中国股票市场“新闻联播效应”：基于注意力理论的深度剖析与实证检验

中国股票市场“新闻联播效应”：基于注意力理论的深度剖析与实证检验一、引言1.1研究背景与意义在金融市场中，信息的传播与投资者的注意力分配对资产价格的形成和波动有着深远影响。新闻联播作为中国收视率最高、影响力最广泛的新闻节目，其对经济领域的报道，尤其是涉及上市公司和宏观经济政策的内容，备受投资者关注。它不仅是普通股民获取信息的重要渠道，更是机构投资者分析政策走向、把握市场趋势的关键参考。新闻联播凭借其权威性和广泛的受众基础，对股票市场产生着不可忽视的影响力。当新闻联播报道某上市公司时，往往会引发投资者对该公司的高度关注，进而影响其股票的交易量和价格走势。在2024年12月5日的新闻联播中，报道了我国前10个月服务进出口总额同比增长14.6%，这一消息显示出我国经济结构中服务贸易的良好发展态势，可能会增强市场对整体经济形势的信心，对相关服务行业如金融、物流、旅游等板块有一定的积极影响。国药现代全资子公司磷酸可待因获得化学原料药上市申请批准通知书，人福医药熊去氧胆酸胶囊获得药品注册证书，奥翔药业全资子公司获得西他沙星片《药品注册证书》等医药行业的利好消息，有望刺激医药板块相关个股的表现，特别是涉及这些药品生产研发的企业。这些实例充分体现了新闻联播报道对股票市场的具体影响。从理论层面来看，深入研究新闻联播效应有助于丰富和完善行为金融理论。传统金融理论假设投资者是完全理性的，市场信息能够及时、准确地反映在资产价格中。然而，现实中的投资者由于认知和注意力的限制，无法对所有信息进行全面、深入的分析。新闻联播作为重要的信息源，其报道内容如何吸引投资者的注意力，进而影响投资者的决策行为，为研究有限注意力下的市场机制提供了独特视角。通过探究新闻联播报道与股票市场反应之间的关系，可以进一步揭示投资者在信息处理和决策过程中的行为特征，弥补传统金融理论在解释市场异象方面的不足，推动行为金融理论的发展。从实践角度出发，对投资者而言，准确理解新闻联播效应能够帮助他们更好地把握投资机会，制定更为合理的投资策略。在面对新闻联播中的各类信息时，投资者可以依据相关研究结论，更准确地判断信息对股票价格和市场走势的影响程度，避免盲目跟风投资，降低投资风险。对市场监管者来说，了解新闻联播报道对股票市场的影响，有助于他们更好地把握市场动态，及时发现市场中的异常波动，加强市场监管，维护市场的稳定和公平。深入研究新闻联播效应无论是对于投资者的个人决策，还是对于市场监管者的宏观调控，都具有重要的现实指导意义。1.2研究目标与创新点本研究旨在从注意力理论的视角，深入剖析中国股票市场中的新闻联播效应，具体达成以下目标：一是精准量化新闻联播报道对股票价格和交易量的影响程度与持续时间，通过严谨的实证分析，确定新闻联播报道在不同时间窗口内对股票价格和交易量产生的具体影响数值，明确这种影响是短期波动还是具有长期持续性。二是深入探究新闻联播报道引发股票市场异动的内在机制，基于注意力理论，分析新闻联播如何吸引投资者的注意力，进而影响其投资决策和行为，以及这种注意力驱动的行为如何传导至股票市场，导致股价和交易量的变化。三是全面识别影响新闻联播效应的关键因素，如报道内容的性质（正面、负面或中性）、公司的特征（市值规模、行业属性等）以及市场环境（牛市、熊市或震荡市）等，研究这些因素如何交互作用，共同影响新闻联播效应的强度和方向。从注意力理论视角研究中国股票市场的新闻联播效应，具有显著的创新点。在研究视角方面，以往对新闻联播与股票市场关系的研究，大多从信息传播或宏观经济影响等角度展开，较少从投资者注意力分配这一微观层面进行深入分析。本研究将注意力理论引入该领域，从投资者如何在有限注意力下对新闻联播报道进行关注、筛选和反应的角度，为理解新闻联播效应提供了全新的微观基础，有助于更深入地揭示股票市场中投资者行为的内在逻辑。在研究方法上，本研究创新性地运用大数据分析和文本挖掘技术，全面收集和分析新闻联播的报道内容，精确提取与股票市场相关的信息，并结合股票市场的交易数据进行实证研究。