隔夜輿情的情緒強度特征與股票市場開盤收益率研究

李泓閱 劉天際 徐邵軍

摘? ?要：本文對“股吧”交易時間段和非交易時間段發布的帖子總數、閱讀量以及評論數進行文本計算，得到盤中和隔夜輿情相對情緒強度和輿情傳播強度指標，并以此為研究目標，建立門限回歸模型，揭示隔夜輿情相對情緒強度和股票開盤收益率之間的關系。實證結果表明，隔夜輿情相對情緒強度對股票開盤收益率存在非線性影響，當隔夜輿情相對情緒強度從絕對消極向絕對積極轉變時，其對開盤收益率的影響會經歷“負向影響——溫和的負向影響——惡劣的負向影響——顯著的正向影響”的過程。此外，本文證明了確切的消極輿情并沒有引發市場恐慌，但在輿情態度不明確條件下，容易引發交易者猜忌而造成開盤收益率崩盤和拋售行為。

關鍵詞：隔夜輿情;相對情緒強度;非對稱影響

中圖分類號：F830.91? 文獻標識碼：B? 文章編號：1674-2265（2022）03-0060-09

DOI：10.19647/j.cnki.37-1462/f.2022.03.008

一、引言與文獻綜述

本質上，資本市場是關于交易信息的集合。在成熟的資本市場上，無論是真實信息還是噪聲信息，都能夠引起股票價格的迅速變動（游家興等，2019;金秀等，2020）[1，2]。然而，在資本市場發展尚未成熟、而財經新聞媒體日臻完善的信息化時代，財經輿情容易放大資產價格波動（張普等，2018）[3]，造成股價對輿情反應不對稱的困境（權小峰等，2015）[4]。最直接的例子是西方資本市場的三大經典截面效應，在中國資本市場上會產生不同程度的失效。如：目前的研究對財經輿情的定價效率的觀點并未形成統一（王運陳等，2020;王宇瓊和龔維進，2020）[5，6];究竟是輿論情緒還是新聞傳播強度造成了股價收益率的波動（程蕭瀟，2019）[7]等。這類研究成果不僅需要我們重新審視財經輿情在資產定價過程中所起的具體作用，更為重要的是，如何在這一信息爆炸、媒體發聲鏗鏘有力的時代，利用好市場上的財經輿情，對資產定價研究進行更有意義的補充。

就財經輿情和資產定價的研究對象來看，一個較為明顯的共同特征是，現有研究均是針對收盤價收益率而展開，鮮有文獻討論財經輿情對開盤價的影響。若以股票開盤作為時間分割，市場可以分割為交易時間（當日開盤至當日收盤）和非交易時間（前日收盤至當日開盤）①?？紤]到每日股市開盤之前會有3分鐘的集合競價階段，股票價格在這段時間內的變化不僅反映了交易者對當日股市行情的整體情緒，還是對隔夜輿情信息的綜合反映。隨著信息化時代的到來以及數字技術的普及，盤后發布的財經新聞信息以及在社交平臺傳播的財經輿情，逐漸成為投資者挖掘股票潛在價值、試圖實現提前布局的重要信息來源。因此，一個有趣的問題是，隔夜信息對開盤收益率的影響，是否會顯著異于盤中信息對收盤收益率的影響？更為重要的是，隔夜輿情信息能否反映現有研究所忽略的內在定價機制？

目前關于財經輿情對股票收益率的影響，主要觀點是異質性交易者對財經輿情的判斷和消化能力不同（雷倩華等，2012;Folkinshteyn等，2015）[8，9]。異質性交易群體依據各自收集到的輿情信息形成對股票價格趨勢的主觀判斷，不同主觀信念的博弈形成了動量效應或反轉效應，具體取決于雙方力量的大小（張普等，2018）[3]。這樣的研究看似重視了財經輿情的作用，但實質上仍然把風險資產定價問題歸結為市場不同力量的博弈均衡。此外，很重要的一點是，“互聯網的記憶”被忽視了。眾所周知，社會大眾對于輿論事件的記憶存在時效性（吳世文和楊國斌，2018;金占勇等，2019）[10，11]，社會受眾根據媒體報道和財經輿情會形成一定的主觀情緒和判斷，并反應在隔天的投資決策上，進而影響風險資產定價。但是情緒是稍縱即逝的，甚至一個事件所產生的社會影響并沒有被資本市場完全消化，另一個事件接踵而至。因此，如何充分利用隔夜輿情信息，是研究隔夜輿情對開盤收益率影響問題的關鍵。

