李 珊，丁 宇，陳妙苗，鄭 晨

（南京航空航天大學(xué)經(jīng)濟(jì)與管理學(xué)院，南京 211106）

投資者情緒是行為金融學(xué)研究的一個(gè)熱點(diǎn).行為金融學(xué)理論認(rèn)為證券的價(jià)格不只是由其內(nèi)在的價(jià)值所決定，投資者的投資情緒和行為也會對其產(chǎn)生很大的影響.針對投資者情緒的研究主要是分析其與市場收益的關(guān)系［1］.Delong等最先研究投資者情緒與股票價(jià)格的關(guān)系，并構(gòu)建了DSSW模型，指出投資者情緒是影響金融資產(chǎn)均衡價(jià)格的系統(tǒng)性風(fēng)險(xiǎn)［2］.投資者情緒指數(shù)是量化分析投資者情緒的主要方法，傳統(tǒng)的投資者情緒指數(shù)主要可分為直接型情緒指數(shù)和間接型情緒指數(shù).直接型情緒指數(shù)是指通過問卷等調(diào)查方式獲得的投資者情緒，主要有友好指數(shù)、投資者智能指數(shù)以及央視看盤指數(shù)等；間接型情緒指數(shù)主要是以股票市場的交易信息作為情緒的代理變量，利用主成分分析等方法構(gòu)建得到.對于直接投資者情緒指數(shù)，Brown和Cliff利用投資者智能指數(shù)反映投資者情緒［3］，王美今和孫建軍則用央視看盤指數(shù)度量投資者情緒［4］.對于間接投資者情緒指數(shù)，Baker和Wurgler對股票交易數(shù)據(jù)如封閉式基金折價(jià)、市場交易量、IPO數(shù)及首日收益率、股利收益和股票發(fā)行/證券發(fā)行比率，利用主成分分析法并采用第一主成分作為投資者情緒指數(shù)［5］.基于Baker的研究，易志高和茅寧將股利收益和股票發(fā)行/證券發(fā)行比率替換為消費(fèi)者信心指數(shù)和新增投資者開戶數(shù)，采用主成分分析法提取前5個(gè)主成分構(gòu)建了投資者情緒綜合指數(shù)［6］.隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，海量的互聯(lián)網(wǎng)數(shù)據(jù)和日趨成熟的數(shù)據(jù)處理技術(shù)為研究投資者情緒提供了新的思路和方法.Antweiler利用貝葉斯和支持向量機(jī)的方法對雅虎金融板塊上近150萬條數(shù)據(jù)進(jìn)行分析并構(gòu)建投資者情緒指數(shù)，研究發(fā)現(xiàn)股票收益率與當(dāng)日論壇中的信息指標(biāo)呈顯著的相關(guān)關(guān)系［7］.Tetlock通過對媒體新聞內(nèi)容和股票收益率進(jìn)行研究，發(fā)現(xiàn)悲觀的新聞報(bào)道會對股票收益率產(chǎn)生影響［8］.孟雪井等利用文本挖掘技術(shù)建立了3種詞庫，并在綜合3種詞庫基礎(chǔ)上構(gòu)建了投資者情緒指數(shù)，證明了我國股票市場的投資者情緒與市場指數(shù)之間存在聯(lián)動機(jī)制［9］.石善沖等基于微信文本構(gòu)建了投資者情緒指數(shù)，并與收盤價(jià)、成交量時(shí)間序列之間的關(guān)系進(jìn)行研究，結(jié)果表明微信文本挖掘的投資者情緒對于預(yù)測股票市場表現(xiàn)有重要作用［10］.目前用于構(gòu)建投資者情緒指數(shù)的文本分析方法主要是機(jī)器學(xué)習(xí)法和情感詞典法［11-13］.機(jī)器學(xué)習(xí)法主要利用傳統(tǒng)的機(jī)器學(xué)習(xí)算法包括決策樹、樸素貝葉斯和支持向量機(jī)等，需要選取或者建立文本特征，然后進(jìn)行情感分類，此方法的關(guān)鍵在于選擇合理的特征.情感詞典法需要先建立相關(guān)領(lǐng)域文本的情感詞典，在此基礎(chǔ)上對各文本數(shù)據(jù)進(jìn)行情感打分，最后根據(jù)得分進(jìn)行情感分類.從目前的研究來看，上述兩種方法依舊存在著一些不足之處：機(jī)器學(xué)習(xí)算法的效果很大程度上取決于文本特征的選?。?4］，而情感詞典法的詞語在不同語境中所表現(xiàn)出的不同情感傾向問題是該方法的主要缺陷［15］.隨著對深度學(xué)習(xí)領(lǐng)域的不斷探索和研究，越來越多的學(xué)者開始利用深度學(xué)習(xí)算法來進(jìn)行文本分析.國外學(xué)者最早將深度學(xué)習(xí)算法與自然語言處理結(jié)合起來并取得良好的效果［16-18］.近年來，國內(nèi)的學(xué)者開始陸續(xù)將基于深度學(xué)習(xí)算法的文本分析方法應(yīng)用于網(wǎng)絡(luò)文本研究中.梁軍等提出了一種基于深度學(xué)習(xí)的遞歸神經(jīng)網(wǎng)絡(luò)模型對微博文本進(jìn)行情感分析，在不增加神經(jīng)網(wǎng)絡(luò)復(fù)雜度的前提下，提升了模型的準(zhǔn)確性［19］.李杰等采用卷積神經(jīng)網(wǎng)絡(luò)模型對電商評論進(jìn)行短文本評論情感分類和特征詞聚類，結(jié)果表明模型的情感分類達(dá)到高準(zhǔn)確率，并且能有效提取產(chǎn)品特征［20］.基于深度學(xué)習(xí)的文本處理方法正不斷受到各領(lǐng)域?qū)W者的青睞，然而在對投資者情緒指數(shù)研究上，還沒有引起廣泛關(guān)注.

