基于深度學(xué)習(xí)的投資者情緒挖掘及其對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響

尹海員 南早紅

一、引言

不論是經(jīng)濟(jì)高質(zhì)量發(fā)展的內(nèi)在要求，還是基于我國股市現(xiàn)實(shí)狀況，以資本市場(chǎng)風(fēng)險(xiǎn)為主的風(fēng)險(xiǎn)防控已成為我國金融工作的重中之重。十八大以來，為維護(hù)資本市場(chǎng)的平穩(wěn)運(yùn)行，黨和政府多次提出要將防范和化解金融風(fēng)險(xiǎn)作為我國經(jīng)濟(jì)和金融工作的重要內(nèi)容，二十大報(bào)告中更是提出了“加強(qiáng)和完善現(xiàn)代金融監(jiān)管，強(qiáng)化金融穩(wěn)定保障體系，依法將各類金融活動(dòng)全部納入監(jiān)管，守住不發(fā)生系統(tǒng)性風(fēng)險(xiǎn)底線”的重要戰(zhàn)略部署，這些既為新形勢(shì)下的金融工作提供了重要指南，也為金融風(fēng)險(xiǎn)防控工作提出了更高標(biāo)準(zhǔn)。縱觀歷次我國股市的劇烈波動(dòng)，都真實(shí)地反映了股價(jià)暴漲暴跌，特別是股價(jià)崩盤等極端尾部事件對(duì)資本市場(chǎng)健康發(fā)展的巨大危害和深刻影響。為防控和緩解金融風(fēng)險(xiǎn)，立足于我國股票市場(chǎng)探討上市公司股價(jià)崩盤風(fēng)險(xiǎn)的成因具有重要現(xiàn)實(shí)價(jià)值。

近年來圍繞股價(jià)崩盤風(fēng)險(xiǎn)的研究主要集中于其影響因素的探究。基于“消息隱藏假說”，學(xué)者們通過信息披露效應(yīng)、情緒傳染效應(yīng)來解釋股價(jià)崩盤風(fēng)險(xiǎn)的形成機(jī)制：前者是在投資者對(duì)市場(chǎng)上的信息具有快速一致反應(yīng)的前提下，信息披露數(shù)量和質(zhì)量如何影響股票價(jià)格；后者主要從投資者的異質(zhì)性出發(fā)，分析投資者意見分歧和有限理性對(duì)于股價(jià)崩盤風(fēng)險(xiǎn)的影響。由于我國股票市場(chǎng)起步較晚、市場(chǎng)結(jié)構(gòu)還不成熟，散戶特征明顯，投資者的心理預(yù)期和決策行為對(duì)股市運(yùn)行具有重要影響。一方面，由于個(gè)體投資者獲取信息的渠道單一，在面臨信息不對(duì)稱的情況下，對(duì)股價(jià)未來波動(dòng)趨勢(shì)難以做出準(zhǔn)確預(yù)判；另一方面，局限于專業(yè)能力，個(gè)體投資者更容易出現(xiàn)羊群效應(yīng)和從眾心理等認(rèn)知偏差，投資者情緒的極端變動(dòng)可能會(huì)引發(fā)股價(jià)的劇烈波動(dòng)，進(jìn)而加劇公司股價(jià)崩盤風(fēng)險(xiǎn)。從投資者情緒視角來解釋股價(jià)崩盤風(fēng)險(xiǎn)的成因，對(duì)于穩(wěn)定股票市場(chǎng)運(yùn)行、降低市場(chǎng)風(fēng)險(xiǎn)具有一定的參考意義。

越來越多的研究證明市場(chǎng)中情緒會(huì)影響股票收益和股價(jià)波動(dòng)，甚至?xí)陂L期內(nèi)使得資產(chǎn)價(jià)格偏離其內(nèi)在價(jià)值。盡管相關(guān)研究較多，但如何正確有效地度量投資者情緒仍是一個(gè)難題。隨著文本挖掘技術(shù)的廣泛應(yīng)用、財(cái)經(jīng)大數(shù)據(jù)的積累，互聯(lián)網(wǎng)文本數(shù)據(jù)可獲得性有了很大提升，研究者開始嘗試從媒體報(bào)道、公司公告、社交網(wǎng)絡(luò)等多渠道進(jìn)行文本挖掘和分析以提取能夠反映情緒狀態(tài)的數(shù)據(jù)并應(yīng)用于股市運(yùn)行研究。目前文本分類所采用的情感分析法主要可以分為基于詞典的情感詞典法、基于語料庫的機(jī)器學(xué)習(xí)法兩大類，前者更為簡(jiǎn)單易用，但高度依賴專用詞集的構(gòu)建；后者分類準(zhǔn)確率較高，但很大程度上依賴手工分類構(gòu)造的特征訓(xùn)練集。近幾年來，深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的重要分支，采用不同模式的神經(jīng)網(wǎng)絡(luò)模型可以減輕對(duì)情感詞典和特征提取的依賴，在文本分類中的應(yīng)用越來越廣泛。

互聯(lián)網(wǎng)社區(qū)發(fā)帖文本中蘊(yùn)含的情緒傾向是否會(huì)影響股價(jià)風(fēng)險(xiǎn)？我們選擇滬深300指數(shù)成分股為對(duì)象，爬取了2017年6月1日—2022年5月31日這五年期間的東方財(cái)富股吧中樣本股票的日度發(fā)帖，共獲取2 519 050條文本。結(jié)合雙向長短時(shí)記憶網(wǎng)絡(luò)(Bi-LSTM)和卷積神經(jīng)網(wǎng)絡(luò)模型(CNN)，我們搭建了LSTM-CNN特征融合模型對(duì)股吧文本進(jìn)行情感分類，計(jì)算每條發(fā)帖文本的情感值并構(gòu)建投資者情緒指標(biāo)，從公司層面來探究投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響效應(yīng)。進(jìn)一步地，從公司內(nèi)部治理環(huán)境和外部制度影響兩方面，分析投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)影響的異質(zhì)性，并以股票流動(dòng)性作為中介變量分析了情緒和股價(jià)崩盤風(fēng)險(xiǎn)之間的影響機(jī)制。

本文可能的邊際貢獻(xiàn)體現(xiàn)在如下三個(gè)方面：其一，從投資者行為分析的角度豐富了股價(jià)崩盤風(fēng)險(xiǎn)成因的相關(guān)研究。關(guān)于股價(jià)崩盤風(fēng)險(xiǎn)的影響因素已有很多研究，但大多從信息披露和企業(yè)委托代理關(guān)系的視角探索股票價(jià)格的風(fēng)險(xiǎn)積聚以及崩盤風(fēng)險(xiǎn)。我們從網(wǎng)絡(luò)中投資者情緒視角出發(fā)，探討情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)影響的總體效應(yīng)以及不對(duì)稱性，同時(shí)探討了股票流動(dòng)性在投資者情緒影響股價(jià)崩盤風(fēng)險(xiǎn)過程中的中介作用，對(duì)投資者情緒影響股價(jià)崩盤風(fēng)險(xiǎn)的內(nèi)在理論機(jī)制進(jìn)行分析，拓展了股價(jià)崩盤風(fēng)險(xiǎn)成因的研究范疇。其二，搭建了LSTM-CNN特征融合模型，提升了文本情感分類的精確度，擴(kuò)展了深度學(xué)習(xí)在金融研究中的應(yīng)用。近幾年學(xué)者們將視角逐漸移向多種社交媒體，擴(kuò)展文本挖掘與情感分析等技術(shù)在該領(lǐng)域的應(yīng)用，但通行方法仍使用半監(jiān)督機(jī)器學(xué)習(xí)模型，如樸素貝葉斯、支持向量機(jī)等。我們優(yōu)化了文本分類方法，搭建LSTM-CNN特征融合模型，融合了卷積神經(jīng)網(wǎng)絡(luò)和雙向長短時(shí)記憶(Bi-LSTM)模型，利用卷積神經(jīng)網(wǎng)絡(luò)提取文本向量的局部特征，利用Bi-LSTM提取與文本上下文相關(guān)的全局特征，將兩種互補(bǔ)模型提取的特征相結(jié)合，解決了單卷積神經(jīng)網(wǎng)絡(luò)模型忽略詞在上下文語義和語法信息的問題，也有效避免了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)梯度消失或梯度彌散問題。我們的深度學(xué)習(xí)融合模型提高了文本情感分類的準(zhǔn)確度。其三，提升了股價(jià)崩盤風(fēng)險(xiǎn)度量指標(biāo)的頻率，在高頻視角下，探究投資者情緒和股價(jià)崩盤風(fēng)險(xiǎn)關(guān)系。目前關(guān)于股價(jià)崩盤風(fēng)險(xiǎn)的度量仍以年度頻率為主，但是投資者情緒的變化波動(dòng)是短暫迅速的，如果仍使用年度這樣的低頻數(shù)據(jù)，會(huì)損失大量有效的情緒信息。我們利用個(gè)股日度收益率構(gòu)建月度股價(jià)崩盤風(fēng)險(xiǎn)指標(biāo)，同時(shí)爬取股吧文本數(shù)據(jù)，構(gòu)建了日度情緒指標(biāo)，在更高頻率的視角下研究情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響。

二、文獻(xiàn)綜述與研究假設(shè)