此外，如何有效地獲取財經輿情信息，并將之量化是目前實證研究所面臨的困難之一。近年來，隨著行為金融學的興起以及網絡技術的發展，越來越多的學者通過挖掘媒體報道和財經輿情中的信息來研究交易者情緒對股票的定價功能（張永杰等，2011;高錫榮和張紅超，2016;何賢杰等，2018）[12-14]。其中Dyck等（2004）[15]通過度量媒體語氣，研究媒體報道的情緒色彩對投資者交易信念和資產定價的影響，被認為是這一領域研究的開端。此后，Antweiler和Frank（2004）[16]、Das和Chen（2007）[17]采用文本分析的方法對論壇帖子進行語義理解和語義挖掘，并作為投資者情緒的代理指標來研究風險資產定價問題;Larkin和Ryan（2008）[18]利用語言專家識別的方式定義媒體報道的正面、負面情緒，并以此為基礎研究不同態度的媒體報道對風險資產定價的影響;Carretta等（2011）[19]以意大利金融報刊作為媒體語氣樣本的來源，采用機器學習的方法研究媒體態度對風險資產定價的影響。中國學者在這方面的研究起步較晚，但也取得了一定的研究成果。具體包括游家興和吳靜（2012）[20]在“沉默的螺旋”理論基礎上，證明了媒體情緒與資產定價之間的關系;程琬蕓和林杰（2013）[21]以新浪微博為情緒樣本來源構建漲跌情緒指數，驗證了社交媒體與證券市場之間的動態關聯。

上述文獻就輿情和風險資產定價之間的關系研究進行了較好的技術手段的嘗試，根據現有研究的做法，若能進一步解決以下問題，無疑能更加直觀地反映隔夜財經輿情對開盤收益率的影響。

其一，對財經輿情情緒或者態度的定義。從現有的研究來看，國外的研究較為豐富，其中十分重要的一點在于，國外財經輿情或媒體報道的措辭較中文表達更加直接，情感和態度的傳遞也更加明確（劉義軍和周升揚，2020）[22]。而漢語的表達方式則更加復雜，完全相同的語句或詞語，通過與不同標點符號組合，傳達的情感和心理傾向也可能完全相反。尤其是在較為官方的媒體或社交平臺上發布的信息，會盡可能地避免使用帶有情感色彩的詞語，甚至“閃爍其詞、答非所問”，客觀敘事的“官方回答”較為常見，語言表述方式更加中庸和謙遜（王宗炎，2008;撒忠清和馮敬玉，2012）[23，24]。這就致使按照西方語義規則挖掘中國媒體輿情信息時會出現語義定義偏誤甚至失效的可能。

其二，在研究過程中發現，雖然積極的輿情和消極的輿情，均能引發再次分享行為，然而負面信息傳播效能往往高于正面信息傳播效能。一般而言，情緒激烈程度越高，再次分享的意愿也越強烈（徐翔，2017;張志安和聶鑫，2018）[25，26]，對信息受眾造成的影響也越大（毛太田等，2019）[27]。并且，往往帶有情感宣泄和煽動性的輿情，傳播效能更強（祝興平和張微，2019）[28]。由于互聯網突破了物理距離和時間限制，使得消極的隔夜輿情更容易引發公眾參與。學者在利用新聞報道中正負面詞匯占比作為媒體情緒代理指標的研究中，發現了媒體報道態度的差異性會形成不同方向不同強度的“意見氣候”，從而形成“不對稱螺旋”。Dyck和Zingales（2003）[29]、Gaa等（2008）[30]證明了媒體的負向報道會造成股價更大程度的波動，Seok等（2019）[31]發現投資者情緒對利空消息的敏感性要強于對利好消息的敏感性。然而，此類結論在利用中國數據進行驗證時卻得到了相反的結果（俞慶進和張兵，2012;趙欣月，2018;汪昌云和武佳薇，2015）[32-34]。如何有效判斷不同輿情情緒對資產收益率的影響，尚未有文獻給出一致性解釋，這也是本文試圖解決的問題之一。

歸納現有研究可發現，隔夜輿情信息影響開盤收益率的機制在于，盤后的信息并非以客觀的財經新聞為主，往往是市場交易者對匯總和加工的相關媒體信息進行主觀理解甚至臆斷，并將最原始的財經新聞用帶有某種程度主觀情緒的方式發布或傳播到相應社交平臺上（如股吧、東方財富網論壇等）。同時，由于企業工作時間的關系，對這類盤后財經輿情往往不能做出迅速的澄清或辟謠，使得這種包含“噪聲”的“二手”輿情信息在非交易時間段造成市場情緒以及股民信心的波動，干擾投資者對財經輿情信息準確性的判斷，進而造成隔夜的資產定價偏差，使股票價值偏離其內在價值。同時，負面信息與正面信息的傳播速度、在市場交易者群體中引起的恐慌程度存在差異，進而導致負面信息和正面信息在風險資產定價過程中產生了非對稱的影響。