基于深度學(xué)習(xí)模型對互聯(lián)網(wǎng)金融論壇文本數(shù)據(jù)進(jìn)行分析，進(jìn)而展開對投資者情緒的研究，采用雙向長短期記憶網(wǎng)絡(luò)模型（Bi-directional Long Short-Term Memory，Bi-LSTM）對投資者的論壇發(fā)帖文本進(jìn)行情感分類，并依此設(shè)計(jì)直接情緒指標(biāo)，在此基礎(chǔ)上結(jié)合常用的間接情緒指標(biāo)，利用主成分分析法構(gòu)建新的綜合投資者情緒指數(shù).選取我國散戶投資者為研究對象，通過他們在“上證股吧”論壇發(fā)帖的情感傾向分析投資者的群體情緒，并研究其與股指的關(guān)系.具體工作為：獲取股吧論壇的發(fā)帖文本并處理、利用百度開源的Bi-LSTM模型對發(fā)帖文本進(jìn)行情感分類、構(gòu)建綜合投資者情緒指數(shù)（Comprehensive Investor Sentiment Index，CISI）、研究投資者情緒與上證股指的相互性關(guān)系.

1 Bi-LSTM模型原理

1.1 LSTM網(wǎng)絡(luò)

長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）模型是在循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）模型的基礎(chǔ)上進(jìn)行改進(jìn)的一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)模型，由Hochreiter等于1997年提出［21］，LSTM模型解決了RNN模型在長序列任務(wù)中的梯度消失的問題.LSTM模型通過在RNN模型隱藏層單元中添加可控門對其進(jìn)行優(yōu)化，通過遺忘門f、輸入門i和輸出門O對信息進(jìn)行篩選，并通過更新“細(xì)胞狀態(tài)C”來保存重要信息，從而解決梯度消失問題，達(dá)到長期記憶的作用，LSTM記憶單元的結(jié)構(gòu)如圖1.