1.股價(jià)崩盤風(fēng)險(xiǎn)及其成因機(jī)制。

現(xiàn)有文獻(xiàn)對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響因素進(jìn)行了許多研究，從公司內(nèi)部因素來看，信息披露質(zhì)量(曹廷求和張光利，2020[1]；趙璨等；2020[2])、信息透明度(江婕等，2021[3])、會(huì)計(jì)穩(wěn)健性(Kim和Zhang，2016[4])、企業(yè)投資行為(孫亞菲等，2020[5])等都是影響公司股價(jià)崩盤風(fēng)險(xiǎn)的重要因素；從公司外部環(huán)境來看，機(jī)構(gòu)投資者(Wang等，2020[6])、網(wǎng)絡(luò)輿情(Li等，2019[7])、投資者信息能力(丁慧等，2018[8])、投資者關(guān)注度(江婕等；2020[9])等變量都會(huì)顯著影響公司股價(jià)崩盤風(fēng)險(xiǎn)。實(shí)際上，通過對(duì)文獻(xiàn)搜索整理，可以發(fā)現(xiàn)眾多股價(jià)崩盤風(fēng)險(xiǎn)影響因素可以分為信息披露效應(yīng)和情緒傳染效應(yīng)兩種機(jī)制來解釋和闡述。

從信息披露機(jī)制來看，一般假設(shè)投資者信息處理能力是一致的，但公司和投資者之間、投資者彼此之間存在信息不對(duì)稱(Dai等，2019[10])。公司管理層出于私利，在信息披露時(shí)容易采取機(jī)會(huì)主義行為，故意隱藏壞消息，選擇性發(fā)布好消息，大量隱藏的壞消息一旦集中釋放造成股價(jià)驟降，從而引發(fā)了股價(jià)崩盤(Wang等，2020[6])。沿著這一思路，學(xué)者們進(jìn)一步探究如何降低股價(jià)崩盤風(fēng)險(xiǎn)，比如孟慶斌等(2017)[11]發(fā)現(xiàn)當(dāng)披露信息的可讀性越強(qiáng)時(shí)，加之公司內(nèi)部治理和外部監(jiān)督的存在，使得管理層機(jī)會(huì)主義行為受到限制和約束，會(huì)緩解股價(jià)崩盤的風(fēng)險(xiǎn)。曹廷求等(2020)[1]發(fā)現(xiàn)電話會(huì)議是公司信息披露的一個(gè)重要途徑段，電話會(huì)議討論的內(nèi)容中包含的公司信息含量越高則對(duì)股價(jià)風(fēng)險(xiǎn)的緩解作用越明顯。Guan和Liu(2022)[12]認(rèn)為信息透明度較低的公司傾向于具有更積極的年報(bào)基調(diào)，而年報(bào)的積極基調(diào)傾向與股價(jià)崩盤風(fēng)險(xiǎn)呈正相關(guān)關(guān)系。也有學(xué)者對(duì)披露信息的性質(zhì)做進(jìn)一步細(xì)分，發(fā)現(xiàn)信息披露的行為和性質(zhì)如果有差異，對(duì)崩盤風(fēng)險(xiǎn)的影響效應(yīng)也截然不同。比如Dai(2019)[10]發(fā)現(xiàn)信息披露可以明顯減低崩盤風(fēng)險(xiǎn)，但由于披露動(dòng)機(jī)不同，只有強(qiáng)制性信息披露才可以影響股價(jià)崩盤風(fēng)險(xiǎn)。He等(2022)[13]發(fā)現(xiàn)基于傳統(tǒng)媒體報(bào)道、公司報(bào)告的信息披露會(huì)有利于降低股價(jià)崩盤風(fēng)險(xiǎn)，但是分析師報(bào)告所含信息則沒有影響。

從情緒傳染機(jī)制來看，一般認(rèn)為投資者信息處理能力存在差異，即使面臨相同信息集合，仍然存在意見分歧，而這種異質(zhì)信念是影響股價(jià)崩盤風(fēng)險(xiǎn)的主要原因。由于個(gè)體投資者的有限理性，在面臨海量的信息時(shí)，投資者不能完全識(shí)別其中的噪音，反而表現(xiàn)出羊群效應(yīng)、盲目自信等行為偏差，使得非理性情緒在更大的范圍內(nèi)快速擴(kuò)散。利好消息下情緒高漲，產(chǎn)生市場(chǎng)泡沫，利空消息下悲觀情緒蔓延，股價(jià)驟降泡沫破碎，股價(jià)崩盤出現(xiàn)(Li等，2020[14])。比如江婕等(2020)[9]發(fā)現(xiàn)投資者關(guān)注度不存在信息路徑，反而表現(xiàn)出“關(guān)注度的崩盤效應(yīng)”，即投資者關(guān)注度提高了股價(jià)同步性和股價(jià)崩盤風(fēng)險(xiǎn)。Zhou和Huang(2019)[15]發(fā)現(xiàn)投資者過度反應(yīng)會(huì)導(dǎo)致更嚴(yán)重的股價(jià)崩盤風(fēng)險(xiǎn)。Cui等(2022)[16]發(fā)現(xiàn)正向信息沖擊會(huì)強(qiáng)化股價(jià)崩盤風(fēng)險(xiǎn)，這種影響在投資者過度反應(yīng)時(shí)表現(xiàn)更為劇烈。

也有學(xué)者提出以上兩種機(jī)制同時(shí)存在且彼此之間相互作用，比如田高良等(2018)[17]發(fā)現(xiàn)投資者情緒對(duì)于上市公司自愿性的信息披露行為存在影響，公司關(guān)于網(wǎng)絡(luò)輿情的管理會(huì)提高股價(jià)信息效率，約束股價(jià)崩盤風(fēng)險(xiǎn)。有一些文獻(xiàn)則對(duì)信息效應(yīng)和情緒效應(yīng)的解釋力度進(jìn)行比較，結(jié)論不一而足，有研究認(rèn)為通過信息效應(yīng)來解釋股價(jià)崩盤風(fēng)險(xiǎn)的形成更具有說服力(朱孟楠等，2020[18])，也有研究發(fā)現(xiàn)情緒效應(yīng)機(jī)制對(duì)于股價(jià)崩盤風(fēng)險(xiǎn)的形成機(jī)制具有一定的解釋能力(江婕等，2020[9])。

2.基于網(wǎng)絡(luò)數(shù)據(jù)挖掘的投資者情緒及其度量。

如何正確有效地選取科學(xué)合理的指標(biāo)來度量投資者情緒狀態(tài)一直是學(xué)者們不斷探討的焦點(diǎn)話題。早期研究中一般選擇多種股票市場(chǎng)交易數(shù)據(jù)，通過主成分分析法構(gòu)建代理指標(biāo)，但這種思路存在邏輯上的悖論：市場(chǎng)交易數(shù)據(jù)是情緒作用的結(jié)果，還是科學(xué)地反應(yīng)情緒狀態(tài)本身？隨著移動(dòng)通信時(shí)代的社交方式的革命性改變，為投資者之間的交流互動(dòng)提供了更為便利的條件，海量實(shí)時(shí)更新的網(wǎng)絡(luò)數(shù)據(jù)承載著大眾即時(shí)的真情實(shí)感。自然語言處理與網(wǎng)絡(luò)爬蟲技術(shù)的發(fā)展，也幫助研究者可以通過文本分析技術(shù)構(gòu)建更為真實(shí)準(zhǔn)確的情緒指標(biāo)(Li等，2020[14])。

投資者網(wǎng)絡(luò)社交的多樣化豐富了度量投資者情緒的文本信息，現(xiàn)有較為常見的文本數(shù)據(jù)可以分為兩類：以股吧為代表的股票互動(dòng)社區(qū)、以微博/微信/推特等為代表的社交平臺(tái)。在股票互動(dòng)社區(qū)中，投資者可以發(fā)表股票走勢(shì)和市場(chǎng)走向預(yù)期和看法，投資者也可以閱讀其他投資者的觀點(diǎn)，加之文本挖掘相對(duì)容易，所以現(xiàn)有很多研究基本上以股吧社區(qū)(部慧等，2018[19])、“上證e互動(dòng)”和“深證互動(dòng)易”互動(dòng)平臺(tái)(孟慶斌等，2019[20])作為文本信息來源。以微博/微信/推特等為代表的社交平臺(tái)來看，隨著移動(dòng)互聯(lián)技術(shù)發(fā)展，網(wǎng)絡(luò)社交平臺(tái)的出現(xiàn)進(jìn)一步簡(jiǎn)化和便利了投資者之間的交流，情緒的傳播范圍得到了更大范圍的拓展(Alnasseri等，2021[21])。但與股票社區(qū)的“去中心化”模式不同，社交平臺(tái)中的微信公眾號(hào)、微博大V博主的觀點(diǎn)更容易成為在線信息傳播的重要節(jié)點(diǎn)，普通投資者的互動(dòng)和反饋相對(duì)不足。

