王耀君 高揚

摘要：以20132016年391支股票的360搜索指數(shù)中的投資者關(guān)注度和媒體關(guān)注度的指數(shù)作為網(wǎng)絡(luò)關(guān)注度度量指標，同時基于股票市場交易數(shù)據(jù)采用多種信息不對稱計算方法構(gòu)建了信息不對稱性度量指標，并進一步構(gòu)造了信息不對稱主成分綜合指標。通過建立橫截面回歸模型，探究投資者和媒體關(guān)注度對我國股票市場的信息不對稱程度的影響作用。實證分析及穩(wěn)健性檢驗結(jié)果表明：投資者關(guān)注度的增加會減少知情交易及信息不透明程度，從而減少了股票市場的信息不對稱程度，提高了股票市場的流動性;媒體關(guān)注度對不同的信息不對稱性度量指標的影響存在著不一致性。本研究通過探索投資者關(guān)注度及媒體關(guān)注度在新興市場中的應(yīng)用，對于我國證券市場監(jiān)管層制定政策以及對于普通投資者優(yōu)化投資策略都具有重要的參考意義。

關(guān)鍵詞： 信息不對稱;投資者關(guān)注度;媒體關(guān)注度;交易成本

中圖分類號：F831文獻標識碼：A文章編號：1003-7217（2019）01-0044-07

一、引言

投資者以及媒體對上市公司股票的關(guān)注度作為影響股票市場發(fā)展的重要因素，對投資者的決策行為以及股票市場的交易均會產(chǎn)生影響，進而對股票交易市場產(chǎn)生影響，因此研究投資者或媒體關(guān)注度為代表的網(wǎng)絡(luò)關(guān)注度對股票市場交易的影響具有重要的意義。已有文獻主要對投資者關(guān)注度和股票收益率、波動率等市場微觀結(jié)構(gòu)指標之間的關(guān)系進行了研究，然而信息不對稱作為股票市場存在的一種普遍現(xiàn)象，其存在破壞了股票市場秩序，損害了投資者利益，嚴重阻礙了我國金融市場的穩(wěn)定健康發(fā)展[1]。

因此研究投資者及媒體關(guān)注度對股票信息不對稱程度的影響有助于證券市場監(jiān)管層制定政策，同時有利于投資者優(yōu)化投資策略，對股票市場的健康運行和持續(xù)發(fā)展具有深遠的理論和現(xiàn)實意義。

已有較多文獻表明投資者或媒體關(guān)注度的變化可以引起股票價格以及波動率的變化，但是對于投資者和媒體關(guān)注度的變化對市場信息不對稱程度的影響作用的關(guān)注較少。Jin和Myers[2]、Glosten和Milgrom[3]、Seyhun[4]以及Bank等[5]等的研究表明股票關(guān)注度的提高有助于降低信息不對稱性，增強信息透明度，進而減少股票市場的波動程度。在早期的研究中，股票異常收益率、交易量、新聞數(shù)量、分析師人數(shù)等指標通常作為投資者或媒體關(guān)注度的度量，但是上述指標由于存在較大的度量偏差，在實證研究中具有一定的局限性。在近期研究中，學(xué)者們逐漸開始運用大數(shù)據(jù)的思維，采用網(wǎng)絡(luò)搜索指數(shù)來研究投資者或媒體關(guān)注度與股票交易之間的關(guān)系。本文從股票市場的信息不對稱理論出發(fā)，基于360搜索網(wǎng)站的子應(yīng)用網(wǎng)頁360指數(shù)構(gòu)建投資者和媒體關(guān)注度指標，并進一步分析了我國股票市場上投資者和媒體關(guān)注度對信息不對稱程度的影響作用。