LSTM模型的記憶單元首先通過遺忘門以一定的概率將上一單元的輸出ht-1進(jìn)行丟棄.讀取當(dāng)前輸入信息xt和上一單元的輸出ht-1，通過Sigmoid函數(shù)（圖1中由σ表示）輸出數(shù)值ft∈[0,10]，該數(shù)值決定對上一單元信息的保留程度，數(shù)值越高表示保留信息越多（公式（1））.

輸入門用于確定需要存入細(xì)胞狀態(tài)中的信息.輸入門的操作包含兩個(gè)環(huán)節(jié)：首先通過Sigmoid層決定更新哪些信息（公式（2）），利用tanh層生成一個(gè)備選細(xì)胞狀態(tài)～Ct（公式（3）），然后綜合上述信息更新細(xì)胞狀態(tài)Ct（公式（4））.

記憶單元的最后一個(gè)核心部分是輸出門.輸出內(nèi)容ht由上一單元的輸出ht-1、本單元的輸入xt以及更新的細(xì)胞狀態(tài)Ct共同決定，Ot表示t時(shí)刻輸出門的輸出值，具體計(jì)算分為兩步：

由于遺忘門、輸入門和輸出門的存在，記憶單元嚴(yán)格控制了信息的輸入和輸出，保證了信息的質(zhì)量，同時(shí)記憶單元中細(xì)胞狀態(tài)的更新機(jī)制使信息能夠得到長時(shí)間的保留，從而保證LSTM模型對長距離信息的敏感性.

1.2 Bi-LSTM文本分類模型

由于LSTM模型具備長期記憶能力，因此對于處理文本序列數(shù)據(jù)任務(wù)有著很好的效果.但是在處理文本任務(wù)時(shí)，由于LSTM模型處理數(shù)據(jù)是單向的，只能獲取上文信息而無法獲取下文信息，為了避免這種問題，采用雙向長短期記憶網(wǎng)絡(luò)Bi-LSTM模型，模型結(jié)構(gòu)如圖2.

Bi-LSTM模型主要有4層結(jié)構(gòu)，分別是詞嵌入層、前向LSTM層、后向LSTM層以及全連接分類層.詞嵌入層將文本詞匯轉(zhuǎn)換成低維稠密實(shí)值詞向量；通過前向LSTM層從前往后獲取前文信息，通過后向LSTM層從后往前讀取下文信息，然后將兩個(gè)LSTM層的輸出拼接成一個(gè)長向量；最后用一個(gè)全連接層連接前層所有神經(jīng)元輸出，利用Softmax函數(shù)將輸出轉(zhuǎn)換成概率分布，對應(yīng)概率最大的種類即為該文本的預(yù)測分類.

圖2 Bi-LSTM文本分類模型結(jié)構(gòu)圖Fig.2 The structure of Bi-LSTM text classification model

2 指數(shù)設(shè)計(jì)研究

2.1 變量選取和設(shè)計(jì)

本文設(shè)計(jì)一套新的指標(biāo)體系，并基于CICSI指標(biāo)構(gòu)建法［6］構(gòu)建新的綜合性投資者情緒指數(shù)（CISI），該指標(biāo)體系包含投資者的直接情緒指標(biāo)變量和間接情緒指標(biāo)變量.由于數(shù)據(jù)的可獲取性，本研究選取的所有指標(biāo)都是月度數(shù)據(jù).首先，根據(jù)股吧論壇中的發(fā)帖數(shù)據(jù)設(shè)計(jì)直接情緒指標(biāo)：

正向文本情緒得分（POS_SCORE）：根據(jù)Bi-LSTM模型對文本的情感分類結(jié)果，以月為單位統(tǒng)計(jì)該月正向帖子的發(fā)帖數(shù)量（n_pos），將其除以月發(fā)帖總量（n_total），從而剔除每月發(fā)帖總量不同所造成的影響，得到正向文本情緒得分（公式（7））.該指標(biāo)反映了散戶投資者對于股市行情看漲的直接情緒.