經(jīng)過數(shù)據(jù)挖掘后形成的文本信息大多是非結(jié)構(gòu)化數(shù)據(jù)，需要進(jìn)一步經(jīng)過情感分析技術(shù)獲取可以量化投資者情緒的指標(biāo)。目前主流情感分析技術(shù)方法主要有基于情感詞典的分析技術(shù)和基于語料庫的分析技術(shù)兩類。前者主要通過構(gòu)建相應(yīng)情感詞典法對(duì)文本進(jìn)行分析，但對(duì)于詞典的強(qiáng)依賴性要求情感分析中要使用“恰到好處”的詞典，使得其適用性不足；后者主要包括半監(jiān)督的機(jī)器學(xué)習(xí)和無監(jiān)督的機(jī)器學(xué)習(xí)，半監(jiān)督的機(jī)器學(xué)習(xí)方法主要集中在樸素貝葉斯(NB) (尹海員和寇文娟，2021[22]；Shen等，2021[23])和支持向量機(jī)(SVM)(戴德寶等，2019[24])，其模型準(zhǔn)確度與人工提取的文本特征密切相關(guān)。近年來，無監(jiān)督的深度學(xué)習(xí)分支成為前沿研究趨勢(shì)，有些文獻(xiàn)發(fā)現(xiàn)不同類型的神經(jīng)網(wǎng)絡(luò)模型對(duì)文本進(jìn)行情感分析和股價(jià)預(yù)測(cè)，模型分類和預(yù)測(cè)的準(zhǔn)確度都優(yōu)于詞典法(Jing等，2021[25]；Wu等，2021[26])，甚至能精準(zhǔn)刻畫投資者情緒與股價(jià)運(yùn)行間的非線性關(guān)系(Zhang等，2021[27])。與其他方法相比，深度機(jī)器學(xué)習(xí)的方法大大減少了對(duì)人工構(gòu)造特征和情感詞典的依賴，更適用于網(wǎng)絡(luò)大數(shù)據(jù)的自然語言處理和分析。其中卷積神經(jīng)網(wǎng)絡(luò)模型(CNN)以及長短期記憶神經(jīng)網(wǎng)絡(luò)模型(LSTM)已經(jīng)在計(jì)算機(jī)科學(xué)領(lǐng)域得到廣泛應(yīng)用。

3.股價(jià)崩盤風(fēng)險(xiǎn)的情緒因素。

目前投資者情緒對(duì)于股市運(yùn)行的影響研究大致集中在收益、效率和風(fēng)險(xiǎn)這三個(gè)維度：在股票收益維度，主要關(guān)注于投資者情緒如何影響市場(chǎng)整體以及個(gè)股收益率，兩者之間關(guān)系基本形成了統(tǒng)一的認(rèn)知，即投資者情緒是影響股票收益率的一個(gè)重要因素；在股市效率維度，研究者發(fā)現(xiàn)情緒會(huì)對(duì)流動(dòng)性產(chǎn)生影響(Debata等，2018[28])，并改變資本市場(chǎng)的信息效率，進(jìn)而會(huì)影響股價(jià)中的信息含量(田高良等，2018[17])；在股市風(fēng)險(xiǎn)維度，大多集中于研究投資者情緒對(duì)市場(chǎng)波動(dòng)性(Zhang等，2021[27])、公司特質(zhì)風(fēng)險(xiǎn)(尹海員和寇文娟，2021[22])和股價(jià)泡沫(羅衎等，2018[29])等因素的影響。

關(guān)于情緒如何影響股價(jià)崩盤風(fēng)險(xiǎn)，現(xiàn)有文獻(xiàn)主要從媒體情緒和公司情緒兩個(gè)視角進(jìn)行研究，部分研究涉及投資者情緒，但往往將投資者情緒作為中介變量，在情緒指標(biāo)度量上也采用簡(jiǎn)單的代理指標(biāo)。媒體情緒方面，媒體事實(shí)上扮演著“信息供給”與“情緒干預(yù)”兩種角色，多數(shù)文獻(xiàn)從信息效應(yīng)和情緒效應(yīng)兩種途徑出發(fā)，考慮媒體情緒對(duì)于股價(jià)風(fēng)險(xiǎn)的影響。有學(xué)者認(rèn)為媒體情緒在充當(dāng)信息供給的重要角色的同時(shí)，也引導(dǎo)市場(chǎng)上投資者的心理預(yù)期，通過影響投資者情緒的途徑作用于股價(jià)風(fēng)險(xiǎn)(Zhu等，2017[30]；張宗新和吳釗穎，2020[31])。也有研究發(fā)現(xiàn)媒體情緒對(duì)于股價(jià)風(fēng)險(xiǎn)的影響只能從信息效應(yīng)來解釋，媒體信息可以為緩解信息不對(duì)稱，也可以從外部監(jiān)督公司治理和信息披露質(zhì)量。但媒體情緒也容易被企業(yè)所影響和操縱，當(dāng)媒體表現(xiàn)出對(duì)公司有利的媒體基調(diào)時(shí)，會(huì)加劇管理者的機(jī)會(huì)主義行為，進(jìn)一步加劇股價(jià)風(fēng)險(xiǎn)(Li等，2019[7])。公司情緒方面，主要集中在管理者語氣、公司報(bào)告語調(diào)等方面。比如孟慶斌等(2019)[20]通過分析互動(dòng)平臺(tái)溝通與股價(jià)崩盤風(fēng)險(xiǎn)之間的關(guān)系，發(fā)現(xiàn)董秘回復(fù)語氣對(duì)于股價(jià)崩盤風(fēng)險(xiǎn)沒有實(shí)質(zhì)性影響。周波等(2019)[32]發(fā)現(xiàn)公司報(bào)告的正面語調(diào)與股價(jià)崩盤風(fēng)險(xiǎn)呈現(xiàn)正相關(guān)關(guān)系，而且這種報(bào)告語調(diào)的真實(shí)度越高則會(huì)減弱兩者之間的正相關(guān)關(guān)系。

投資者情緒對(duì)股價(jià)運(yùn)行影響效應(yīng)的相關(guān)文獻(xiàn)日漸增多，但關(guān)于投資者情緒如何影響股價(jià)崩盤風(fēng)險(xiǎn)以及其內(nèi)在機(jī)制仍需要進(jìn)一步探索。另一方面，從在線網(wǎng)絡(luò)文本中提取投資者真情實(shí)感已經(jīng)成為研究主流，但所用模型各異，造成研究結(jié)論不盡相同。更為科學(xué)的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在文本情感分類的應(yīng)用仍是前沿研究課題。

4.研究假設(shè)的提出。

個(gè)體投資者在投資決策中更容易出現(xiàn)明顯的情緒化傾向，高漲的樂觀情緒不斷推高股價(jià)，迫使股票價(jià)格偏離其內(nèi)在價(jià)值，降低了股票未來收益率。同時(shí)，根據(jù)錨定效應(yīng)和羊群效應(yīng)理論，投資者情緒對(duì)于股價(jià)的影響也表現(xiàn)出不對(duì)稱，樂觀情緒對(duì)于股價(jià)上漲的影響大于悲觀情緒對(duì)于股價(jià)下跌的影響，比如Chen和Haga(2021)[33]發(fā)現(xiàn)股市中的散戶在樂觀狀態(tài)下的羊群效應(yīng)要比在悲觀狀態(tài)下的羊群效應(yīng)更為明顯。這一不對(duì)稱效應(yīng)則會(huì)導(dǎo)致當(dāng)市場(chǎng)出現(xiàn)利好消息時(shí)，投資者情緒看漲，噪音交易者成為市場(chǎng)交易的主體，進(jìn)一步加大股價(jià)泡沫。當(dāng)私人信息還只存在于信息傳遞者時(shí)，動(dòng)量交易者沒有意識(shí)到潛在的風(fēng)險(xiǎn)，即使面對(duì)負(fù)面消息仍然保持對(duì)未來股價(jià)的樂觀估計(jì)并進(jìn)一步追漲，加劇了股價(jià)崩盤風(fēng)險(xiǎn)。據(jù)此提出假設(shè)1：

H1：投資者情緒對(duì)未來股價(jià)崩盤風(fēng)險(xiǎn)有正向的影響，即當(dāng)期投資者情緒比較樂觀時(shí)股價(jià)更易被高估，未來股價(jià)崩盤風(fēng)險(xiǎn)將會(huì)加劇。

要想更深入分析情緒與股價(jià)崩盤之間的關(guān)系，必須要考慮不同市場(chǎng)環(huán)境下，情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)影響的差異性。已有很多研究發(fā)現(xiàn)處于不同市場(chǎng)環(huán)境中，投資者情緒狀態(tài)以及相應(yīng)的非理性行為特征對(duì)股票市場(chǎng)的影響也不相同。比如Wang等(2021)[34]發(fā)現(xiàn)樂觀情緒和悲觀情緒對(duì)于股價(jià)收益的影響是不對(duì)稱的，樂觀情緒對(duì)收益率的影響更為明顯。Kumari(2019)[35]也發(fā)現(xiàn)在牛市環(huán)境下，投資者情緒對(duì)股票流動(dòng)性的影響效應(yīng)更強(qiáng)。一般認(rèn)為，投資者對(duì)于股價(jià)消息的反應(yīng)存在不對(duì)稱性，即投資者在悲觀情緒下面對(duì)消息的反應(yīng)比樂觀情緒下面對(duì)利好消息的反應(yīng)更為劇烈。這一規(guī)律反映到真實(shí)市場(chǎng)中，表現(xiàn)為投資者在熊市環(huán)境下，情緒在公司負(fù)面消息集中釋放后出現(xiàn)過度悲觀的反應(yīng)，而后再對(duì)負(fù)面消息進(jìn)一步產(chǎn)生更為悲觀的看法，由此形成惡性循環(huán)。因此，在熊市狀態(tài)下，投資者情緒和股價(jià)之間存在的雙向的反饋機(jī)制更為顯著，導(dǎo)致熊市狀態(tài)下投資者情緒彌漫會(huì)進(jìn)一步放大股價(jià)崩盤風(fēng)險(xiǎn)。由此我們提出假設(shè)2：

H2：不同市場(chǎng)環(huán)境下，投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響表現(xiàn)出不對(duì)稱性，在市場(chǎng)處于熊市時(shí)，情緒對(duì)于股價(jià)崩盤風(fēng)險(xiǎn)的影響效應(yīng)更為劇烈。