与传统的研究方法相比，这种基于大数据的分析方法能够更全面、准确地捕捉新闻联播报道的细节和特征，以及其与股票市场反应之间的复杂关系，提高研究结果的可靠性和说服力。同时，通过构建多变量的实证模型，综合考虑多种可能影响新闻联播效应的因素，能够更系统地分析这些因素之间的交互作用，为深入理解新闻联播效应的形成机制提供更丰富的实证证据。1.3研究方法与数据来源本研究主要采用事件研究法和回归分析方法。事件研究法用于分析新闻联播报道事件对股票价格和交易量的短期影响，通过计算事件窗口内的异常收益率和异常交易量，来衡量新闻联播报道引发的股票市场异动。回归分析方法则用于探究影响新闻联播效应的因素，通过构建多元回归模型，分析报道内容、公司特征、市场环境等因素与股票市场反应之间的关系。新闻联播报道数据来源于央视网，通过网络爬虫技术获取2015年1月1日至2024年12月31日期间的新闻联播视频及文字资料，并运用自然语言处理技术对报道内容进行文本分析，提取涉及上市公司和宏观经济政策的报道信息。股票市场数据来源于万得（Wind）数据库，包括沪深两市所有A股上市公司的每日交易数据，如开盘价、收盘价、最高价、最低价、成交量和成交额等。同时，从万得数据库中获取上市公司的财务数据和市场数据，如市值规模、市盈率、市净率、行业分类等，用于控制公司特征对股票市场反应的影响。宏观经济数据来源于国家统计局、中国人民银行等官方网站，包括国内生产总值（GDP）增长率、通货膨胀率、利率、货币供应量等，用于控制宏观经济环境对股票市场的影响。二、理论基础与文献综述2.1注意力理论概述注意力理论最早源于心理学领域，是指人对某种事物的心理活动反应，个体先关注到某一事物，然后进行信息处理进而形成决策，注意力贯穿于整个心理活动反应，是个体联系外部世界和内部世界的桥梁。在金融市场中，注意力理论有着重要的应用。投资者的注意力是一种有限的认知资源，面对海量的金融信息，投资者无法对所有信息进行全面、深入的分析，只能选择性地关注部分信息。投资者注意力对信息处理和决策有着显著影响。当投资者的注意力被某一信息吸引时，会对该信息进行更深入的分析和加工，从而影响其对股票价值的判断和投资决策。在股票市场中，投资者往往会对媒体报道、公司公告等信息给予更多关注，这些信息会影响他们对股票的预期和信心，进而影响股票的供求关系和价格走势。一项关于投资者行为的研究发现，当某只股票被媒体大量报道时，投资者对该股票的关注度会显著提高，购买该股票的意愿也会增强，从而推动股价上涨。Kahneman（1973）提出的分配型注意力理论认为，由于个体的认知能力有限，在遇到外界各类刺激时，可以将注意力进行分配。在金融市场中，投资者会根据自身的经验、知识和偏好，将注意力分配到不同的信息源和投资标的上。不同投资者的注意力分配模式存在差异，这会导致他们对相同信息的反应和决策不同，进而影响市场的价格形成和波动。一些投资者更关注宏观经济数据，而另一些投资者则更关注公司的基本面信息，他们在面对相同的新闻联播报道时，可能会做出不同的投资决策。2.2媒体报道与股票市场关系的相关研究国内外学者对媒体报道与股票市场关系展开了大量研究。在股价方面，诸多研究表明媒体报道对股价有着显著影响。Chan（2003）用新闻标题的报道次数作为投资者有限关注的替代变量，建立媒体报道数据库，检测含有上市公司正面或者负面报道，对比当时的股票市场价格浮动，发现新闻媒体正面报道普遍对股价有正面提升作用，而负面报道大部分会拉低股价。有学者以2007-2009年间新闻联播对上市公司的报道为研究对象，采用市场调整法研究其对公司股票价格的影响，结果表明，在报道后3天内，产生了0.2367%的平均异常收益，形成了正的媒体报道效应，购买压力效应是产生此现象的重要原因。也有研究利用事件研究法，检验新闻联播播报上市公司的新闻对该公司股价的影响，发现股价在新闻报道后第2日出现0.36％的异常上涨，第3日至第15日发生0.92％的反转。在交易量方面，媒体报道同样会产生作用。有学者假定交易量可以预测金融产品的价格趋势，将成交量分为高中低三类，通过建立线性回归模型的实证，证明了不同的交易量会引起投资者的不同程度的关注。