鑒于此，本文利用上市公司的日頻實際交易數據，采用文本挖掘和支持向量回歸模型的方式抓取股吧中不同股票的盤中和盤后閱讀、評論信息，按照盤中輿情和隔夜輿情的劃分標準，對市場輿情構建面板回歸模型和門限模型，對隔夜輿情與股票開盤收益率之間的關系進行實證檢驗。與現有文獻相比，本文的邊際貢獻主要體現在以下兩個方面：第一，本文采取文本分析的方式，對隔夜文本信息進行歸納和匯總，在更高頻的時間維度上驗證隔夜輿情的情緒和傳播強度對開盤收益率的具體影響。第二，本文采用截面門限回歸的方式，分析了不同強度輿情信號和開盤收益率之間可能存在的非對稱影響，對于理解隔夜情緒過度恐慌或過度高亢而引發的崩盤風險進行了新的思考，為規避金融市場恐慌拋售、降低市場波動提供了新的視角。

二、研究設計

（一）數據選取及其描述性統計

1. 指標設定及數據選取。如前文所述，本文的被解釋變量為股票開盤收益率（orit）。該指標的具體表達方式為orit=openPit/closePit-1-1，即隔夜開盤價相對于昨日收盤價的股票收益表現，該指標主要反映市場交易者在隔夜情緒影響下，次日交易者入場意愿的強弱。同時，考慮到模型穩健性，本文同樣選取股票開盤價和A股指數比值（rAit）作為開盤收益率的替代變量，該指標的一個巨大的優點在于，能夠排除市場行情對個股的影響。

本文的核心解釋變量為隔夜市場情緒。該指標的選取基于股吧論壇中網民發布的帖子數量、股票討論帖的閱讀數量和評論數量。與現有文獻采用微博評論和轉載數量不同，本文采取股吧發帖和評論數據的原因在于：一是股吧作為專門討論股票信息的非正式媒體社交平臺，其目標用戶的定位專一;二是較新浪微博不同的是，股吧發帖內容受到行業監管和審核的限制較少，更能充分反映輿情所蘊含的情感強度。因此，本文采用支持向量回歸模型（Sermpinis，2017）[35]對股吧發帖進行輿情情緒判斷，以期在保證數據樣本充足的同時提高對輿情情緒判斷的準確性。

在將具體的財經輿情信息轉化為衡量情緒的量化指標過程中，設定樂觀情緒的取值為1，悲觀情緒的取值為-1，中性情緒的取值為0。為捕捉文本信息和情緒量化指標之間的復雜、非線性關系，首先，隨機提取少量股吧的發帖、評論等文本信息（這部分人工標記的文本信息為訓練集），進行人工標記。樂觀的文本標記1，悲觀的文本標記-1，中性的文本標記為0。

其次，將訓練集中的文本信息拆解為相應的詞匯，因此，每條被人工取值的文本信息就對應著被拆解的詞匯。假設某條股吧發帖被判定為悲觀（取值為

-1），該條發帖能夠被拆解為n個詞匯。再通過向量化的方式將這n個詞匯轉化為輸入向量{x1，x2，...，xn}，則機器學習的決策過程可表示為

[Sentiment=f（a1x1，a2x2，…，anxn）]

其中[f?]為映射關系;{a1，a2，[…]，an}為待決參數。機器學習的過程就是通過優化迭代的方式獲取一組最優參數取值，從而使得對整個訓練集的判斷誤差最小，即[f（a1x1，a2x2，…，anxn）=-1]）。本文在計算過程中設定機器學習在訓練集的分類正確率為99.5%。

最后，將訓練集之外的未分類新聞向量輸入，在最優參數指導下，這些財經輿情的類別指標可正確被訓練集分類。具體的計算流程見圖1。

根據上述計算規則，本文針對不同的交易時間段，將所有的帖子出現的時間分為交易時間段②和非交易時間段③，得到如下的原始指標：交易時間段的帖子總量（intotalit）、交易時間段的積極帖子總量（ingoodit）、交易時間段的消極帖子總量（inbadit）、交易時間段的中性帖子總量（inmidit）、交易時間段的閱讀量（inreadit）、交易時間段的評論量（incomit），以及非交易時間段的帖子總量（outtotalit）、非交易時間段的積極帖子總量（outgoodit）、非交易時間段的消極帖子總量（outbadit）、非交易時間段的中性帖子總量（outmidit）、非交易時間段的閱讀量（outreadit）和非交易時間段的評論量（outcomit）。