本文在使用網(wǎng)頁爬蟲技術(shù)從360搜索網(wǎng)站的子應(yīng)用網(wǎng)頁360指數(shù)上獲取到投資者和媒體關(guān)注度搜索量的數(shù)據(jù)，基于此探究了我國股票市場上投資者和媒體關(guān)注度對股票市場信息不對稱程度的影響。研究內(nèi)容主要分為三個部分：首先，基于我國股票市場交易數(shù)據(jù)采用多種信息不對稱計算方法構(gòu)建了信息不對稱性度量指標，分別研究了投資者和媒體關(guān)注度與七種信息不對稱度量指標之間的關(guān)系。其次，基于多維度信息不對稱指標構(gòu)建了信息不對稱主成分綜合指標，并通過建立面板回歸模型對投資者或媒體關(guān)注度與主成分綜合指標之間的關(guān)系進行了研究。最后，通過對上市公司樣本數(shù)據(jù)按照主板、中小板、創(chuàng)業(yè)板的板塊分類，然后進行了穩(wěn)健性檢驗。

二、文獻回顧

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，信息技術(shù)的革新提高了信息的傳播速度和廣度，信息的獲取也變得更加便捷和及時。大數(shù)據(jù)時代也催生了各行業(yè)的以數(shù)據(jù)驅(qū)動發(fā)展的模式，科學(xué)研究可以借助對網(wǎng)絡(luò)大數(shù)據(jù)的分析建模嘗試解決傳統(tǒng)的數(shù)據(jù)分析方法不擅長解決的問題。搜索引擎在從誕生起就一直發(fā)揮著重要的作用，現(xiàn)已成為人們走入互聯(lián)網(wǎng)世界的第一道門。人們不僅通過搜索引擎進行資料查找和科學(xué)研究中的文獻獲取，在金融市場中普通投資者通常會使用搜索引擎獲取相關(guān)信息完成交易決策。所以，有研究者對搜索引擎關(guān)于股票名稱的搜索頻次與股票在交易市場中的表現(xiàn)開展了一些研究。Google是全球使用最廣泛的搜索引擎，一些國外學(xué)者基于Google搜索指數(shù)對投資者或媒體的關(guān)注度與股票市場價格或收益關(guān)系進行了研究。Preis等[6]、Challet和Ahmed[7]、Tantaopas等[8]均通過實證研究發(fā)現(xiàn)Google搜索指數(shù)和市場預(yù)期收益之間存在正相關(guān)性，而Takeda和Wakao[9]和Bijl等[10]基于日本和美國股票市場的數(shù)據(jù)研究發(fā)現(xiàn)Google搜索指數(shù)與收益率之間存在負相關(guān)性。Ranco等[11]對美國股票市場的研究發(fā)現(xiàn)只采用Yahoo Finance搜索指數(shù)預(yù)測股價變化效果是不顯著的。類似地，關(guān)于網(wǎng)絡(luò)搜索指數(shù)與股票市場波動率或流動性等其他微觀結(jié)構(gòu)特征的研究也大多聚焦于Google搜索指數(shù)，并且研究表明網(wǎng)絡(luò)搜索信息有助于預(yù)測股票市場的波動率或流動性（Ding和Hou[12]，Lu等[13]，Zhang等[14]）。在研究投資者或媒體關(guān)注度對股票市場信息不對稱程度的關(guān)系方面，相關(guān)文獻較少。Glosten和Milgrom[3]、Seyhun[4]以及Admati和Pfleiderer[15]等認為信息不對稱導(dǎo)致了知情交易發(fā)生，進而使得股價波動增大、流動性變差。Amihud和Mendelson[16]指出，關(guān)注度高的股票，會吸引更多投資者參與交易，能夠降低市場的信息不對稱程度，提高交易股票的流動性。Seasholes和Wu[17]以及Barber和Odean[18]等的研究也發(fā)現(xiàn)投資者的關(guān)注度會促進小投資者產(chǎn)生積極凈買入的行為，提高投資者參與交易的意愿。