關(guān)于股價(jià)崩盤風(fēng)險(xiǎn)，多數(shù)研究認(rèn)為是大量“壞消息”短時(shí)間內(nèi)集中釋放所導(dǎo)致的。一般來說，上市公司所隱藏的壞消息源自管理層的機(jī)會(huì)主義行為，公司內(nèi)部控制和治理能力的欠缺，往往會(huì)導(dǎo)致管理者為了自身利益和業(yè)績而選擇性披露好消息或者故意美化信息(Zhu等，2017[30])，加重了投資者和管理者之間的信息不對(duì)稱。所以從公司內(nèi)部治理環(huán)境來看，內(nèi)部治理水平的改善會(huì)大大打擊管理者的機(jī)會(huì)主義沖動(dòng)，降低管理人員的短視行為，提升了公司信息透明度，進(jìn)而緩解了投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的沖擊。

此外，影響企業(yè)股價(jià)崩盤風(fēng)險(xiǎn)的因素也涉及上市公司所面臨的外部制度環(huán)境。上市公司所處地區(qū)不僅存在經(jīng)濟(jì)發(fā)展不平衡的問題，其制度環(huán)境也不盡相同。外部制度環(huán)境的差異會(huì)影響投資者信息獲取成本和套利限制。當(dāng)外部制度環(huán)境較差時(shí)，投資者面臨的套利限制更嚴(yán)格，交易成本更高，容易引發(fā)更多非理性交易行為，如果疊加較弱的投資者保護(hù)水平，更容易催化未來的股價(jià)崩盤風(fēng)險(xiǎn)。另外，外部制度約束的欠缺更容易誘發(fā)機(jī)構(gòu)投資者和公司管理者之間的關(guān)聯(lián)交易和股價(jià)操縱行為，加劇股價(jià)崩盤的可能性。由此我們提出假設(shè)3a和假設(shè)3b：

H3a：公司內(nèi)部治理環(huán)境越差，投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響越大。

H3b：公司外部制度環(huán)境越差，投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響越大。

很多學(xué)者認(rèn)為投資者情緒顯著作用于流動(dòng)性，投資者非理性行為是引起市場(chǎng)流動(dòng)性的重要原因。情緒會(huì)因?yàn)楣善鳖A(yù)期不確定以及短期投機(jī)兩方面的原因作用于股票流動(dòng)性：一方面，由于對(duì)股票的未來收益持有不同看法，且個(gè)體投資者信息來源匱乏，很容易累積非理性的決策行為，導(dǎo)致股票流動(dòng)性出現(xiàn)大幅度波動(dòng)；另一方面，部分投資者出于短期投機(jī)的目的，會(huì)在短時(shí)間內(nèi)大量買入或者賣出股票，使得股票流動(dòng)性水平發(fā)生變化。但關(guān)于情緒如何具體影響流動(dòng)性目前還存在一定的觀點(diǎn)分歧。Debata等(2019)[28]為投資者情緒正向影響股票流動(dòng)性提供了實(shí)證，認(rèn)為樂觀或悲觀情緒會(huì)影響其投資買賣行為進(jìn)而影響股票的流動(dòng)水平，當(dāng)投資者情緒越樂觀時(shí)，會(huì)正向促進(jìn)股票的流動(dòng)性。但尹海員和華亦樸(2018)[36]發(fā)現(xiàn)信息披露程度會(huì)影響情緒和流動(dòng)性的關(guān)系，在不完全信息環(huán)境下，投資者情緒會(huì)負(fù)向影響流動(dòng)性，樂觀情緒對(duì)股票流動(dòng)性具有抑制作用。另外，研究者發(fā)現(xiàn)較高的流動(dòng)性有助于降低股價(jià)崩盤風(fēng)險(xiǎn)(熊家財(cái)，2015[37])，一方面，流動(dòng)性水平高的股票交易成本較低，能夠促進(jìn)股東對(duì)公司治理的監(jiān)管，進(jìn)而抑制了管理層的機(jī)會(huì)主義動(dòng)機(jī)，減少負(fù)面消息的積累，股價(jià)崩盤風(fēng)險(xiǎn)就會(huì)減弱；另一方面，較高的流動(dòng)性會(huì)增加私人信息價(jià)值，信息不對(duì)稱程度降低，進(jìn)而抑制了股價(jià)崩盤發(fā)生的概率。基于以上分析，我們猜想情緒越樂觀時(shí)，出于對(duì)股票收益的樂觀估計(jì)，投資者會(huì)繼續(xù)持有股票，但由于信息不對(duì)稱的原因，投資者謹(jǐn)慎心理可能會(huì)使股票流動(dòng)性水平下降，進(jìn)一步加劇未來股價(jià)崩盤風(fēng)險(xiǎn)。由此我們提出假設(shè)4：

H4：投資者情緒與股票流動(dòng)性水平呈負(fù)向相關(guān)性，樂觀情緒越高漲則流動(dòng)性水平降低，加劇了未來股價(jià)崩盤風(fēng)險(xiǎn)，股票流動(dòng)性是投資者情緒影響股價(jià)崩盤風(fēng)險(xiǎn)的中介變量。

三、研究設(shè)計(jì)

1.樣本選擇和數(shù)據(jù)來源。

本文選擇了2017年6月1日—2022年5月31日期間的滬深300指數(shù)成分股為研究對(duì)象，并對(duì)全樣本進(jìn)行了如下剔除：(1)剔除ST類、ST*類、金融類上市公司；(2)剔除部分存在數(shù)據(jù)缺失的公司樣本；(3)本文實(shí)證中所用的日度特有收益率指標(biāo)，是在擴(kuò)展的指數(shù)模型回歸殘差的基礎(chǔ)上獲得，為保證指數(shù)模型有效性，剔除了月度有效日收益率數(shù)據(jù)不足10個(gè)的公司樣本；(4)剔除了東方財(cái)富股吧論壇上顯示的投資者發(fā)布的帖子時(shí)間不到2017年6月的公司樣本。最終我們獲得174家樣本公司股票，共9 840個(gè)月度樣本觀測(cè)值。股票交易與財(cái)務(wù)數(shù)據(jù)均來源于銳思數(shù)據(jù)庫和國泰安數(shù)據(jù)庫，我們對(duì)同一變量指標(biāo)利用兩個(gè)數(shù)據(jù)庫進(jìn)行了交叉驗(yàn)證，并對(duì)連續(xù)變量進(jìn)行了上下1%的Winsorize縮尾處理。

我們構(gòu)建投資者情緒指標(biāo)所需文本皆來自東方財(cái)富股吧。國內(nèi)主要財(cái)經(jīng)網(wǎng)站中，該股吧不論是從百度權(quán)重、Alexa排名，還是反向鏈數(shù)、關(guān)鍵詞數(shù)等指標(biāo)都多年排名第一，其影響力、用戶數(shù)量和活力方面在國內(nèi)具有很好的代表性。數(shù)據(jù)挖掘過程如下：第一步，使用Python的網(wǎng)絡(luò)爬蟲對(duì)174家樣本股票各自股吧網(wǎng)頁進(jìn)行抓取，所得每條文本內(nèi)容都包括發(fā)帖網(wǎng)址、發(fā)帖人、標(biāo)題、評(píng)論數(shù)、閱讀數(shù)以及發(fā)帖時(shí)間，共獲得發(fā)帖文本25 190 500條。第二步，因?yàn)槌醪脚老x所得的文本具有很多干擾信息，所以需要對(duì)所得的文本進(jìn)行預(yù)處理。首先通過Excel對(duì)股吧文本中的無效帖子和重復(fù)帖子等進(jìn)行刪除，其中無效帖子包括空白帖、廣告、外部鏈接、雜亂符號(hào)等。其次采用Python中的JIEBA庫對(duì)股吧文本進(jìn)行分詞處理，同時(shí)根據(jù)正則表達(dá)式和停用詞表去除帖子中的英文字母、標(biāo)點(diǎn)符號(hào)和停用詞，最終得到22 921 007條發(fā)帖文本。第三步，在情感分析之前，對(duì)文本進(jìn)行序列化處理，將文本轉(zhuǎn)化為向量。

2.LSTM-CNN模型構(gòu)建。

神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的重要分支之一，其中的卷積神經(jīng)網(wǎng)絡(luò)(CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)目前在自然語言處理上得到廣泛應(yīng)用。但由于自然語言在結(jié)構(gòu)上存在著前后依賴關(guān)系，僅依靠卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)文本分類將忽略詞的上下文含義，而傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)存在梯度消失或梯度爆炸問題。為此，我們搭建了一種卷積神經(jīng)網(wǎng)絡(luò)(CNN)和雙向長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(Bi-LSTM)特征融合的模型LSTM-CNN。這一特征融合模型既可以利用卷積神經(jīng)網(wǎng)絡(luò)提取文本向量的局部特征，也可以利用雙向長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)提取與上下文相關(guān)的全局特征。我們使用LSTM-CNN模型提取文本情感特征，利用Softmax函數(shù)進(jìn)行情感分類并根據(jù)分類結(jié)果構(gòu)建情緒指數(shù)，實(shí)現(xiàn)思路如下：