以新闻联播播报上市公司新闻为例，研究发现交易量在新闻报道后出现了1.87倍的异动。不同媒体的报道效果存在差异。新闻联播作为具有权威性和广泛受众的媒体，其报道引发的市场反应与一般财经媒体有所不同。新闻联播的权威性使其报道更易获得投资者信任，对投资者的决策影响更大。而一些网络财经媒体的报道，虽然传播速度快、信息量大，但可信度相对较低，对股票市场的影响可能更多体现在短期的情绪波动上。如在某一新兴行业的报道中，新闻联播的深度报道可能引发相关行业股票的持续上涨和交易量的稳定增加；而网络财经媒体的即时但片面的报道，可能只引起股价的短暂波动和交易量的瞬间变化。2.3新闻联播对股票市场影响的研究现状在新闻联播对股票市场影响的研究领域，现有文献主要聚焦于股价和交易量两个方面。在股价方面，众多研究证实了新闻联播报道对股价存在显著影响。有研究以2007-2009年间新闻联播对上市公司的报道为样本，运用市场调整法深入分析其对公司股票价格的作用，研究结果显示，在报道后的3天内，股票产生了0.2367%的平均异常收益，形成了明显的正媒体报道效应，这种现象背后的重要原因是购买压力效应。另有学者利用事件研究法，针对新闻联播播报上市公司新闻对该公司股价的影响展开检验，发现股价在新闻报道后的第2日出现0.36％的异常上涨，然而在第3日至第15日则发生了0.92％的反转。在交易量方面，新闻联播报道同样会引发显著变化。有学者以新闻联播播报上市公司新闻为研究对象，发现交易量在新闻报道后出现了1.87倍的异动。这表明新闻联播的报道能够吸引投资者的关注，促使他们调整投资决策，进而导致股票交易量的大幅变动。尽管已有研究取得了一定成果，但仍存在一些不足和空白。在研究方法上，部分研究样本选取的时间跨度较短，可能无法全面、准确地反映新闻联播效应在不同市场环境和时间阶段的变化规律。而且，大多数研究仅采用单一的研究方法，缺乏多种方法的交叉验证，这可能会影响研究结果的可靠性和说服力。在影响因素分析方面，现有研究虽然考虑了一些因素，如报道内容的性质、公司的市值规模等，但对于其他可能影响新闻联播效应的因素，如投资者的情绪、市场的流动性、行业的竞争格局等，尚未进行深入探讨。这些因素在实际市场中可能与新闻联播报道相互作用，共同影响股票市场的反应，因此有必要进行更全面、深入的研究。在研究视角上，目前的研究主要集中在新闻联播报道对股票市场的直接影响，而对于其间接影响，如通过影响投资者的预期和信心，进而对整个市场的投资氛围和资金流向产生的影响，研究相对较少。未来的研究可以从更宏观的市场层面和更微观的投资者行为层面，进一步拓展研究视角，深入挖掘新闻联播效应的内在机制和影响路径。三、新闻联播效应的实证研究设计3.1样本选取与数据收集在样本选取方面，新闻联播报道样本选取了2015年1月1日至2024年12月31日期间，通过央视网运用网络爬虫技术获取的所有新闻联播视频及文字资料。选取这一时间段主要基于以下考虑：该时段涵盖了不同的宏观经济环境，包括经济增长期、调整期和波动期，能够全面反映新闻联播效应在不同经济背景下的表现；此期间股票市场经历了多次政策调整和市场波动，有助于研究新闻联播报道与股票市场反应之间的关系在不同市场环境下的变化规律；这十年间媒体传播环境和投资者结构也发生了一定变化，能够分析这些因素对新闻联播效应的影响。为确保研究的准确性和可靠性，对新闻联播报道样本进行了严格筛选。仅保留涉及上市公司和宏观经济政策的报道，因为这些内容与股票市场直接相关，能够更准确地反映新闻联播对股票市场的影响。在涉及上市公司的报道中，进一步筛选出明确提及上市公司名称、业务、业绩或重大事件的报道，以保证研究对象的针对性。对于宏观经济政策报道，选取了对股票市场有显著影响的政策内容，如货币政策调整、财政政策变化、行业监管政策出台等相关报道。股票市场数据收集自万得（Wind）数据库，涵盖沪深两市所有A股上市公司在2015年1月1日至2024年12月31日期间的每日交易数据。这些数据包括开盘价、收盘价、最高价、最低价、成交量和成交额等，为研究新闻联播报道对股票价格和交易量的影响提供了全面的数据支持。