負(fù)向文本情緒得分（NEG_SCORE）：以月為單位統(tǒng)計(jì)該月負(fù)向帖子的發(fā)帖數(shù)量（n_neg），并將其除以該月發(fā)帖總量（n_total），同時(shí)為了體現(xiàn)其負(fù)向性，在前添加負(fù)號.該指標(biāo)反映了投資者對于股市行情看跌的直接情緒.

關(guān)注度指標(biāo)（FOCUS）：已有研究表明，投資者的關(guān)注度與投資者的情緒有關(guān)，并且投資者關(guān)注具有對股票市場的解釋能力及很強(qiáng)的預(yù)測能力［22-23］.將單個(gè)發(fā)帖的瀏覽量（n_read）和評論量（n_comment）之和定義為該帖的關(guān)注度值，將每月所有帖子的關(guān)注度值求和作為該月關(guān)注度指標(biāo)（公式（9））.

同時(shí)選取常用的代理變量作為間接情緒指標(biāo)，主要包含6個(gè)指標(biāo)：

1）封閉式基金折價(jià)（DCEF）：衡量基金價(jià)格對資產(chǎn)凈值的負(fù)向偏離程度，折價(jià)越低，表明投資者的期望越高.

2）換手率（TURN）：衡量股票交易的活躍程度，換手率越高，表明投資者的投資熱情越高.

3）新增開戶數(shù)（NIA）：直接反映了散戶投資者對投資市場的情緒，投資者情緒高漲時(shí)，會吸引新的投資者參與投資，因此該指標(biāo)能很好反映整體的投資者情緒.

4）IPO數(shù)量（IPON）及首日收益率（IPOR）：當(dāng)股市行情較好時(shí)，投資者情緒高漲，這時(shí)IPO的數(shù)量將會增加；投資者情緒越高漲，對該股期望值越高，則其首日收益率越高.

5）消費(fèi)者信心指數(shù)（CCI）：衡量投資者對未來宏觀經(jīng)濟(jì)的看好程度，通常消費(fèi)者信心指數(shù)越高，表明其對未來經(jīng)濟(jì)走勢越看好，因而會更有可能參與到股市的投資中.

6）消費(fèi)者價(jià)格指數(shù)（CPI）以及宏觀經(jīng)濟(jì)景氣的一致性指數(shù)作為宏觀經(jīng)濟(jì)走勢的代理指標(biāo)：數(shù)據(jù)由CSMAR數(shù)據(jù)庫獲取.這是考慮到由于宏觀經(jīng)濟(jì)的走勢會對投資者的情緒產(chǎn)生影響，因此在構(gòu)建投資者情緒指標(biāo)時(shí)需要剔除該影響.

2.2 投資者情緒指數(shù)設(shè)計(jì)

基于上證大盤交易數(shù)據(jù)以及“上證指數(shù)”股吧評論文本數(shù)據(jù)設(shè)計(jì)一套新的情緒指標(biāo)，并在此基礎(chǔ)上構(gòu)建綜合投資者情緒指數(shù)，指數(shù)的構(gòu)建方法主要是主成分分析法.在進(jìn)行主成分分析時(shí)，保留貢獻(xiàn)度最大的前5個(gè)主成分，同時(shí)保證所選取的主成分累計(jì)方差解釋率不低于75%，以保證主成分的解釋作用.