隨著市場微觀結(jié)構(gòu)理論的不斷完善，不少學(xué)者對非對稱信息的度量方法進行了探索。早期的研究一般將買賣價差作為衡量市場信息不對稱程度的指標[19]。隨后，Huang和Stoll[20]認為做市商會通過增大價差來彌補他們與知情交易者進行交易后造成的損失，提出把有效價差分解為逆向選擇成本和做市商可實現(xiàn)收益兩個部分。因此，有效價差和已實現(xiàn)價差之間的差值可以作為逆向選擇成本的估計值。在進一步的研究中心，Huang和Stoll[21]建立了基于交易方向指示變量、價格變化和交易規(guī)模的交易成本模型，將交易成本分解為訂單處理成本、逆向選擇成本和存貨成本三部分并估計各成分的大小。類似模型的文獻還有Glosten和Harris[22]、Madanvan等[23]等。此類模型分析并度量了逆向選擇成本和交易成本，并且發(fā)現(xiàn)由于知情交易的存在，逆向選擇成本與交易成本存在顯著的日內(nèi)效應(yīng)[24]。上述度量信息不對稱程度的方法存在的一個共同點是均需要獲得高頻逐筆交易數(shù)據(jù)，然而在某些情況下研究者所考察的樣本時段內(nèi)的日內(nèi)高頻逐筆交易數(shù)據(jù)無法獲取，或者當研究涉及多個國際市場時，高頻逐筆交易數(shù)據(jù)無法同時獲得。但是，相對而言高頻分時交易數(shù)據(jù)較容易獲取，而且高頻分時交易數(shù)據(jù)并不依賴報價數(shù)據(jù)和交易數(shù)據(jù)之間的匹配性，所以本文采用了基于日內(nèi)高頻分時交易數(shù)據(jù)的買賣價差估計方法。除了基于交易數(shù)據(jù)構(gòu)建價格模型來實現(xiàn)信息不對稱度量方法之外，Chang和Wang[25]基于行為金融學(xué)中的反向交易和隱蔽交易理論提出了四種度量知情交易的概率估計方法。此外，換手率和Amihud非流動性指標也被作為度量非對稱信息的補充方法，二者均與交易成本中的逆向選擇成本相關(guān)[2628]。

因此，本文采用的信息不對稱指標包括基于交易成本測度的報價價差、日內(nèi)HighLow估計、逆向選擇成本、HS模型測度、PCL度量、TURNOVER和Amihud流動性指標等。

（二）數(shù)據(jù)選取

本文使用數(shù)據(jù)主要包括兩部分：

1.網(wǎng)絡(luò)關(guān)注度數(shù)據(jù)。網(wǎng)絡(luò)關(guān)注度數(shù)據(jù)由股票投資者關(guān)注度及媒體關(guān)注度數(shù)據(jù)構(gòu)成?；赑ython程序編寫網(wǎng)頁數(shù)據(jù)爬蟲程序，從360指數(shù)網(wǎng)站上抓取以股票名稱為關(guān)鍵詞的網(wǎng)絡(luò)關(guān)注度數(shù)據(jù)。其中，媒體關(guān)注度是指媒體發(fā)布和轉(zhuǎn)載的與某上市公司及其股票相關(guān)的新聞數(shù)量統(tǒng)計;投資者關(guān)注度是投資者利用360搜索引擎以股票名稱為關(guān)鍵字搜索股票相關(guān)信息的搜索頻次統(tǒng)計。

2.A股市場交易數(shù)據(jù)及公司財務(wù)數(shù)據(jù)。A股市場股票的日度和周度歷史交易數(shù)據(jù)及上市公司財務(wù)數(shù)據(jù)來自于國泰安數(shù)據(jù)庫，數(shù)據(jù)內(nèi)容主要包括股票開盤價、收盤價、最高價、最低價、成交量、市值、市盈率、換手率、上市公司年報等信息。

由表3結(jié)果可知，控制其他影響因素后，投資者的關(guān)注度增加將伴隨更高的市場透明度，即市場信息不對稱程度降低，市場流動性增強;對于媒體關(guān)注度而言，除了換手率和PCL指標之外，媒體關(guān)注度的增加會伴隨著其余五種信息不對稱指標值的降低。