由于本文的研究目標在于檢驗隔夜財經輿情的相對情緒強度對于開盤收益率的影響，即證明不同財經輿情的傳播強度以及不同的情緒信息量對開盤收益率的影響不同。財經輿情的傳播強度特征在數據上的表現為帖子引起的閱讀量和評論量不同，因此，在得到初步帖子數量數據的基礎上，定義交易時間段內的輿情傳播強度instrongit=inreadit/intotalit、非交易時間段內的輿情傳播強度outstrongit=outreadit/outtotalit。針對財經輿情的相對情感強度的識別，定義交易時間段的輿情相對情緒強度為intuneit=（ingoodit-inbadit）/（ingoodit+inbadit）、非交易時間段的輿情相對情緒強度為outtuneit=（outgoodit-outbadit）/（outgoodit+outbadit）。此外，不同情感特征的帖子對開盤收益率的影響是否一致，以及積極帖子和消極帖子之間的作用是否會在一定程度上抵銷是本文需要驗證的另一重要問題，在得到輿情情緒強度后，本文進一步將輿情情緒強度與交易者的評論相結合，得到交易者在盤中和盤后的情緒表現指標：inemoit=incommentit[×]intuneit、outemoit=outcommentit[×]outtuneit。按照上述方式對不同時間段的財經輿情進行情緒強度的換算，可知輿情情緒強度取值范圍為[-1，1]，即當市場情緒絕對悲觀時，intuneit和outtuneit的取值為-1;反之，當市場情緒絕對樂觀時，intuneit和outtuneit的取值為1。

除去上述核心變量之外，本文選取常規的財務指標以及股票基本面信息作為本文的控制變量，具體包括：股票波動率（volit）、日換手率（changeit）、市場交易量（volumeit）、流通股數量（amountit）、市值（valueit）。需要指明的是，如前文所述，本文的一個邊際貢獻在于，在高頻維度上實現隔夜輿情對開盤收益率的預測問題，因此，盡管反映盈利水平和成長能力的因素（諸如資產收益率、每股分紅、留存收益）對股票收益存在一定影響，但這類因素更多地用于股票長期收益率的預測，且這類指標往往是月度、季度和年度數據，缺乏日報數據。基于上述兩點考慮，本文并不將這類指標納入模型分析框架。詳細的指標含義及處理過程如表1所示。

考慮到中國股市走勢特征，以及財經輿情行業發展現狀，出于數據覆蓋范圍完整性考慮，本文選取的樣本時間范圍為2015年1月5日—2020年12月22日所有A股上市企業的市場交易數據④。其中開盤價（openPit）、收盤價（closePit）、股票波動率（volit）、日換手率（changeit）、市場交易量（volumeit）、流通股數量（amountit）、市值（valueit）等基本面數據來源于國泰安數據庫，核心解釋變量為作者采用機器學習和文本分析法，對股吧論壇股票的發帖量、閱讀量、評論量計算匯總所得。

在驗證隔夜輿情對開盤收益率影響的實證過程中，本文剔除了存在指標缺失的樣本，以及所有不包含情緒的樣本（即排除intotalit=inmidit以及outtotalit=outmidit的樣本）。這類樣本被認為不能有效反應財經輿情對市場交易者的影響。以上篩選出的樣本數量共計1463010個。

2. 描述性統計。先對機器學習計算的關于盤中輿情和盤末輿情的情緒強度特征進行核密度檢驗。通過圖2可以看出，整體而言，無論是交易時間段還是非交易時間段，市場交易者在貼吧發帖、評論所傳達的財經輿情情緒均較為悲觀，無論是盤中輿情還是盤末輿情，核密度曲線均向負值傾斜;此外，通過對比盤中輿情情緒強度和盤末輿情情緒強度發現，市場參與者在交易時間段的悲觀程度要強于非交易時間段的悲觀程度，相應地，市場參與者在交易時間段的樂觀程度要弱于在非交易時間段的樂觀程度。換言之，未經證實的財經輿情信息經過市場發酵后，容易提高市場交易者的非理性樂觀程度，而被市場逐漸證實的財經輿情信息，往往會加重交易者的悲觀情緒。

本文同時對開盤收益率以及相應的隔夜輿情指標進行數值統計（見表2）。從表2可以看出：就開盤收益率來看，開盤收益率普遍不高，平均處于虧損狀態，且開盤收益率的最大值的絕對值要顯著低于最小值的絕對值。對于投資者而言，意味著集合競價階段強勢進場可能會遭遇損失。就帖子總量以及積極、消極、中性帖子數量來看，盤中發布的輿情數量要高于隔夜發布的輿情數量（ingood、inmid、inbad的均值都高于outgood、outmid、outbad），初步表明，在交易時間段散布的輿情會比在非交易時間段散布輿情達到更好的信息傳播效果。但是同時需要注意的是，觀察消極帖子總量的最大值發現，隔夜消極輿情的最大值大于盤中消極輿情的最大值，且顯著高于積極輿情。這也從側面印證了消極情緒的傳播效能要強于積極情緒的傳播效能。從股吧輿情閱讀和評論數量來看，在絕對數上，同樣表現出隔夜輿情的閱讀和評論數要低于盤中輿情的閱讀和評論數這樣的規律。