同时，从万得数据库中获取了上市公司的财务数据和市场数据，如市值规模、市盈率、市净率、行业分类等，用于控制公司特征对股票市场反应的影响。这些公司特征数据能够帮助分析不同公司在面对新闻联播报道时的市场反应差异，进一步深入研究新闻联播效应的影响因素。宏观经济数据来源于国家统计局、中国人民银行等官方网站，收集了同一时期的国内生产总值（GDP）增长率、通货膨胀率、利率、货币供应量等数据。这些宏观经济数据用于控制宏观经济环境对股票市场的影响，因为宏观经济状况是影响股票市场的重要因素之一，通过控制这些因素，可以更准确地评估新闻联播报道对股票市场的独立影响，避免宏观经济波动对研究结果的干扰。3.2变量定义与度量本研究的被解释变量为股票市场的反应，包括股票价格和交易量两个方面。在股票价格方面，选用异常收益率（AR）和累积异常收益率（CAR）来衡量。异常收益率是指个股实际收益率与正常收益率之间的差值，能够反映个股在特定事件发生后短期内的收益异常情况。其计算公式为：AR_{i,t}=R_{i,t}-E(R_{i,t})，其中AR_{i,t}表示股票i在第t日的异常收益率，R_{i,t}表示股票i在第t日的实际收益率，E(R_{i,t})表示股票i在第t日的正常收益率。正常收益率的计算采用市场模型，即E(R_{i,t})=\alpha_{i}+\beta_{i}R_{m,t}，其中\alpha_{i}和\beta_{i}是通过对股票i在估计窗口内的收益率与市场组合收益率进行回归得到的参数，R_{m,t}表示市场组合在第t日的收益率。累积异常收益率是在异常收益率的基础上，对事件窗口内的异常收益率进行累加，能够更全面地反映个股在事件发生后的一段时间内的累积收益异常情况。其计算公式为：CAR_{i,[t_1,t_2]}=\sum_{t=t_1}^{t_2}AR_{i,t}，其中CAR_{i,[t_1,t_2]}表示股票i在事件窗口[t_1,t_2]内的累积异常收益率。在交易量方面，采用异常交易量（AV）来度量。异常交易量是指个股实际交易量与正常交易量之间的差值，能够反映个股在特定事件发生后交易量的异常变化情况。其计算公式为：AV_{i,t}=V_{i,t}-E(V_{i,t})，其中AV_{i,t}表示股票i在第t日的异常交易量，V_{i,t}表示股票i在第t日的实际交易量，E(V_{i,t})表示股票i在第t日的正常交易量。正常交易量的计算采用历史均值法，即E(V_{i,t})=\frac{1}{n}\sum_{j=t-n}^{t-1}V_{i,j}，其中n为估计窗口的天数，V_{i,j}表示股票i在第j日的实际交易量。解释变量为新闻联播报道相关变量。新闻联播报道哑变量（News），当新闻联播报道了某上市公司时，News取值为1，否则取值为0。这一变量用于初步判断新闻联播报道是否对股票市场产生影响。报道内容性质变量（Nature），通过文本分析确定报道内容的性质，正面报道取值为1，负面报道取值为-1，中性报道取值为0。这有助于分析不同性质的报道对股票市场反应的方向和程度的影响。报道时长变量（Length），以报道的时长（秒）作为变量，用于研究报道时长与股票市场反应之间的关系，判断报道时长是否会对投资者的注意力和决策产生影响。投资者注意力的代理指标选取是研究的关键环节之一。考虑到网络搜索数据能够较好地反映投资者对特定股票的关注程度，选取百度搜索指数（BSI）作为投资者注意力的代理指标。百度搜索指数是基于百度搜索引擎的大数据分析得到的，能够实时反映用户在百度平台上对某一关键词的搜索热度。对于每只被新闻联播报道的股票，获取其在报道前后一段时间内的百度搜索指数，作为投资者对该股票注意力的度量。控制变量包括公司特征变量和市场环境变量。公司特征变量包括市值规模（Size），以公司的总市值（亿元）取自然对数表示，用于控制公司规模对股票市场反应的影响。通常，大市值公司的股票价格相对稳定，对市场信息的反应可能与小市值公司不同。市盈率（PE），以公司的市盈率表示，反映公司的估值水平，不同估值水平的公司在面对新闻联播报道时，市场反应可能存在差异。市净率（PB），以公司的市净率表示，用于控制公司的资产质量对股票市场反应的影响。