首先，輸入層經(jīng)過embedding層，輸入的數(shù)據(jù)reshape成LSTM處理的類型，LSTM得到新的輸入后，借助sigmoid激活函數(shù)確定需要保持與丟棄的，當(dāng)數(shù)據(jù)乘1時(shí)則代表被保留，數(shù)據(jù)乘0時(shí)則代表被遺忘，從輸入門中獲取的數(shù)據(jù)即為我們更新了狀態(tài)，借助輸出門確定攜帶的信息，將新的狀態(tài)以及隱藏狀態(tài)轉(zhuǎn)移到下個(gè)時(shí)間步。

其次，輸入值經(jīng)過Bi-LSTM處理后，需要將輸出門數(shù)據(jù)進(jìn)一步reshape為卷積神經(jīng)網(wǎng)絡(luò)模型處理的類型，將LSTM模型的輸出值作為卷積神經(jīng)模型(CNN)的輸入值，由卷積神經(jīng)網(wǎng)絡(luò)模型處理。卷積神經(jīng)網(wǎng)絡(luò)由卷積層和池化層交替疊加而成，在每個(gè)卷積層與池化層之間都有relu激活函數(shù)作用來加速模型的收斂，所有特征融合后得到卷積神經(jīng)網(wǎng)絡(luò)的特征描述。

最后，將經(jīng)過LSTM-CNN模型處理的輸出結(jié)果輸入到全鏈接層。全鏈接層中Softmax函數(shù)的計(jì)算結(jié)果為該文本屬于某一類別的概率值，進(jìn)而可以通過全鏈接層輸出值的大小來判斷所屬類別。具體見圖1所示。

3.投資者情緒指標(biāo)。

為訓(xùn)練深度學(xué)習(xí)模型，需要將人工標(biāo)記好的樣本作為訓(xùn)練數(shù)據(jù)集。為此我們從待處理文本中隨機(jī)選取10 000條文本內(nèi)容，邀請(qǐng)10名金融專業(yè)教師進(jìn)行人工標(biāo)注，人工將這些帖子分為“積極”“中性”“消極”，使得每條帖子至少有兩人進(jìn)行標(biāo)注。若兩人標(biāo)注結(jié)果不一致，則邀請(qǐng)第三位進(jìn)行標(biāo)注，將三次標(biāo)注結(jié)果的多數(shù)作為該條文本標(biāo)簽。最終訓(xùn)練集樣本中，有積極情緒文本3 042條、中性文本3 578條、消極情緒文本3 380條。接著，將訓(xùn)練集樣本隨機(jī)劃分為訓(xùn)練集和測(cè)試集，用訓(xùn)練集來訓(xùn)練模型，用測(cè)試集檢驗(yàn)訓(xùn)練好的模型的準(zhǔn)確率，結(jié)果顯示模型準(zhǔn)確率達(dá)到74.9%。

我們用訓(xùn)練好的模型預(yù)測(cè)剩余所有文本的情感傾向，在此基礎(chǔ)上構(gòu)建了三類投資者情緒指標(biāo)：

首先是基于看漲程度的簡(jiǎn)單情緒指標(biāo)，見公式(1)：

(1)

公式(1)中，Mtpos和Mtneg分別表示時(shí)間t內(nèi)積極情緒發(fā)帖總數(shù)和消極情緒發(fā)帖總數(shù)，Se介于[-1，1]，表達(dá)了投資者相對(duì)看漲的程度。

其次，股吧中發(fā)帖的閱讀數(shù)、評(píng)論數(shù)反映了發(fā)帖的傳播程度和影響力，也會(huì)影響閱讀者的情緒傾向進(jìn)而形成更趨一致的意見環(huán)，考慮這一點(diǎn)我們構(gòu)建公式(2)的投資者情緒指標(biāo)Se1：

(2)

公式(2)中權(quán)重Rt為時(shí)間t內(nèi)該帖子的閱讀總量，其余指標(biāo)與公式(1)一致。

最后，指標(biāo)Se計(jì)算過程中并未考慮中性帖子數(shù)量，但情緒中性的發(fā)帖也是投資者關(guān)注的一種表現(xiàn)，至少在某種程度上代表了投資者意見的活躍程度，即使投資者表達(dá)的是中性預(yù)期，也是有價(jià)值的。鑒于此我們構(gòu)建指標(biāo)Se2，如公式(3)所示：

Se2=Se×ln(1+Mt)

(3)

公式(3)中，Mt=Mtpos+Mtneg+Mtneu，Mtneu為情緒中性發(fā)帖總數(shù)。后續(xù)實(shí)證中我們用指標(biāo)Se和Se1進(jìn)行基準(zhǔn)回歸檢驗(yàn)，指標(biāo)Se2用于替換解釋變量的穩(wěn)健性檢驗(yàn)。

4.股價(jià)崩盤風(fēng)險(xiǎn)指標(biāo)。

股價(jià)崩盤風(fēng)險(xiǎn)的度量主要有年樣本法(Xu等，2021[38])和月樣本法(丁慧等，2018[8])：年樣本法利用股票周收益率數(shù)據(jù)計(jì)算經(jīng)過市場(chǎng)調(diào)整后的收益率，采用市場(chǎng)調(diào)整后個(gè)股周收益率負(fù)偏度、漲跌波動(dòng)比刻畫股價(jià)崩盤風(fēng)險(xiǎn)，其值越大代表崩盤風(fēng)險(xiǎn)越大；月樣本法將股價(jià)崩盤定義為極大的負(fù)值，假定股票收益率服從正態(tài)分布，然后定義虛擬變量來刻畫是否有股價(jià)崩盤發(fā)生的潛在可能。

但關(guān)于股價(jià)崩盤風(fēng)險(xiǎn)如何度量仍存在一些爭(zhēng)議。股價(jià)崩盤風(fēng)險(xiǎn)的度量需要根據(jù)研究變量的時(shí)間頻率來確定數(shù)據(jù)頻率，董永琦等(2020)[39]分別使用周收益率和日收益率進(jìn)行了對(duì)比，提出更高頻的數(shù)據(jù)由于時(shí)滯因素，導(dǎo)致日度頻率的測(cè)量指標(biāo)在量化股價(jià)崩盤風(fēng)險(xiǎn)方面失效。相反，孟慶斌等(2017)[11]認(rèn)為低頻數(shù)據(jù)平滑了日度數(shù)據(jù)的高波動(dòng)性，降低了股價(jià)崩盤風(fēng)險(xiǎn)測(cè)度的時(shí)效性。就投資者情緒而言，通過網(wǎng)絡(luò)文本挖掘完全可以獲得日度的情緒指標(biāo)，為了更精準(zhǔn)地進(jìn)行實(shí)證檢驗(yàn)，我們利用樣本股的日數(shù)據(jù)，計(jì)算月度市場(chǎng)收益負(fù)偏度(NCSKEW)和漲跌波動(dòng)比(DUVOL)，具體方法如下：

首先，提取個(gè)股收益率中的特質(zhì)收益率，即將個(gè)股的日度收益率作為被解釋變量，市場(chǎng)日收益率及二期提前項(xiàng)和滯后項(xiàng)作為解釋變量，回歸后提取殘差值，如公式(4)：

ri,t=?i+β1,irm,t-2+β2,irm,t-1+β3,irm,t+β4,irm,t+1+β5,irm,t+2+εi,t

(4)

公式(4)中，ri，t為股票i在t日的考慮現(xiàn)金紅利再投資收益率，rm，t為市場(chǎng)流通市值加權(quán)收益率，定義Ii，t=ln(1+εi，t)為股票i在t日的日特質(zhì)收益率。

其次，根據(jù)所得的個(gè)股日特質(zhì)收益率Ii，t，使用公式(5)、公式(6)計(jì)算月度市場(chǎng)收益負(fù)偏度(NCSKEW)、漲跌波動(dòng)比(DUVOL)：

(5)

(6)

公式(5)中，n為股票i在j月的交易天數(shù)。NCSKEW越大則股價(jià)崩盤風(fēng)險(xiǎn)越大；公式(6)中，nup和ndown分別為股票i在j月中價(jià)格上漲和下跌的交易日數(shù)，日特有收益率大于其均值時(shí)則視為股價(jià)上漲。DUVOL的數(shù)值越大，表明股價(jià)崩盤風(fēng)險(xiǎn)越大。

同時(shí)，我們也選擇特有收益極端負(fù)值(Crash)來衡量股價(jià)崩盤風(fēng)險(xiǎn)，用于后續(xù)穩(wěn)健性檢驗(yàn)，特有收益極端負(fù)值(Crash)的計(jì)算見公式(7)：

(7)

5.控制變量。

本文選取以下控制變量：個(gè)股的平均日收益率，即個(gè)股日公司特有收益率的均值；個(gè)股日度收益標(biāo)準(zhǔn)差，反映個(gè)股股價(jià)波動(dòng)程度；資產(chǎn)負(fù)債率，使用滯后一期上市公司負(fù)債總額和資產(chǎn)總額的比值，該指標(biāo)反映了公司的償債能力；總資產(chǎn)收益率，使用滯后一期上市公司凈利潤和總資產(chǎn)的比值，反映公司的盈利能力；市凈率，上市公司每股價(jià)格與每股凈收益之間的比值；換手率變化比率，股票當(dāng)期換手率與前期換手率的差值與前期換手率的比值。此外，我們引入了虛擬變量控制行業(yè)和年份固定效應(yīng)。本文主要變量說明見表1。

表1 主要變量名稱與釋義

6.基礎(chǔ)回歸模型。

我們建立了以下非平衡雙向固定效應(yīng)模型：

Crashriski,t=α0+β1Sentimenti,t-1+β2∑Controli,t-1+it+iy+εi,t

(8)