首先在原始的9個(gè)情緒指標(biāo)基礎(chǔ)上進(jìn)行提前期處理，構(gòu)建指標(biāo)的“提前”和“滯后”變量共18個(gè).對所有變量進(jìn)行標(biāo)準(zhǔn)化處理后進(jìn)行主成分分析，對5個(gè)主成分進(jìn)行加權(quán)平均構(gòu)建初始投資者情緒指數(shù)（CISI0）.分別對CISI0與18個(gè)變量進(jìn)行相關(guān)性分析，選擇相關(guān)性較大的“提前”或者“滯后”變量作為各指標(biāo)的最終代理變量.對上述得到的9個(gè)指標(biāo)變量進(jìn)行第二次主成分分析，并對主成分進(jìn)行加權(quán)求和，得到含有宏觀因素的情緒指數(shù)（CISI1）.為了剔除宏觀因素影響，以CISI1為因變量，以CPI和宏觀經(jīng)濟(jì)景氣一致性指數(shù)作為自變量建立線性回歸模型，取其殘差序列作為剔除了宏觀因素影響的CISI.

3 投資者情緒指數(shù)實(shí)證

3.1 數(shù)據(jù)采集及清洗

中國股民主要在證券論壇上進(jìn)行信息交流，選取用戶最多且人氣最高的證券論壇“東方財(cái)富網(wǎng)”中的“上證指數(shù)吧”作為數(shù)據(jù)源，通過python爬蟲獲取2015年1月1日至2019年12月31日用戶所有的發(fā)帖樣本3 973 657條，每條樣本包括標(biāo)題、內(nèi)容、作者、發(fā)帖時(shí)間、最后評論時(shí)間、閱讀量和評論量.通過對數(shù)據(jù)進(jìn)行初步觀察，發(fā)現(xiàn)絕大多數(shù)帖子的標(biāo)題和內(nèi)容存在相同或者高度重復(fù)的現(xiàn)象，因此只保留帖子的內(nèi)容部分來分析投資者情緒.進(jìn)一步觀察發(fā)現(xiàn)，該股吧帖子內(nèi)容主要分為3種：股吧官方發(fā)布的信息帖、投資分析師的分析帖以及散戶投資者的交流帖.他們的表現(xiàn)在字?jǐn)?shù)上的區(qū)別在于前兩種帖子篇幅較長，通常在幾百字甚至更多，而散戶交流帖則偏短，一般為一到兩個(gè)句子，平均長度不超過50字.為了剔除非散戶帖子對研究結(jié)果的影響，將長度大于50字的帖子視作非散戶發(fā)帖并且刪除.最后將發(fā)帖時(shí)間和最后評論時(shí)間不在同一個(gè)月的樣本剔除，從而避免跨多天的帖子對研究結(jié)果的影響.經(jīng)過上述數(shù)據(jù)清洗，此次研究得到有效樣本3 199 291條.

3.2 文本情感分類

利用百度開源的Bi-LSTM模型“senta_bilstm”對清洗后的發(fā)帖進(jìn)行文本情感分析，“senta_bilstm”是基于海量數(shù)據(jù)訓(xùn)練具有高準(zhǔn)確度文本情感二分類模型.模型對文本進(jìn)行分析后，將文本的情感傾向及其屬于正向情緒的概率輸出，模型分類結(jié)果如表1.由示例可以看出，文本的正向情感越強(qiáng)烈，該句屬于正向文本的概率就越高，同理，當(dāng)文本所表達(dá)的負(fù)向情感越強(qiáng)烈時(shí)，該句的正向概率就越低，由此說明模型能夠很好地理解文本的情感強(qiáng)度.對于一些口語表達(dá)或者股市論壇獨(dú)有的表達(dá)如“跳水”“吃面條”“喝白開水”等，雖然沒有直接情感詞存在，模型也能準(zhǔn)確識別出文本的情感傾向，彌補(bǔ)了通用型情感詞典在這方面的缺陷.