行业分类（Industry），采用证监会行业分类标准，设置行业虚拟变量，控制不同行业的特性对股票市场反应的影响。不同行业受到宏观经济政策和市场环境的影响程度不同，其股票价格和交易量对新闻联播报道的反应也可能有所不同。市场环境变量包括市场指数收益率（Rindex），以上证综指的日收益率表示，用于控制整体市场走势对股票市场反应的影响。在市场上涨或下跌的不同趋势下，新闻联播报道对个股的影响可能会被放大或削弱。市场波动率（Volatility），采用上证综指收益率的标准差来衡量，反映市场的波动程度，控制市场波动对股票市场反应的影响。在市场波动较大时，投资者的情绪和行为可能更加不稳定，对新闻联播报道的反应也可能更加复杂。3.3研究模型构建为深入探究新闻联播报道对股票价格和交易量的影响，构建以下多元线性回归模型：股票价格影响模型：AR_{i,t}=\beta_{0}+\beta_{1}News_{i,t}+\beta_{2}Nature_{i,t}+\beta_{3}Length_{i,t}+\beta_{4}BSI_{i,t}+\sum_{j=1}^{3}\beta_{5+j}Control_{j,i,t}+\epsilon_{i,t}CAR_{i,[t_1,t_2]}=\beta_{0}+\beta_{1}News_{i,[t_1,t_2]}+\beta_{2}Nature_{i,[t_1,t_2]}+\beta_{3}Length_{i,[t_1,t_2]}+\beta_{4}BSI_{i,[t_1,t_2]}+\sum_{j=1}^{3}\beta_{5+j}Control_{j,i,[t_1,t_2]}+\epsilon_{i,[t_1,t_2]}其中，AR_{i,t}表示股票i在第t日的异常收益率，CAR_{i,[t_1,t_2]}表示股票i在事件窗口[t_1,t_2]内的累积异常收益率，这两个指标用于衡量股票价格的变化情况。News_{i,t}和News_{i,[t_1,t_2]}为新闻联播报道哑变量，当新闻联播报道了股票i时，取值为1，否则取值为0，用于判断新闻联播报道是否对股票价格产生影响。Nature_{i,t}和Nature_{i,[t_1,t_2]}为报道内容性质变量，通过文本分析确定报道内容的性质，正面报道取值为1，负面报道取值为-1，中性报道取值为0，以分析不同性质的报道对股票价格的影响方向和程度。Length_{i,t}和Length_{i,[t_1,t_2]}为报道时长变量，以报道的时长（秒）作为变量，研究报道时长与股票价格之间的关系，判断报道时长是否会对投资者的注意力和决策产生影响。BSI_{i,t}和BSI_{i,[t_1,t_2]}为百度搜索指数，作为投资者注意力的代理指标，反映投资者对股票i的关注程度。Control_{j,i,t}和Control_{j,i,[t_1,t_2]}为控制变量，包括市值规模（Size）、市盈率（PE）、市净率（PB）、行业分类（Industry）、市场指数收益率（Rindex）和市场波动率（Volatility）等，用于控制公司特征和市场环境对股票价格的影响。\beta_{0}为常数项，\beta_{1}至\beta_{8}为回归系数，\epsilon_{i,t}和\epsilon_{i,[t_1,t_2]}为随机误差项。股票交易量影响模型：AV_{i,t}=\beta_{0}+\beta_{1}News_{i,t}+\beta_{2}Nature_{i,t}+\beta_{3}Length_{i,t}+\beta_{4}BSI_{i,t}+\sum_{j=1}^{3}\beta_{5+j}Control_{j,i,t}+\epsilon_{i,t}其中，AV_{i,t}表示股票i在第t日的异常交易量，用于衡量股票交易量的变化情况。其他变量的定义与股票价格影响模型相同。在上述模型中，各变量之间存在复杂的相互关系。新闻联播报道哑变量News是模型的核心解释变量之一，它直接反映了新闻联播报道这一事件的发生与否，对股票价格和交易量可能产生直接影响。