公式(8)中，Crashriski，t表示股價(jià)崩盤風(fēng)險(xiǎn)，我們分別使用條件收益負(fù)偏度(NCSKEW)和漲跌波動(dòng)比(DUVOL)進(jìn)行度量；Sentimenti，t-1表示滯后一期的投資者情緒；Control表示本文上述提到控制變量；我們還利用虛擬變量分別控制了行業(yè)(it)和年份(iy)效應(yīng)。

四、實(shí)證分析與結(jié)果討論

1.描述性和相關(guān)性分析。

表2報(bào)告了主要變量描述性統(tǒng)計(jì)結(jié)果，樣本股票的條件收益負(fù)偏度(NCSKEW)和漲跌波動(dòng)比(DUVOL)的均值分別為-0.168和-0.170，標(biāo)準(zhǔn)差為1.525和1.385；投資者情緒方面，Se、Se1和Se2的均值分別為-0.185、-0.396和-1.129，說明東方財(cái)富股票論壇在研究時(shí)間段內(nèi)總體情緒偏向消極，從最大值和最小值看，不同時(shí)期投資者情緒差異較大；Se2的極差為9.226，表明投資者極易出現(xiàn)極端情緒；第9列和第11列展示了各變量的正態(tài)性檢驗(yàn)和平穩(wěn)性檢驗(yàn)的結(jié)果，JB統(tǒng)計(jì)值普遍較大，不服從正態(tài)分布，IPS值的P值都小于0，表示所有變量均為平穩(wěn)序列。

表3列示了主要解釋變量和被解釋變量間的相關(guān)系數(shù)，條件收益負(fù)偏度(NCSKEW)和漲跌波動(dòng)比(DUVOL)之間相關(guān)系數(shù)為0.940和0.925，支持兩者可以進(jìn)行交叉驗(yàn)證；投資者情緒和股價(jià)崩盤風(fēng)險(xiǎn)的相關(guān)系數(shù)均在1%的顯著性水平上顯著為正；在控制變量方面，資產(chǎn)負(fù)債率(Lev)、市凈率(PB)和股價(jià)崩盤風(fēng)險(xiǎn)指標(biāo)顯著正相關(guān)，而資產(chǎn)收益率(ROA)、換手率變化比(Dexch)與股價(jià)崩盤風(fēng)險(xiǎn)顯著負(fù)相關(guān)。為防止多重共線性影響，我們進(jìn)一步計(jì)算各個(gè)變量的方差膨脹因子(VIF)，所有自變量的方差膨脹因子都小于10，最大值為2.16，排除了多重共線性的潛在干擾。

表2 主要變量描述性統(tǒng)計(jì)

表3 主要變量間相關(guān)系數(shù)

2.投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)影響以及不同市場(chǎng)環(huán)境的異質(zhì)性。

表4報(bào)告了基于社交網(wǎng)絡(luò)的投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)指標(biāo)的基礎(chǔ)回歸結(jié)果，列(1)～列(4)為未加入控制變量的結(jié)果，兩種投資者情緒變量系數(shù)值都在1%的顯著性水平上為正。列(5)～列(8)加入了控制變量，其中列(5)、列(6)是以條件收益負(fù)偏度(NCSKEW)為股價(jià)崩盤風(fēng)險(xiǎn)衡量指標(biāo)進(jìn)行回歸，投資者情緒Se和Se1回歸系數(shù)為0.310和0.124，兩者均在5%的顯著性水平上為正；列(7)和列(8)是以漲跌波動(dòng)比(DUVOL)作為被解釋變量，Se和Se1回歸系數(shù)分別為0.276和0.106，兩者也在5%的顯著性水平上為顯著為正。表4結(jié)果表明投資者情緒與下一期股價(jià)崩盤風(fēng)險(xiǎn)之間存在著顯著的正向關(guān)系，投資者情緒的高漲會(huì)加劇未來股價(jià)的不確定性進(jìn)而導(dǎo)致股價(jià)崩盤風(fēng)險(xiǎn)加劇，驗(yàn)證了假設(shè)1。

控制變量方面，特有收益率均值(Ret)和與股價(jià)崩盤風(fēng)險(xiǎn)在1%的顯著性水平上顯著正相關(guān)，特質(zhì)收益率越高則更容易吸引短期交易，股價(jià)崩盤風(fēng)險(xiǎn)加劇，這與孫亞菲等(2020)[5]的結(jié)論相同；資產(chǎn)收益率(ROA)與股價(jià)崩盤風(fēng)險(xiǎn)在10%的顯著性水平上顯著負(fù)相關(guān)，說明當(dāng)公司資產(chǎn)收益率越高則股價(jià)崩盤風(fēng)險(xiǎn)就越低；換手率變化比(Dexch)與股價(jià)崩盤風(fēng)險(xiǎn)之間顯著正相關(guān)；市凈率(PB)與股價(jià)崩盤風(fēng)險(xiǎn)之間在1%的顯著性水平上正相關(guān)。

表4 投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響

進(jìn)一步地，我們將樣本時(shí)間段劃分為牛市和熊市，分別檢驗(yàn)不同市場(chǎng)環(huán)境狀態(tài)下基于股吧平臺(tái)的投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響效應(yīng)是否存在差異。具體操作上，首先需要對(duì)股票設(shè)定一個(gè)單向運(yùn)行周期，我們將單向運(yùn)行周期取值為5，將研究時(shí)間段劃分為多個(gè)子區(qū)間；其次在每個(gè)子區(qū)間內(nèi)尋找波峰和波谷，依次連接波峰和波谷則將樣本劃分為牛市和熊市。在此過程中：(1)波峰和波谷要求交替出現(xiàn)，若連續(xù)出現(xiàn)兩個(gè)波峰，則舍棄掉較小的波峰；若連續(xù)出現(xiàn)兩個(gè)波谷，則舍棄較大的波谷。(2)若牛市或熊市單程周期不超過4個(gè)月，則股市逆轉(zhuǎn)前后股價(jià)變動(dòng)幅度必須要大于20%。(3)不包括序列端點(diǎn)附近股價(jià)水平低于端點(diǎn)處的波峰，以及序列端點(diǎn)附近股價(jià)水平高于端點(diǎn)處的波谷。最終劃分結(jié)果為：牛市區(qū)間為2017年6月至2018年6月、2019年1月至2019年3月、2020年4月至2021年12月，熊市區(qū)間為2018年6月至2018年12月、2019年4月至2020年3月、2022年1月至2022年5月。

表5報(bào)告了牛熊市不同市場(chǎng)環(huán)境下，投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響效應(yīng)。當(dāng)條件收益負(fù)偏度(NCSKEW)作為被解釋變量時(shí)，在牛市中投資者情緒Se和Se1前的系數(shù)值分別為0.314和0.149，在10%的顯著性水平上顯著；而在熊市狀態(tài)下，投資者情緒Se和Se1前的系數(shù)值分別為0.745和0.331，且都在1%的顯著性水平上顯著，系數(shù)值和顯著性都有所提高。當(dāng)用漲跌波動(dòng)比(DUVOL)來衡量股價(jià)崩盤風(fēng)險(xiǎn)時(shí)，熊市中投資者情緒指標(biāo)Se和Se1前的系數(shù)值分別為0.619和0.273，均在1%的顯著性水平下顯著為正，顯著性水平和系數(shù)值都比牛市狀態(tài)下高。投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響效應(yīng)在不同的市場(chǎng)環(huán)境中表現(xiàn)出明顯的非對(duì)稱性，熊市環(huán)境中的影響效應(yīng)更為顯著，假設(shè)2得到驗(yàn)證。

表5 牛熊市不同環(huán)境下投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的非對(duì)稱性分析

3.內(nèi)生性檢驗(yàn)：工具變量法。

表6 工具變量回歸結(jié)果

4.內(nèi)生性檢驗(yàn)：傾向得分匹配法(PSM)。

為排除樣本選擇帶來的內(nèi)生性問題，我們使用傾向評(píng)分匹配法(PSM)進(jìn)行內(nèi)生性檢驗(yàn)。首先，在全樣本中將投資者情緒Se(Se1)進(jìn)行排序，將大于70%分位數(shù)的樣本作為實(shí)驗(yàn)組，小于30%分位數(shù)的樣本作為控制組。將控制變量資產(chǎn)負(fù)債率(LEV)、市凈率(PB)、總資產(chǎn)收益率(ROA)、換手率變化(Dexch)作為傾向匹配得分的特征變量，利用Logit模型計(jì)算投資者情緒，基于回歸結(jié)果計(jì)算樣本公司的傾向得分，最后采用一對(duì)一最近鄰法為匹配標(biāo)準(zhǔn)進(jìn)行匹配。匹配后實(shí)驗(yàn)組和控制組的平均處理效應(yīng)(ATT)如表7所示。從結(jié)果可以看出，Se、Se1對(duì)條件收益負(fù)偏度(NCSKEW)和漲跌波動(dòng)比(DUVOL)的PSM檢驗(yàn)平均處理效應(yīng)(ATT)的t值均大于1.68，都在1%的顯著性水平上顯著為正，這說明投資者情緒與股價(jià)崩盤風(fēng)險(xiǎn)呈顯著的正相關(guān)關(guān)系。