表1 文本情感分類結(jié)果示例Tab.1 Examples of text sentiment classification results

3.3 指數(shù)構(gòu)建

基于“上證指數(shù)”股吧發(fā)帖相關(guān)數(shù)據(jù)以及發(fā)帖文本的情感分類結(jié)果，以月為時(shí)間單位設(shè)計(jì)了反映投資者直接情緒的相關(guān)指標(biāo)，同時(shí)從CSMAR數(shù)據(jù)庫中獲取反映間接情緒相關(guān)指標(biāo)的月度數(shù)據(jù)，各指標(biāo)的樣本數(shù)量為60.對標(biāo)準(zhǔn)化處理后的所有指標(biāo)的“提前”和“滯后”變量進(jìn)行主成分分析并根據(jù)最大方差對主成分變量進(jìn)行旋轉(zhuǎn)，選擇前5個(gè)主成分（累計(jì)方差解釋率為77.98%）進(jìn)行基于特征值的加權(quán)平均，得到初始投資者情緒指數(shù)（CISI0）.計(jì)算CISI0與所有指標(biāo)變量的相關(guān)性，如表2所示.

表2 CISI0與代理變量相關(guān)系數(shù)表Tab.2 Correlation coefficient table of CISI0 and proxy variables

根據(jù)表2相關(guān)性值的大小，選擇FOCUSt、POS_SCOREt-1、NEG_SCOREt-1、DECFt-1、TURNt、IPONt、IPORt、NIAt-1和CCIt作為構(gòu)建CISI1的代理變量.CISI1的構(gòu)建方法與CISI0一致，前5個(gè)主成分累計(jì)方差解釋率為89.603%，各代理變量的因子載荷及其與CISI1相關(guān)系數(shù)如表3所示.

表3 各代理變量因子負(fù)載及與CISI1相關(guān)系數(shù)表Tab.3 Factor load of each proxy variable and its correlation coefficient table with CISI1

因此，CISI1的計(jì)算公式如下：

為了剔除宏觀因素對投資者情緒指數(shù)的影響，以CISI1為因變量，宏觀經(jīng)濟(jì)景氣一致性指數(shù)和消費(fèi)者價(jià)格指數(shù)作為自變量建立線性回歸模型，回歸結(jié)果見公式（11）.式中CPI表示消費(fèi)者價(jià)格指數(shù)，CI表示一致性指數(shù)，取其殘差序列ε作為最終的CISI.

4 實(shí)證檢驗(yàn)和結(jié)果

4.1 相關(guān)性分析

為了驗(yàn)證本文構(gòu)建的投資者綜合情緒指數(shù)（CISI）能否反映上證股指（SI），從二者相關(guān)性的角度進(jìn)行分析.本文收集了2015年1月至2019年12月上證股指的月度數(shù)據(jù)，繪制出CISI與SI的走勢圖（圖3），同時(shí)計(jì)算二者的皮爾森相關(guān)系數(shù).

圖3 CISI與SI走勢圖Fig.3 Trend chart of CISI and SI

由圖3可以看出，投資者綜合情緒指數(shù)與上證股指的走勢基本一致，投資者情緒曲線對股指曲線具有良好的擬合效果，說明本文所構(gòu)建的綜合投資者情緒指數(shù)能夠一定程度上反映出股指的變化趨勢.由二者的走勢曲線可以粗略地看出，投資者情緒與股指之間的變化趨勢在不同的時(shí)期存在一定的“提前”和“滯后”關(guān)系，在2015年期間，股指先于投資者情緒發(fā)生變化，隨后幾年二者的變化互有先后.同時(shí)，投資者情緒指數(shù)序列和股指序列之間的皮爾森相關(guān)系數(shù)為0.520 2，在1%的水平上顯著相關(guān)，說明投資者情緒與股指之間存在較強(qiáng)的正相關(guān)關(guān)系.

4.2 投資者情緒與股指的互動性關(guān)系分析

為了對投資者情緒與股指之間的關(guān)系進(jìn)行進(jìn)一步的分析，對二者進(jìn)行格蘭杰因果檢驗(yàn)并構(gòu)建VAR模型進(jìn)行方差分解.首先采用增廣的Dicky-Fuller檢驗(yàn)法（ADF）進(jìn)行單位根檢驗(yàn)，驗(yàn)證CISI和SI的平穩(wěn)性.由表4的檢驗(yàn)結(jié)果可知，二者的ADF檢驗(yàn)值分別在低于1%和5%的臨界值水平下拒絕“CISI有單位根”和“SI有單位根”的假設(shè)，即CISI序列在1%的顯著性水平下平穩(wěn)，上證股指序列SI在5%的顯著性水平下平穩(wěn).