投資者關(guān)注度增加可以減少由于知情交易造成的信息不透明程度，從而提高股票流動性，其主要原因可以從兩方面來分析。一方面，基于選擇性注意理論，投資者會優(yōu)先分析引起他們注意的信息，并受到信息的刺激，產(chǎn)生相應(yīng)的投資行為。因此投資者關(guān)注度越高的股票，投資者參與交易的意愿越高，市場的信息不對稱程度將降低。另一方面，關(guān)注度高的股票因為信息更充分透明，減少了知情交易的發(fā)生，知情交易者之間的競爭減少了不對稱信息擴散的成本，股票買賣的交易成本降低，給市場提供了更高的流動性。

對于媒體關(guān)注度指標而言，除TURNOVER和PCL之外，其余信息不對稱度量指標均與交易成本相關(guān)。媒體關(guān)注度越高，即媒體發(fā)布的信息越多，投資者獲取相關(guān)信息的成本就越低，投資者獲取的信息越充分。因此，投資者參與交易的數(shù)量增多，市場的信息不對稱程度降低。而對于TURNOVER和PCL指標，在控制投資者關(guān)注度變量后，媒體關(guān)注度不再與市場的信息不對稱程度負相關(guān)。

（三）主成分回歸結(jié)果

由于衡量市場信息不對稱程度的指標較多，本節(jié)采用主成分分析構(gòu)建了主成分及綜合得分作為信息不對稱程度的總體度量。由于前四個主成分的累計貢獻率為77.17%，本節(jié)保留了前四個主成分，并以每個主成分的方差貢獻率作為權(quán)數(shù)構(gòu)造了一個綜合指標PRIN。由于第一個主成分PRIN1的方差貢獻率最高，本節(jié)分別以PRIN1和PRIN作為信息不對稱程度的度量，基于方程（16）進行了回歸分析，結(jié)果如表4所示。

由表4結(jié)果可知，對于信息不對稱指標的第一主成分PRIN1和指標PRIN而言，投資者對股票搜索次數(shù)的增加會降低股票市場的信息不對稱程度，關(guān)注度高的股票因為信息較為透明，股票買賣的交易成本降低，從而也會促使股票流動性的提高，這一結(jié)論與單個信息不對稱指標的回歸結(jié)果相一致。然而，媒體關(guān)注度對信息不對稱指標的影響并不顯著。這是由于不同的信息不對稱指標與媒體關(guān)注度之間的作用關(guān)系并不一致，基于交易成本的信息不對稱測度與媒體關(guān)注度負相關(guān)，而換手率（TURNOVER）和PCL指標與媒體關(guān)注度正相關(guān)。

（四）穩(wěn)健性檢驗

本節(jié)將研究樣本按照板塊進行分類，分為主板市場、中小板市場以及創(chuàng)業(yè)板市場，基于三個不同的板塊進行了穩(wěn)健性檢驗，對方程（14）的回歸結(jié)果如表5所示。

由表5結(jié)果可知，無論是主板市場、中小板市場還是創(chuàng)業(yè)板市場，在控制其他影響因素后，投資者的關(guān)注度增加將加大市場流動性及降低信息不對稱度;對于媒體關(guān)注度而言，其與信息不對稱指標呈現(xiàn)負相關(guān)關(guān)系。其次，基于多維度信息不對稱指標構(gòu)建了信息不對稱綜合因子，實證結(jié)果及穩(wěn)健型檢驗的結(jié)果均表明投資者對股票搜索次數(shù)的增加，會降低股票市場的信息不對稱程度;對各板塊進行比較，發(fā)現(xiàn)中小板塊的投資者更容易受到市場刺激信息的影響;但是媒體關(guān)注度對信息不對稱的影響上并不顯著。穩(wěn)健性檢驗結(jié)果表明分板塊的研究結(jié)果與全樣本的實證結(jié)果相一致。

