2018

23.黃燕芬 洪文斌 余華義.市場情緒如何影響城市房價.經濟理論與經濟管理.2019.07

24.傅建球 張瑜.房地產商品的特殊性與市場調查方法研究.商業時代.2008.29

25.楊英.基于新聞媒體文本挖掘和百度指數的投資者情緒指數研究.哈爾濱工業大學.2017

作者簡介：曾德珩，通訊作者，重慶大學管理科學與房地產學院教授，博士。

單艷，重慶大學管理科學與房地產學院碩士研究生。