当News取值为1时，意味着新闻联播报道了该股票，可能会吸引投资者的关注，进而影响股票的供求关系，导致股票价格和交易量发生变化。报道内容性质变量Nature和报道时长变量Length也与股票价格和交易量密切相关。正面报道可能会增强投资者对股票的信心，促使他们买入股票，从而推动股票价格上涨和交易量增加；负面报道则可能导致投资者对股票失去信心，卖出股票，使股票价格下跌和交易量减少。报道时长越长，可能会吸引投资者更多的注意力，对股票价格和交易量的影响也可能更大。投资者注意力代理指标BSI在模型中起到关键作用。它作为投资者对股票关注程度的度量，与新闻联播报道变量相互作用，共同影响股票价格和交易量。当新闻联播报道某只股票时，可能会引发投资者在网络上进行搜索，从而提高该股票的百度搜索指数，进一步反映出投资者对该股票的关注度增加。这种关注度的变化会影响投资者的决策，进而对股票价格和交易量产生影响。控制变量在模型中也不可或缺。市值规模、市盈率、市净率等公司特征变量，以及市场指数收益率、市场波动率等市场环境变量，都会对股票价格和交易量产生影响。在分析新闻联播报道对股票市场的影响时，需要控制这些变量，以准确评估新闻联播报道的独立作用。通过构建上述多元线性回归模型，能够全面、系统地分析新闻联播报道对股票价格和交易量的影响因素，深入探究新闻联播效应的内在机制。在实际研究中，将运用统计软件对模型进行估计和检验，通过对回归系数的分析，判断各变量对股票价格和交易量的影响方向和显著程度，为研究新闻联播效应提供有力的实证支持。四、实证结果与分析4.1描述性统计对样本数据进行描述性统计，结果如表1所示。从新闻联播报道次数来看，在2015年1月1日至2024年12月31日期间，涉及上市公司和宏观经济政策的报道共有[X]次，平均每年报道[X/10]次。报道次数的最大值为[具体最大值]次，最小值为0次，说明不同年份新闻联播对股票市场相关内容的报道频率存在较大差异。这种差异可能受到当年宏观经济形势、政策热点以及上市公司重大事件发生频率等因素的影响。在经济形势波动较大或政策调整频繁的年份，新闻联播对相关内容的报道可能会更加密集；而在经济相对平稳的时期，报道次数则可能相对较少。变量观测值均值标准差最小值最大值新闻联播报道次数[X][X/10][具体标准差]0[具体最大值]股票异常收益率[X][具体均值][具体标准差][具体最小值][具体最大值]股票累积异常收益率[X][具体均值][具体标准差][具体最小值][具体最大值]股票异常交易量[X][具体均值][具体标准差][具体最小值][具体最大值]市值规模（亿元）[X][具体均值][具体标准差][具体最小值][具体最大值]市盈率[X][具体均值][具体标准差][具体最小值][具体最大值]市净率[X][具体均值][具体标准差][具体最小值][具体最大值]百度搜索指数[X][具体均值][具体标准差]0[具体最大值]市场指数收益率[X][具体均值][具体标准差][具体最小值][具体最大值]市场波动率[X][具体均值][具体标准差][具体最小值][具体最大值]股票异常收益率方面，平均异常收益率为[具体均值]，说明在新闻联播报道事件发生后，股票平均出现了一定程度的异常收益。异常收益率的标准差为[具体标准差]，表明不同股票在面对新闻联播报道时，异常收益率的波动较大。这可能是由于不同公司的基本面、市场地位以及投资者对其关注度不同，导致对新闻联播报道的反应存在差异。一些市场关注度高、业绩优良的公司，其股票异常收益率可能相对较大且稳定；而一些业绩较差或市场知名度较低的公司，股票异常收益率可能波动较大且不稳定。股票累积异常收益率的均值为[具体均值]，标准差为[具体标准差]，进一步反映了股票在较长时间内对新闻联播报道的累积反应存在较大差异。股票异常交易量的平均水平为[具体均值]，标准差为[具体标准差]，表明新闻联播报道对股票交易量的影响也具有较大的波动性。部分股票在报道后交易量大幅增加，而另一些股票的交易量变化则相对较小。市值规模的均值为[具体均值]亿元，反映了样本中上市公司的平均规模。不同公司的市值规模差异较大，最小值为[具体最小值]亿元，最大值为[具体最大值]亿元。