然而，通過對指標進行相應的處理可以發現，隔夜輿情的傳播效能要顯著高于盤中輿情的傳播效能（outstrong均值大于instrong均值），換言之，隔夜輿情所蘊含的信息含量要顯著高于盤中輿情的信息含量;此外，隔夜輿情與盤中輿情的相對情緒強度普遍是偏負向的（outtune和intune的均值分別為-0.339和-0.314），即消極輿情無論在盤中還是在隔夜時間段均占較大比重，市場信息普遍消極;而這種消極信息同樣會引起交易者情緒的恐慌（inemo和outemo的均值分別為-19.121和-15.165）。

上述時間里，以及描述性統計結果可以初步判定，隔夜輿情與開盤收益率之間可能存在正向關系，需進一步實證檢驗。

（二）模型設計

為檢驗隔夜輿情是否對開盤收益率存在顯著影響，本文建立以下固定效應面板模型：

[orit=β0+β1×outtuneit+i=1NαiXit+λi+εit]

上式中，orit為開盤收益率，outtuneit為隔夜輿情情緒強度，為本文的核心解釋變量，Xit為本文的控制變量，具體包括：交易時間段內的輿情傳播強度（instrongit）、非交易時間段內的輿情傳播強度（outstrongit）、交易時間段的輿情情緒的相對強度（intuneit）、交易者隔夜情緒（outemoit）、交易者盤中情緒（inemoit）、股票波動率（volit）、日換手率（changeit）、市場交易量（volumeit）、流通股數量（amountit）和市值（valueit）。

同時，在具體實證過程中，為排除序列相關性、內生性等問題以及使各個變量在量剛上保持相對一致，對下述數據做進一步處理：首先，由于企業財務數據的量綱較大，因此，對市場交易量、流通股數量以及市值做取對數處理;其次，對帖子總量、帖子閱讀數量、帖子評論數量除以100;最后，由于當天開盤收益率并不受當天交易時間段的輿情與當天市場交易的基本面數據的影響，而可能受到前一日交易時間段的輿情以及前一日基本面數據影響，因此，對交易時間段內的輿情傳播強度（instrongit）、交易時間段的輿情情緒的相對強度（intuneit）以及交易者盤中情緒（inemoit）以及相應的基本面數據取一階滯后，表明上個交易時間段的市場輿情和已經實現的基本面信息對隔天開盤收益率可能存在的影響。

此外，針對描述性統計結果分析可以發現，隔夜輿情情緒的相對強度對開盤收益率可能存在非對稱影響。為驗證這樣的猜想，本文在固定效應面板模型基礎上，進一步采取門限回歸模型對二者之間可能存在的非線性關系做驗證，建立如下計量模型：

[orit=β0+β'1×Iouttuneit≤γ+β'2×Iouttuneit>γ+i=1NαiXit+λi+εit]

（2）式中的變量與（1）式中的變量所表達的經濟意義相同，在此不做贅述。唯一的區別在于[γ]。該數值表達的含義是，當隔夜輿情情緒的相對強度超過特定門限值（[γ]）時，隔夜輿情情緒的相對強度對開盤收益率影響的程度會由[β'1]變為[β'2]。

三、實證分析

（一）固定效應面板回歸結果

表3匯報了2015年1月5日—2020年12月22日所有A股數據（剔除相應樣本）的開盤收益率回歸結果。為了控制模型穩健性，本文采取普通最小二乘方法，逐漸控制個體、時間效應的固定效應模型⑤和替換核心被解釋變量的方式來甄別隔夜輿情效應是否對開盤收益率存在顯著影響。同時采用系統GMM的方式，以核心解釋變量的滯后一期作為工具變量，來排除可能存在的內生性問題⑥，計量結果發現隔夜輿情的情緒相對強度對開盤收益率均存在顯著的正向影響，且模型的顯著性并未隨實證方法的改變產生動搖（結果均在1%置信水平下顯著），表明模型結果穩健且可信。