五、研究結(jié)論

本文在構(gòu)建基于滬深兩市391支股票的面板數(shù)據(jù)模型的基礎(chǔ)上，分別采用360指數(shù)的投資者關(guān)注度和媒體關(guān)注度兩個網(wǎng)絡(luò)指數(shù)的周度數(shù)據(jù)，并且運用多種信息不對稱度量方法估計了投資者關(guān)注度及媒體關(guān)注度對我國股票市場信息不對稱程度影響程度，實證研究及分板塊的穩(wěn)健性檢驗結(jié)果表明：

在設(shè)定公司規(guī)模、換手率、市盈率等其它變量對關(guān)注度的潛在影響為控制變量的前提下，實證結(jié)果表明投資者關(guān)注度和股票交易的信息不對稱程度呈負相關(guān)關(guān)系，投資者關(guān)注度的提高有助于減少由于知情交易等因素引起的市場信息不透明度，降低股票市場信息的不對稱程度，進而提高股票的市場流動性;對于媒體關(guān)注度而言，除了換手率和PCL指標之外，其余信息不對稱度量指標與媒體關(guān)注度之間呈現(xiàn)出負相關(guān)關(guān)系。

實證結(jié)果也驗證了投資者對股票搜索次數(shù)的增加，會降低股票市場的信息不對稱程度，但是媒體關(guān)注度對信息不對稱的影響并不顯著。

（1）在控制其他影響因素后，投資者的關(guān)注度增加，外部信息刺激會影響投資者的交易決策，使得市場透明度變高，市場信息不對稱程度降低，市場流動性變高。

（2）對于媒體關(guān)注度指標而言，除TURNOVER和PCL之外，其余信息不對稱度量指標均與交易成本相關(guān)。投資者對相關(guān)股票信息的獲取具有一定的獲取成本，媒體發(fā)布的信息越多，媒體關(guān)注度越高，投資者獲取信息的成本就越低，獲取信息內(nèi)容越充分。

六、本文貢獻

本文采用了多種信息不對稱的度量方法，全面系統(tǒng)地探究了投資者以及媒體關(guān)注度指數(shù)的變化對信息不對稱程度的影響?；诙喾N信息不對稱指標構(gòu)建了信息不對稱綜合因子，實證分析采用了股票分板塊的穩(wěn)健型檢驗，其結(jié)果表明投資者對股票搜索次數(shù)的增加，會降低股票市場的信息不對稱程度。

本文的結(jié)果不僅揭示中國證券市場的信息反應(yīng)機制，同時對于投資者和證券監(jiān)管部門具有重要的實踐啟示。對于投資者而言，有助于為其進行投資和風(fēng)險管理決策，提高投資收益;同時關(guān)注網(wǎng)絡(luò)信息對金融市場的影響有助于監(jiān)管者改進股票市場監(jiān)測手段，優(yōu)化市場監(jiān)管績效，為市場監(jiān)管部門實施有效的金融監(jiān)管提供理論支撐。

參考文獻：

[1]Bagehot W. The only game in town[J]. Financial Analysts Journal， 1971， 27（2）： 1214.

[2]Jin L， Myers S C. R 2 around the world： New theory and new tests[J]. Journal of financial Economics， 2006， 79（2）： 257292.

[3]Glosten L R， Milgrom P R. Bid， ask and transaction prices in a specialist market with heterogeneously informed traders[J]. Journal of financial economics， 1985， 14（1）： 71100.

[4]Seyhun H N. Insiders' profits， costs of trading， and market efficiency[J]. Journal of Financial Economics， 1986， 16（2）： 189212.

[5]Bank M， Larch M， Peter G. Google search volume and its influence on liquidity and returns of German stocks[J]. Financial markets and portfolio management， 2011， 25（3）： 239264.

[6]Preis， T.， H.S. Moat， and H.E. Stanley， Quantifying Trading Behavior in Financial Markets Using Google Trends[R]. Scientific reports， 2013， 3： srep01684.