表7 全過程PSM檢驗(yàn)結(jié)果

5.內(nèi)生性檢驗(yàn)：DID檢驗(yàn)。

我們繼續(xù)使用雙重差分模型(DID)做檢驗(yàn)，以控制可能存在的變量遺漏和偶然性因素。雙重差分模型要求將樣本在時(shí)間序列維度和截面維度上進(jìn)行劃分，時(shí)間維度上，我們將新冠病毒感染疫情暴發(fā)的時(shí)間點(diǎn)(2019年12月)作為節(jié)點(diǎn)，設(shè)置時(shí)間虛擬變量period，將疫情暴發(fā)后的時(shí)間賦值為1，疫情前的時(shí)間賦值為0；在個(gè)體維度上，根據(jù)公司產(chǎn)權(quán)性質(zhì)，設(shè)置個(gè)體虛擬變量treat，如果是國有企業(yè)則賦值為1，非國有企業(yè)賦值為0；同時(shí)設(shè)置虛擬變量Did代表虛擬變量period和treat的交互項(xiàng)，建立DID模型進(jìn)行檢驗(yàn)。結(jié)果如表8所示。從表中可以看出交互項(xiàng)Did的系數(shù)值在1%的顯著性水平上顯著為負(fù)，表明國有企業(yè)和非國有企業(yè)中投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響在新冠疫情前后有顯著的差異。其中交互項(xiàng)系數(shù)為負(fù)，原因可能在于我國股票市場(chǎng)中，國有企業(yè)相比于非國有企業(yè)股價(jià)更為穩(wěn)定。受到疫情的影響，投資者出于謹(jǐn)慎的心理，更傾向于選擇持有國有上市公司股票，所以投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響在疫情發(fā)生后會(huì)降低。

為進(jìn)一步分析疫情前后，投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響效應(yīng)在不同產(chǎn)權(quán)性質(zhì)的樣本之間的差異，本文選取疫情暴發(fā)點(diǎn)作為節(jié)點(diǎn)進(jìn)行平行趨勢(shì)檢驗(yàn)。結(jié)果如圖2所示，其中(a)表示被解釋變量為條件收益負(fù)偏度(NCSKEW)，(b)表示被解釋變量為漲跌波動(dòng)比(DUVOL)。平行趨勢(shì)檢驗(yàn)結(jié)果都顯示，不論被解釋變量是條件收益負(fù)偏度還是漲跌波動(dòng)比，新冠疫情暴發(fā)前，非國有企業(yè)中投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)影響更為明顯。但疫情暴發(fā)后，情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響在國有企業(yè)中更為明顯，兩者趨勢(shì)出現(xiàn)明顯不同，結(jié)果和前面DID檢驗(yàn)結(jié)果一致。

表8 DID檢驗(yàn)結(jié)果

6.穩(wěn)健性檢驗(yàn)：變量替換。

我們分別使用根據(jù)公式(7)計(jì)算的特有收益極端負(fù)值(Crash)替換條件收益負(fù)偏度(NSCKEW)和漲跌波動(dòng)比(DUVOL)，表9中列(1)和列(2)報(bào)告了替換被解釋變量的回歸結(jié)果。從結(jié)果可以發(fā)現(xiàn)投資者情緒Se、Se1回歸系數(shù)分別為0.030和0.014，都在1%的顯著性水平上顯著為正，這與前文的基礎(chǔ)回歸結(jié)果一致。其次，采用前文公式(3)計(jì)算所得的投資者情緒指標(biāo)Se2代替基礎(chǔ)回歸中情緒指標(biāo)Se和Se1。表9中列(3)和列(4)報(bào)告了回歸結(jié)果，可以看出Se2對(duì)NSCKEW和DUVOL的系數(shù)值分別為0.034和0.033且在5%的顯著性水平上顯著為正，表明基礎(chǔ)回歸結(jié)論具有穩(wěn)健性。

表9 替換變量的回歸結(jié)果

7.穩(wěn)健性檢驗(yàn)：安慰劑檢驗(yàn)。

盡管我們?cè)趯?shí)證模型中加入了控制變量，但仍然可能存在遺漏變量問題。因此我們使用安慰劑檢驗(yàn)，探討被解釋變量是否受其他隨機(jī)因素的影響。首先，打亂樣本股的投資者情緒Se(Se1)數(shù)據(jù)，將投資者情緒數(shù)據(jù)隨機(jī)賦給樣本股票；其次，將隨機(jī)賦給樣本個(gè)股的投資者情緒分別對(duì)條件收益負(fù)偏度、漲跌波動(dòng)比進(jìn)行回歸；最后，將上述步驟重復(fù)500次，并將500次回歸結(jié)果中投資者情緒系數(shù)的t值統(tǒng)計(jì)出來，繪制出相應(yīng)的被解釋變量下虛擬投資者情緒回歸系數(shù)和P值的核密度分布圖，與基準(zhǔn)回歸結(jié)果中投資者情緒Se(Se1)回歸系數(shù)和P值進(jìn)行對(duì)比。

圖3和圖4分別是不同被解釋變量下安慰劑檢驗(yàn)結(jié)果的核密度圖，圖中豎虛線表示基礎(chǔ)回歸結(jié)果中投資者情緒的回歸系數(shù)值，橫虛線表示10%顯著性水平，橫軸表示虛擬投資者情緒的估計(jì)系數(shù)，縱軸表示投資者情緒估計(jì)系數(shù)對(duì)應(yīng)的P值大小。從圖中可以看出，不論被解釋變量為條件收益負(fù)偏度(NSCKEW)和漲跌波動(dòng)比(DUVOL)，虛擬投資者情緒的估計(jì)系數(shù)值都圍繞在0附近呈現(xiàn)正態(tài)分布，皆小于基礎(chǔ)回歸中情緒的系數(shù)值。從P值來看，虛擬投資者情緒回歸所得的估計(jì)系數(shù)值對(duì)應(yīng)的P值大部分處在10%顯著性水平線上，大部分都不顯著。這證明本文實(shí)證結(jié)果不是偶然因素引起的，情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響效應(yīng)比較穩(wěn)健，也排除了遺漏變量的影響。

圖3 投資者情緒對(duì)NCSKEW的安慰劑檢驗(yàn)結(jié)果

圖4 投資者情緒對(duì)DUVOL的安慰劑檢驗(yàn)結(jié)果

五、拓展研究：異質(zhì)性與中介效應(yīng)檢驗(yàn)

1.內(nèi)部治理環(huán)境：公司規(guī)模差異的異質(zhì)性表現(xiàn)。

一般來說，規(guī)模較大的企業(yè)內(nèi)部治理結(jié)構(gòu)較為完善，公司內(nèi)部控制和治理能力也較強(qiáng)，可以更好地規(guī)避和防范風(fēng)險(xiǎn)。我們根據(jù)樣本公司規(guī)模中位數(shù)對(duì)樣本進(jìn)行劃分，將大于中位數(shù)的樣本股定義為大規(guī)模組，反之為小規(guī)模組。我們分別使用加入交互項(xiàng)和分組回歸兩種方法進(jìn)行檢驗(yàn)，結(jié)果如表10所示。其中，列(1)和列(2)是引入交互項(xiàng)的回歸結(jié)果，列(3)～列(6)是分組回歸的結(jié)果。可以看出，交互項(xiàng)系數(shù)顯著為負(fù)，分組回歸結(jié)果也發(fā)現(xiàn)小規(guī)模組的情緒系數(shù)值大于規(guī)模較大的系數(shù)值，且都在5%的顯著性水平上顯著為正。這說明投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響效應(yīng)在小規(guī)模公司樣本中更大，驗(yàn)證了假設(shè)3a。

表10 不同公司規(guī)模下回歸結(jié)果

2.內(nèi)部治理環(huán)境：股權(quán)集中度差異的異質(zhì)性表現(xiàn)。

從委托代理角度來看，當(dāng)公司股權(quán)分布較為分散時(shí)，由于沒有強(qiáng)勢(shì)股東的約束，管理者可能會(huì)存在機(jī)會(huì)主義行為，通過“捂盤”或者夸大利好消息，刻意隱藏和美化公司運(yùn)行的真實(shí)財(cái)務(wù)狀況，增加了股價(jià)崩盤風(fēng)險(xiǎn)。我們利用樣本公司第一大股東持股比例來衡量股權(quán)集中度，根據(jù)其均值進(jìn)行劃分，第一大股東持股比例大于其均值為高股權(quán)集中度樣本，反之則為低股權(quán)集中度樣本。表11報(bào)告了不同股權(quán)集中度水平下引入交互項(xiàng)和分組回歸的回歸結(jié)果。從列(1)和列(2)可以看出，當(dāng)被解釋變量為漲跌波動(dòng)比時(shí)(DUVOL)，交互項(xiàng)系數(shù)在10%的顯著性水平上顯著為負(fù)；觀察列(3)和列(5)，上市公司股權(quán)集中度低時(shí)，投資者情緒的系數(shù)值大于集中度高時(shí)的系數(shù)值，且在1%的顯著性水平上顯著。以上結(jié)果說明，與高股權(quán)集中度的公司相比，情緒對(duì)于股價(jià)崩盤風(fēng)險(xiǎn)的影響在低股權(quán)集中度的公司更為明顯，驗(yàn)證了假設(shè)3a。