具體而言，第一，隔夜輿情相對情緒強度對開盤收益率均存在顯著的正向影響，即在非交易時間段，積極的輿情信息占市場信息的比重越大，則第二日開盤收益率會越高;第二，從前期交易時間段的輿情的相對情緒強度來看（L.intune），其對開盤收益率的正向影響存在顯著的記憶性，即前一個交易日盤中發布的正向輿情信息能夠對隔日開盤收益率產生持續的正向影響;第三，并不存在足夠證據表明市場輿情的傳播效能對開盤收益率存在顯著影響。換言之，在媒體信息十分發達的數字時代，股吧發布的市場輿情能夠被交易者識別和認知，輿情傳播的快慢已經不再是影響開盤信息的主要因素;最后，交易者的盤中和隔夜情緒均對開盤收益率存在顯著的正向影響，即交易者在當天交易時間段針對股吧輿情作出的情緒反映，以及交易者在收盤后對股吧輿情作出的情緒反應，均對隔日開盤收益率存在著顯著的正向影響。

（二）門限回歸結果

為進一步驗證隔夜輿情情緒的相對強度可能對開盤收益率存在非線性影響，本文進一步利用截面門限模型對上述猜想進行驗證。具體的門限識別結果和門限回歸結果分別如表4和表5所示。

門限識別結果表明，隔夜輿情的相對情緒強度對開盤收益率存在三重門限。即當隔夜輿情的相對情緒強度的取值分別落入（-1，0.043]、（0.043，0.111]、（0.111，0.125]、（0.125，1]區間時，其對開盤收益率存在顯著的不同影響。具體結果如表5所示。當隔夜輿情的相對情緒強度逐漸從低門限區間向高門限區間過渡時，隔夜輿情的相對情緒對開盤收益率的影響會逐漸變大，從負向影響逐漸向正向影響過渡。具體而言，當隔夜輿情充斥著消極信息且相對情緒強度較強時（具體條件為outtuneit∈（-1，0.043]），隔夜輿情的相對情緒強度對開盤收益率存在負向影響;當隔夜輿情以積極情緒為主，但相對情緒強度并不明顯時（具體條件為outtuneit∈（0.043，0.111]以及outtuneit∈（0.111，0.125]，隔夜輿情的相對情緒強度對開盤收益率的負向影響會進一步惡化;當隔夜輿情以積極情緒為主，且輿情的正向情緒強度開始走強時（具體條件為[outtuneit∈（0.125，1]]），隔夜輿情的相對情緒強度對開盤收益率開始產生顯著的正向影響。換言之，當隔夜輿情主要以負面信息為主時（隔夜輿情的相對情緒強度小于0.043），隔夜輿情的相對情緒強度對開盤收益率存在顯著的負向影響;而當隔夜輿情的正向情緒在整體市場輿情中并不占據絕對的主導地位時（隔夜輿情的相對情緒強度在0.043與0.125之間），此時市場的正向輿情并不會引起大眾的積極反應，反而會惡化開盤收益率;當隔夜輿情主要以正面信息為主，且積極的隔夜輿情信息在整體輿情信息中占據主導地位時（隔夜輿情的相對情緒強度大于0.125），隔夜輿情的相對情緒強度對開盤收益率存在顯著的正向影響。

對上述結果可以用圖3進行直觀地總結：即隨著隔夜輿情的相對情緒強度逐漸增加，對隔天開盤收益率的影響會從負向影響到正向影響逐漸變化，且這種變化趨勢并不是平滑連續的，而是存在明顯的間斷點。

四、結論

本文以隔夜輿情與股票開盤收益率之間關系為研究對象，通過固定效應面板模型和門限模型，甄別了隔夜輿情的相對情緒強度對股票開盤收益率的非線性影響關系，并精確找到了二者之間關系發生系統性改變時，隔夜輿情的相對情緒強度的具體取值。具體研究結論歸納如下：

第一，就市場情緒而言，交易者在交易時間段的悲觀程度要強于在非交易時間段的悲觀程度，相應地，交易者在非交易時間段的樂觀程度要強于在交易時間段的樂觀程度。即盤中逐漸被市場證實的悲觀輿情信息所引起的交易者恐慌要高于盤末未被證實的悲觀輿情信息所引起的恐慌;而盤末未被證實的樂觀輿情信息引起的交易者過度樂觀程度要顯著強于盤中被證實的樂觀輿情信息。表明盤末信息對開盤收益率的積極作用更大，而盤中信息對市場當日收益率的消極作用更大。

第二，隔夜輿情的相對情緒強度對股票開盤收益率存在顯著的“隔夜效應”。隔夜輿情相對情緒強度的提高對開盤收益率的提高存在顯著的正向影響，這種影響并非隨機，而是持續穩定存在的。

第三，就門限回歸結果來看，當隔夜輿情的相對情緒強度從“絕對的消極輿情”逐漸向“絕對的積極輿情”轉變時，其對開盤收益率的影響會經歷“負向影響——溫和的負向影響——惡劣的負向影響——顯著的正向影響”的過程。