表4 平穩(wěn)性檢驗(yàn)結(jié)果Tab.4 Stationary test results

由于時(shí)間序列變量CISI和SI均為平穩(wěn)序列，因此可以直接進(jìn)行格蘭杰因果檢驗(yàn)，從統(tǒng)計(jì)學(xué)的角度分析投資者情緒與股指之間的因果關(guān)系，表5列出檢驗(yàn)結(jié)果.

表5 格蘭杰因果檢驗(yàn)結(jié)果Tab.5 The results of Granger causality test

對于假設(shè)“CISI不是SI的格蘭杰原因”，在滯后1～3階時(shí)檢驗(yàn)結(jié)果P值均小于0.05，因此均拒絕原假設(shè)，即CISI是SI的格蘭杰原因；對于假設(shè)“SI不是CISI的格蘭杰原因”，在滯后1～3階時(shí)，P值均遠(yuǎn)小于0.01，因此在1%的顯著性水平下拒絕原假設(shè)，即SI是CISI的格蘭杰原因.由上述格蘭杰檢驗(yàn)結(jié)果可知，投資者情緒指數(shù)和上證股指之間存在雙向的格蘭杰因果關(guān)系，即投資者的情緒會受到股市走勢的影響，同時(shí)又會反過來對股市產(chǎn)生影響.

進(jìn)一步構(gòu)建VAR（2）模型對CISI和SI進(jìn)行分析，模型如下所示：

式中：k表示模型的最大滯后階數(shù)，ε1t和ε2t為方程的隨機(jī)擾動項(xiàng).本文根據(jù)SIC、SC以及HQ信息準(zhǔn)則，確定模型的滯后階數(shù)為3.模型的單位根均小于1，因此該VAR模型是穩(wěn)定的.基于VAR模型對投資者情緒指數(shù)CISI以及上證股指SI進(jìn)行方差分解，如表6所示.

表6 方差分解結(jié)果Tab.6 The results of Variance decomposition

由SI的方差分解結(jié)果可知，在股指和投資者情緒的雙重影響中，股指的變動主要由其自身解釋，并且自身的方差解釋率最終穩(wěn)定在85%左右.同時(shí)，投資者情緒對股指變化也有一定的解釋并且解釋率呈現(xiàn)上升趨勢，由初期的1.119%逐漸增加，最后穩(wěn)定在14%左右.由CISI的方差分解結(jié)果可知，投資者情緒不僅受到自身往期的影響，同時(shí)也會受到股指的影響，并且在這個(gè)影響的過程中，股指的方差解釋率由最初的0快速增長，在第5期時(shí)到達(dá)51%，隨后保持穩(wěn)定.由股指和投資者情緒的方差分解結(jié)果可得，二者對彼此會產(chǎn)生一個(gè)逐漸增強(qiáng)的長期影響作用，但是最終的影響強(qiáng)度是不同的.對于股指而言，投資者情緒對其有一定的解釋作用，但是解釋力度相對較小，表明投資者情緒只是股市行情眾多影響因素中的一部分，因而影響作用相對較低，同時(shí)也印證了股市走向的難以預(yù)測性.對于投資者情緒而言，股指對其有著很強(qiáng)的解釋作用，表明股市行情對投資者的情緒有著至關(guān)重要的影響，揭示了股市行情走高時(shí)，投資者投資情緒隨之高漲，而行情走低時(shí)，投資者情緒持續(xù)低迷的現(xiàn)象.