表11 不同股權(quán)集中度的回歸結(jié)果

3.外部制度環(huán)境：賣空限制差異的異質(zhì)性表現(xiàn)。

在股票價(jià)格被高估的情況下，賣空限制越大，股價(jià)會(huì)損失更多的特質(zhì)信息，更易同漲共跌(楊棉之等，2020[40])，同時(shí)負(fù)面消息融入股價(jià)的速度更為遲緩(孟慶斌等，2017[11])，從而加劇了股價(jià)崩盤風(fēng)險(xiǎn)。當(dāng)公司的機(jī)構(gòu)投資者持股比例較小時(shí)，賣空交易者進(jìn)行賣空交易的可能性和規(guī)模越小，賣空限制越嚴(yán)格，所以本文利用機(jī)構(gòu)投資者持股比例來衡量賣空限制程度，機(jī)構(gòu)投資者持股比例越大，賣空限制越小。以樣本股票的機(jī)構(gòu)投資者持股比例的均值作為節(jié)點(diǎn)，將大于均值的樣本劃分為高機(jī)構(gòu)持股比例組(賣空限制小)，反之則為低機(jī)構(gòu)投資者持股比例組(賣空限制大)，進(jìn)行分組回歸檢驗(yàn)，同時(shí)引入交互項(xiàng)來討論投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)影響的異質(zhì)性。

表12報(bào)告了引入交互項(xiàng)和分組回歸的結(jié)果，其中列(1)和列(2)為引入交互項(xiàng)的結(jié)果，情緒Se前的系數(shù)值在1%的顯著性水平上顯著為正，交互項(xiàng)前的系數(shù)在1%的顯著性水平上顯著為負(fù)。從分組回歸的結(jié)果來看，將列(3)和列(5)、列(4)和列(6)進(jìn)行對(duì)比，發(fā)現(xiàn)當(dāng)被解釋變量為漲跌波動(dòng)比(DUVOL)時(shí)，投資者情緒Se前的系數(shù)值在1%的顯著性水平上顯著為正，但是賣空限制大的樣本組系數(shù)值明顯大于賣空限制小的系數(shù)值。這表明上市公司賣空限制越嚴(yán)格，投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響更顯著，驗(yàn)證了假設(shè)3b。

表12 不同賣空制度下的回歸結(jié)果

4.外部制度環(huán)境：市場(chǎng)化水平差異的異質(zhì)性表現(xiàn)。

我們選取上市公司注冊(cè)地所在省份的市場(chǎng)化指數(shù)來衡量外部制度環(huán)境。當(dāng)上市公司所在地的市場(chǎng)化水平較高時(shí)，外部治理水平提升，促使企業(yè)及時(shí)披露信息，投資者信息搜集成本降低，有助于提升股價(jià)信息含量。我們所使用的市場(chǎng)化指數(shù)來自中國分省份市場(chǎng)化指數(shù)數(shù)據(jù)庫，根據(jù)公司所在地的市場(chǎng)化指數(shù)的中位數(shù)進(jìn)行劃分，高于其中位數(shù)為高市場(chǎng)化水平組，反之則為低市場(chǎng)化水平組。表13展示了不同市場(chǎng)化水平下引入交互項(xiàng)和分組回歸的結(jié)果，其中列(1)和列(2)為引入交互項(xiàng)的結(jié)果，交互項(xiàng)前的系數(shù)顯著為負(fù)；分組回歸結(jié)果也表明，市場(chǎng)化水平低的樣本組系數(shù)值顯著大于市場(chǎng)化水平高的系數(shù)值。可以看出，情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的正向影響效應(yīng)在市場(chǎng)化水平較低的上市公司中更為明顯，驗(yàn)證了假設(shè)3b。

表13 不同市場(chǎng)化水平下的回歸結(jié)果

5.中介效應(yīng)檢驗(yàn)：流動(dòng)性的中介作用。

我們使用Amihud的非流動(dòng)性指標(biāo)來衡量股票流動(dòng)性水平，當(dāng)非流動(dòng)性比率越高時(shí)，股票流動(dòng)性越低，具體如公式(10)所示：

ILLi,t=|Ri,t|/Voli,t

(10)

公式(10)中，Ri，t為股票的月收益率，Voli，t為股票的月交易金額。我們參考溫忠麟和葉寶娟(2014)[41]的做法，通過逐步回歸法，建立如下面板數(shù)據(jù)中介效應(yīng)模型進(jìn)行驗(yàn)證：

D=α0+cSe+β0C+γ0

(11)

M=α1+aSe+β1C+γ1

(12)

D=α2+c1Se+bM+β2C+γ2

(13)

公式(11)、(12)和(13)中，D代表被解釋變量條件收益負(fù)偏度(NCSKEW)和漲跌波動(dòng)比(DUVOL)；M代表中介變量股票流動(dòng)性，用非流動(dòng)性比率來衡量。公式(11)中系數(shù)c表示投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的總效用，公式(13)中的系數(shù)c1則為情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的直接效應(yīng)，系數(shù)a和b的乘積表示情緒對(duì)崩盤風(fēng)險(xiǎn)的間接效應(yīng)。

中介效應(yīng)回歸檢驗(yàn)結(jié)果如表14所示。由列(1)可知，投資者情緒(Se)和非流動(dòng)性比率(ILL)之間系數(shù)值為0.012，在1%的顯著性水平上顯著為正，表明投資者情緒與股票流動(dòng)性之間存在負(fù)向的影響，當(dāng)投資者情緒越樂觀時(shí)，股票流動(dòng)性反而會(huì)降低。對(duì)比列(2)、(4)和列(3)、(5)的結(jié)果，發(fā)現(xiàn)在沒有加入中介變量時(shí)，投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)存在顯著的正向的影響；在加入中介變量后，非流動(dòng)性比率(ILL)前的系數(shù)在10%的顯著性水平上顯著為正，表明股票流動(dòng)性的下降會(huì)加劇上市公司未來股價(jià)崩盤的風(fēng)險(xiǎn)，同時(shí)投資者情緒的回歸系數(shù)值仍在1%的顯著性水平上顯著為正，且系數(shù)值明顯變小。上述結(jié)果表明投資者情緒以股票流動(dòng)性為中介正向影響上市公司的股價(jià)崩盤風(fēng)險(xiǎn)，當(dāng)投資者情緒看漲時(shí)，會(huì)降低股票的流動(dòng)性進(jìn)而加強(qiáng)了情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的正向影響效應(yīng)。通過Sobel檢驗(yàn)所得的Sobel、Good1及Good2的值均大于1.68，顯著拒絕了不存在中介效應(yīng)的原假設(shè)。列(6)和列(7)展示了股票流動(dòng)性的中介效應(yīng)的穩(wěn)健性檢驗(yàn)結(jié)果，發(fā)現(xiàn)替換被解釋變量后，所得結(jié)果一致。

表14 股票流動(dòng)性的中介效應(yīng)回歸結(jié)果

六、研究總結(jié)

本文爬取了東方財(cái)富股吧中滬深300指數(shù)成分股2017年6月1日—2022年5月31日的日度發(fā)帖文本，搭建了融合卷積神經(jīng)網(wǎng)絡(luò)和雙向長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型，對(duì)發(fā)帖文本進(jìn)行情緒傾向識(shí)別，并構(gòu)建投資者情緒指標(biāo)以探究其對(duì)于股價(jià)崩盤風(fēng)險(xiǎn)的影響效應(yīng)和機(jī)制。研究發(fā)現(xiàn)：(1)投資者情緒顯著正向影響股價(jià)崩盤風(fēng)險(xiǎn)，當(dāng)期投資者情緒越樂觀，未來股價(jià)崩盤風(fēng)險(xiǎn)越大。(2)投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響和作用表現(xiàn)出不對(duì)稱，相比于牛市環(huán)境，熊市中的投資者的情緒狀態(tài)對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響效應(yīng)更為突出。(3)從公司內(nèi)部治理環(huán)境角度看，投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響效應(yīng)在規(guī)模較小、集中度低的樣本公司中更為明顯；從公司所處外部制度環(huán)境角度看，投資者情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響效應(yīng)在賣空限制大、所在地市場(chǎng)化水平低的樣本公司中更為顯著。(4)股票流動(dòng)性在投資者情緒影響股價(jià)崩盤風(fēng)險(xiǎn)過程中存在部分中介效應(yīng)，更為高漲的投資者情緒會(huì)導(dǎo)致股票流動(dòng)性水平下降，進(jìn)而加劇了情緒對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的影響效應(yīng)。

本文結(jié)論從理論層面豐富了對(duì)上市公司股價(jià)崩盤風(fēng)險(xiǎn)影響因素的認(rèn)識(shí)，對(duì)股票市場(chǎng)中的各方主體有一定的啟示。對(duì)監(jiān)管者來說，一方面要注重利用互聯(lián)網(wǎng)信息進(jìn)行風(fēng)險(xiǎn)預(yù)警，通過投資者情緒的關(guān)注與預(yù)警幫助防范股價(jià)崩盤風(fēng)險(xiǎn)；另一方面，監(jiān)管者也可以通過監(jiān)督和管理股吧社區(qū)等社交媒體上披露的網(wǎng)絡(luò)信息，杜絕網(wǎng)絡(luò)謠言傳播。對(duì)投資者來說，互聯(lián)網(wǎng)技術(shù)的發(fā)展為信息交流提供便利的同時(shí)，也對(duì)投資者信息處理能力提出了挑戰(zhàn)，為在海量的網(wǎng)絡(luò)信息中挖掘有效信息，提升信息辨別能力，就必須加強(qiáng)自身的專業(yè)素養(yǎng)和決策水平。對(duì)上市公司來說，管理層在公司治理的過程中，不僅要考慮公司內(nèi)部的因素，還要及時(shí)關(guān)注市場(chǎng)上投資者情緒的變化，利用社交媒體加強(qiáng)與投資者之間的交流，及時(shí)披露公司高質(zhì)量信息，澄清網(wǎng)絡(luò)虛假信息。