第四，就計算得出的隔夜輿情相對情緒強度的門限值來看，盡管消極的隔夜輿情會造成股票開盤收益率降低（[outtuneit∈（-1，0.111]]時其系數分別顯著為-0.278、-0.184），但當隔夜輿情并未傳達強烈的情緒信息時（[outtuneit∈（0.111，0.125]]時其系數顯著為-0.74），反倒容易引起交易者的猜測和恐慌，使得股票面臨著開盤崩盤的風險。即隔夜市場輿情高漲時，正面的輿情信息容易進一步推高股票開盤收益率;而隔夜市場輿情消極時，負面的輿情并沒有引起交易者恐慌拋售行為;但在輿情態度不明確條件下，容易引發交易者猜忌而造成開盤收益率崩盤和拋售行為。

本文計算結果對于新聞媒體的啟示在于：一方面，媒體要充分發揮傳播客觀信息的作用，在消除依靠內幕信息獲得超額收益的同時，也要做到及時、客觀地發布消極信息，警醒市場交易者避免過度投機;另一方面，監管部門應加強對新聞報道的監管，防止新聞媒體在發布信息過程中用詞模糊和閃爍其詞，以免引發投資者猜忌進而造成市場恐慌踩踏。

注：

1非交易時間包括周五收盤至周一開盤以及節假日等。

②交易時間段包括正常交易日（節假日除外）周一至周五9：00—15：00此段時間。

③非交易時間段包括周五15：00—24：00、周六全天、周日全天以及周一的0：00—9：00此段時間。

④法定節假日不存在相應的財務數據，但交易者仍然會在股吧針對企業的市場信息進行討論，因此，將法定節假日內股吧產生的數據作為法定節假日后第一個工作日的隔夜輿情數據。

⑤在進行相應的Hausman檢驗過程中，檢驗結果Prob>chi2 =0.0000，結果強烈拒絕原假設，因此，選用固定效應模型。

⑥相應的hausman檢驗結果為：outtune（p>chi=0.9037）;L.outtune（p>chi=0.8973）。

參考文獻：

[1]游家興，柳穎，楊莎莉.傳播學視角下資產定價媒體效應研究評述 [J].廈門大學學報（哲學社會科學版）， 2019， 251（01）.

[2]金秀，姜尚偉，苑瑩.考慮信息強度的因子定價模型及其實證研究 [J].管理評論，2020，32（05）.

[3]張普，陳亮，曹啟龍.信息視角下基于異質信念的股票波動性價值研究 [J].管理科學，2018，31（02）.

[4]權小鋒，尹洪英，吳紅軍.媒體報道對IPO股價表現的非對稱影響研究——來自創業板上市公司的經驗證據 [J].會計研究，2015，（06）.

[5]王運陳，賀康，萬麗梅.MD&A語言真誠性能夠提高資本市場定價效率嗎？——基于股價同步性的分析 [J].北京工商大學學報（社會科學版），2020，35（03）.

[6]王宇瓊，龔維進.另類交易系統交易制度的研究與啟示——基于信息效率的視角 [J].湖南大學學報（社會科學版），2020，34（01）.

[7]程蕭瀟.場景效應還是內容效應？——財經新聞， 網絡輿情對股市行情的實證檢驗 [J].統計與信息論壇， 2019，34（07）.

[8]雷倩華，柳建華，龔武明.機構投資者持股與流動性成本——來自中國上市公司的經驗證據 [J].金融研究，2012，（07）.

[9]Daniel Folkinshteyn，Gulser Meric，Ilhan Meric. 2015. Investor Reaction in Stock Market Crashes and Post-Crash Market Reversals [J].International Journal of Business & Finance Research，9（5）.

[10]吳世文，楊國斌.追憶消逝的網站： 互聯網記憶、媒介傳記與網站歷史 [J].國際新聞界，2018，40（04）.

[11]金占勇，田亞鵬，白莽.基于長短時記憶網絡的突發災害事件網絡輿情情感識別研究 [J].情報科學，2019，37（05）.

[12]張永杰，張維，金曦，熊熊.互聯網知道的更多么？——網絡開源信息對資產定價的影響 [J].系統工程理論與實踐，2011，31（04）.

[13]高錫榮，張紅超.海量文本信息的價值評估模型及算法——以新浪微博為例 [J].情報雜志，2016，35（06）.

[14]何賢杰，王孝鈺，孫淑偉，朱紅軍.網絡新媒體信息披露的經濟后果研究——基于股價同步性的視角 [J].管理科學學報，2018，21（06）.

[15]Alexander Dyck，Luigi Zingales. 2004. Private Benefits of Control：An International Comparison [J].Journal of Finance，59（02）.