[7]Challet， D. and B.H.A. Ahmed， Predicting Financial Markets with Google Trends and Not so Random Keywords[R]. Social Science Electronic Publishing， 2013.

[8]Tantaopas， P.， C. Padungsaksawasdi， and S. Treepongkaruna， Attention effect via internet search intensity in AsiaPacific stock markets[J]. PacificBasin Finance Journal， 2016， 38： 107124.

[9]Takeda， F. and T. Wakao， Google search intensity and its relationship with returns and trading volume of Japanese stocks[J]. PacificBasin Finance Journal， 2014， 27： 118.

[10]Bijl L， Kringhaug G， Molnár P， et al. Google searches and stock returns[J]. International Review of Financial Analysis， 2016， 45： 150156.

[11]Ranco G， Bordino I， Bormetti G， et al. Coupling news sentiment with web browsing data improves prediction of intraday price dynamics[J]. PloS one， 2016， 11（1）： e0146576.

[12]Ding， R. and W. Hou. Retail investor attention and stock liquidity [J]. Social Science Electronic Publishing， 2015， 37： 1226.

[13]Lu X， Holzhauer H M， Wang J. Online Search Frequency， Information Asymmetry， and Market Liquidity[J]. The Journal of Index Investing， 2016， 6（4）： 7181.

[14]Zhang Y， Feng L， Jin X， et al. Internet information arrival and volatility of SME PRICE INDEX[J]. Physica A： Statistical Mechanics and its Applications， 2014， 399： 7074.

[15]Admati A R， Pfleiderer P. A theory of intraday patterns： Volume and price variability[J]. The Review of Financial Studies， 1988， 1（1）： 340.

[16]Amihud Y， Mendelson H. The Effects of Beta， Bid‐Ask Spread， Residual Risk， and Size on Stock Returns[J]. The Journal of Finance， 1989， 44（2）： 479486.

[17]Seasholes M S， Wu G. Predictable behavior， profits， and attention[J]. Journal of Empirical Finance， 2007， 14（5）： 590610.

[18]Barber B M， Odean T， Zhu N. Do retail trades move markets？[J]. The Review of Financial Studies， 2008， 22（1）： 151186.

[19]Biais B， Glosten L， Spatt C. Market microstructure： A survey of microfoundations， empirical results， and policy implications[J]. Journal of Financial Markets， 2005， 8（2）： 217264.

[20]Huang R D， Stoll H R. Dealer versus auction markets： A paired comparison of execution costs on NASDAQ and the NYSE[J]. Journal of Financial economics， 1996， 41（3）： 313357.

[21]Huang R D， Stoll H R. The components of the bidask spread： A general approach[J]. The Review of Financial Studies， 1997， 10（4）： 9951034.

[22]Glosten L R， Harris L E. Estimating the components of the bid/ask spread[J]. Journal of financial Economics， 1988， 21（1）： 123142.

[23]Madhavan A， Richardson M， Roomans M. Why do security prices change？ A transactionlevel analysis of NYSE stocks[J]. The Review of Financial Studies， 1997， 10（4）： 10351064.

[24]Sandas P. Adverse selection and competitive market making： Empirical evidence from a limit order market[J]. Review of Financial Studies， 2001， 14（3）： 705734.

[25]Chang S S， Wang F A. Adverse selection and the presence of informed trading[J]. Journal of Empirical Finance， 2015， 33： 1933.

[26]張宗新， 潘志堅， 季雷. 內(nèi)幕信息操縱的股價沖擊效應(yīng)： 理論與中國股市證據(jù)[J]. 金融研究， 2005（4）： 144154.

[27]Amihud Y. Illiquidity and stock returns： crosssection and timeseries effects[J]. Journal of financial markets， 2002， 5（1）： 3156.

[28]Brennan M， Huh S W， Subrahmanyam A. An analysis of the Amihud illiquidity premium[J]. Review of Asset Pricing Studies， 2013， 3（1）： 133176.

（責(zé)任編輯：王鐵軍）