4.3 優(yōu)越性分析

為了驗(yàn)證本文所設(shè)計(jì)的CISI指數(shù)的優(yōu)越性，依照相同的流程和方法，選擇DCEF、TURN、IPON、IPOR、NIA以及CCI構(gòu)建間接投資者情緒指數(shù)（SENT），并將其與CISI進(jìn)行對比分析.以上證股指（SI）作為因變量，分別以CISI和SENT作為自變量建立線性回歸方程，如式（13）和（14），對比結(jié)果如表7.

表7 CISI指數(shù)與SENT指數(shù)對比結(jié)果Tab.7 Comparison results of CISI index and SENT index

由表7可知，在線性回歸方程中，SI的R2為0.271，高于SENT的R2（0.117），說明CISI對股指的解釋效果要優(yōu)于SENT的解釋效果.對于回歸的均方誤差MSE，CISI作為自變量時(shí)的MSE為0.742，小于SENT對應(yīng)的MSE值（0.898），同時(shí)CISI與SI的相關(guān)系數(shù)（0.52）高于SENT的相關(guān)系數(shù)（0.342），說明CISI對股指的擬合效果更好.由此可見，添加了直接情緒因素的CISI指數(shù)比只包含間接型情緒的SENT指數(shù)取得了更好的股指擬合效果，因此CISI能更準(zhǔn)確地反映出投資者情緒與股指之間的關(guān)系.由CISI的優(yōu)越性可知，在量化投資者情緒并構(gòu)建情緒指數(shù)的時(shí)候，僅僅依據(jù)股票市場的交易數(shù)據(jù)來構(gòu)建的投資者情緒指數(shù)是不夠的，還需要考慮到投資者的直接情緒因素.

5 結(jié)論

通過設(shè)計(jì)一套新的指標(biāo)體系，以此構(gòu)建了綜合性的投資者情緒指數(shù)，并根據(jù)2015年1月至2019年12月共60個(gè)月的樣本數(shù)據(jù)，對投資者情緒與股指間的互動性關(guān)系進(jìn)行實(shí)證分析.構(gòu)建的指標(biāo)體系包含了投資者的直接情緒指標(biāo)和間接情緒指標(biāo).其中，直接情緒指標(biāo)基于“Bi-LSTM”模型對股吧發(fā)帖進(jìn)行文本情感分析得到，間接指標(biāo)則是從CSMAR數(shù)據(jù)庫中獲取的股市交易數(shù)據(jù).主要研究結(jié)果如下：①投資者情緒與股指之間存在長期且正向的相互影響作用，并且這種影響作用呈現(xiàn)出逐漸增強(qiáng)的趨勢.②投資者情緒和股指對彼此的影響程度是不同的，其中投資者情緒對股指的影響強(qiáng)度較小，而股指對投資者情緒的影響強(qiáng)度則很大.③對于投資者情緒指數(shù)，當(dāng)其構(gòu)建指標(biāo)體系中包含投資者的直接情緒指標(biāo)時(shí)，其對股指的擬合效果會比僅使用間接情緒指標(biāo)所構(gòu)建指數(shù)的效果更好.

目前，我國的投資市場仍處于發(fā)展階段，散戶投資者占有很高比例，投資者的情緒容易受到市場行情的影響.而投資者受影響后的情緒反過來又會對投資市場產(chǎn)生一定的影響，導(dǎo)致市場不規(guī)律波動.因此，對于每一個(gè)投資者而言，需要意識到自己的情緒在投資過程中受到的影響和作用，要加強(qiáng)專業(yè)知識的學(xué)習(xí)，減少情緒波動造成的損失.在投資者情緒的構(gòu)建方法上，根據(jù)股吧論壇的發(fā)帖信息創(chuàng)新性地量化了投資者的直接情緒指標(biāo)，并結(jié)合間接情緒指標(biāo)構(gòu)建了綜合性的投資者情緒指數(shù)，期望該指數(shù)構(gòu)建方法對后續(xù)的投資者情緒研究有所啟發(fā).