[16]Werner Antweiler，Murray Z. Frank. 2004. Is All That Talk Just Noise？ The Information Content of Internet Stock Message Boards [J].Journal of Finance，59（3）.

[17]Sanjiv R.Das，Mike Y.Chen. 2007. Yahoo for Amazon：Sentiment Extraction from Small Talk on the Web [J].Management Science，53（9）.

[18]Fiacc Larkin，Conor Ryan. 2008. Good News：Using News Feeds with Genetic Programming to Predict Stock Price [J].Lecture Notes in Computer Science.

[19]Alessandro Carretta，Vincenzo Farina，Duccio Martelli，Franco Fiordelisi. 2011. The Impact of Corporate Governance Press News on Stock Market Returns [J].European Financial Management，17（1）.

[20]游家興，吳靜.沉默的螺旋： 媒體情緒與資產誤定價 [J].經濟研究，2012，47（07）.

[21]程琬蕓，林杰.社交媒體的投資者漲跌情緒與證券市場指數 [J].管理科學，2013，（05）.

[22]劉義軍，周升揚.身份認同的趣緣群體話語傳播策略——基于B站惡搞視頻評論區的文本分析 [J].當代傳播，2020，215（06）.

[23]王宗炎.關于漢語表述中人稱量詞的選用 [J].新聞記者，2008，（10）.

[24]撒忠清，馮敬玉.英，漢思維與表征形態差異——析英、漢語言靜動表征態勢的哲學視角 [J].外語學刊， 2012，（04）.

[25]徐翔.新浪社會新聞傳播中的“情緒偏好”效應與特征研究——基于新浪社會新聞的網絡挖掘與實證分析 [J].國際新聞界，2017，39（04）.

[26]張志安，聶鑫.互聯網語境下意識形態傳播的特點、挑戰和對策 [J].出版發行研究，2018，（09）.

[27]毛太田，蔣冠文，李勇，趙蓉，高凱. 新媒體時代下網絡熱點事件情感傳播特征研究 [J].情報科學，2019， 37（04）.

[28]祝興平，張微.微信爆文的情緒化表達與熱點公共事件的輿情傳播 [J].中國出版，2019，450（01）.

[29]Alexander Dyck，Luigi Zingales. 2003. The Media and Asset Prices [R].HBS and University of Chicago Working Paper.

[30]Charles Gaa，Murray Carlson，Jason Chen，Alex Edmans，Hernan Ortiz. 2008. Good News is no News：Asymmetric Inattention and the Neglected Firm Effect [R]. University of British Columbia Working Paper.

[31]Sang Ik Seok，Hoon Cho，Doojin Ryu. 2019. Firm-specific Investor Sentiment and the Stock Market Response to Earnings News [J].The North American Journal of Economics and Finance，48（2）.

[32]俞慶進，張兵.投資者有限關注與股票收益——以百度指數作為關注度的一項實證研究 [J].金融研究，2012，（08）.

[33]趙欣月.投資者情緒波動影響因子研究 [J].金融發展研究，2018，（06）.

[34]汪昌云，武佳薇.媒體語氣、投資者情緒與IPO定價 [J].金融研究，2015，423（9）.

[35]Georgios Sermpinis，Charalampos Stasinakis，Rafael Rosillo，David de la Fuente. 2017. European Exchange Trading Funds Trading with Locally Weighted Support Vector Regression [J].European Journal of Operational Research， 258（1）.

Research on Sentiment Intensity Characteristics of Overnight Public Opinion and Stock Market Opening Returns

Li Hongyue1/Liu Tianji1/Xu Shaojun2

（1. Jilin University of Finance and Economics，Changchun? ?130117，Jilin，China;

2. Center for Quantitative Economics，Jilin University，Changchun? ?130012，Jilin，China）

Abstract：In this paper，we calculate the total number of posts，readings and comments posted in "stock bars" during trading hours and non-trading hours to obtain the relative sentiment intensity and opinion dissemination intensity indicators for intraday and overnight public opinion，and set up a threshold regression model to reveal the relationship between the relative sentiment intensity of overnight public opinion and stock opening returns. The empirical results show that there is a non-linear effect of the relative sentiment intensity of overnight public opinion on stock opening returns. When the relative sentiment intensity of overnight public opinion changes from absolute negative to absolute positive，its effect on opening returns goes through a process of "negative effect--mild negative effect--bad negative effect--significant positive effect". In addition，this paper demonstrates that the exact negative public opinion did not trigger market panic，but under the condition of unclear public opinion attitude，it tends to trigger traders' suspicion and cause opening yield collapse and selling behavior.

Key Words：overnight public opinion，relative sentiment intensity，asymmetric effect