这种市值规模的差异可能会影响公司对新闻联播报道的敏感度，大市值公司由于其市场影响力较大，可能对新闻联播报道的反应相对较为平稳；而小市值公司则可能更容易受到报道的影响，股价和交易量波动较大。市盈率和市净率的均值分别为[具体均值]和[具体均值]，标准差也较大，说明样本中上市公司的估值水平和资产质量存在较大差异。这些差异可能会与新闻联播报道相互作用，共同影响股票市场的反应。百度搜索指数作为投资者注意力的代理指标，均值为[具体均值]，反映了投资者对新闻联播报道股票的平均关注程度。其标准差为[具体标准差]，表明投资者对不同股票的关注度存在显著差异，这也可能导致股票市场反应的不同。市场指数收益率的均值和标准差分别为[具体均值]和[具体标准差]，反映了市场整体的收益水平和波动情况。市场波动率的均值为[具体均值]，标准差为[具体标准差]，说明市场在不同时期的波动程度存在差异。市场环境的变化会对新闻联播效应产生影响，在市场波动较大时，投资者的情绪和行为可能更加不稳定，新闻联播报道对股票市场的影响可能会被放大或扭曲；而在市场相对稳定时，新闻联播报道的影响可能相对较为平稳。4.2相关性分析为初步了解各变量之间的关系，对主要变量进行相关性分析，结果如表2所示。从新闻联播报道哑变量（News）与股票异常收益率（AR）的相关性来看，两者的相关系数为[具体系数]，在[具体显著性水平]上显著正相关。这表明当新闻联播报道某上市公司时，该公司股票的异常收益率有显著提高的趋势，初步证实了新闻联播报道对股票价格有正向影响。变量NewsNatureLengthBSIARCARAVSizePEPBRindexVolatilityNews1Nature[具体系数]1Length[具体系数][具体系数]1BSI[具体系数][具体系数][具体系数]1AR[具体系数][具体系数][具体系数][具体系数]1CAR[具体系数][具体系数][具体系数][具体系数][具体系数]1AV[具体系数][具体系数][具体系数][具体系数][具体系数][具体系数]1Size[具体系数][具体系数][具体系数][具体系数][具体系数][具体系数][具体系数]1PE[具体系数][具体系数][具体系数][具体系数][具体系数][具体系数][具体系数][具体系数]1PB[具体系数][具体系数][具体系数][具体系数][具体系数][具体系数][具体系数][具体系数][具体系数]1Rindex[具体系数][具体系数][具体系数][具体系数][具体系数][具体系数][具体系数][具体系数][具体系数][具体系数]1Volatility[具体系数][具体系数][具体系数][具体系数][具体系数][具体系数][具体系数][具体系数][具体系数][具体系数][具体系数]1报道内容性质变量（Nature）与股票异常收益率的相关系数为[具体系数]，在[具体显著性水平]上显著正相关，说明正面报道会使股票异常收益率显著上升，负面报道则会导致股票异常收益率下降，报道内容的性质对股票价格有显著影响。报道时长变量（Length）与股票异常收益率的相关系数为[具体系数]，在[具体显著性水平]上显著正相关，表明报道时长越长，股票异常收益率越高，可能是因为较长的报道能够吸引投资者更多的注意力，提供更丰富的信息，从而对股票价格产生更大的影响。百度搜索指数（BSI）作为投资者注意力的代理指标，与股票异常收益率的相关系数为[具体系数]，在[具体显著性水平]上显著正相关。这说明投资者对股票的关注度越高，股票的异常收益率越高，进一步验证了注意力理论在新闻联播效应中的作用，即新闻联播报道通过吸引投资者的注意力，影响股票价格。在股票累积异常收益率（CAR）方面，新闻联播报道哑变量与CAR的相关系数为[具体系数]，在[具体显著性水平]上显著正相关，表明新闻联播报道对股票在较长时间内的累积收益有正向影响。报道内容性质变量、报道时长变量和百度搜索指数与CAR也都呈现显著正相关关系，且相关系数的大小和显著性水平与它们和AR的相关性分析结果基本一致，进一步支持了上述结论。在股票异常交易量（AV）方面，新闻联播报道哑变量与AV的相关系数为[具体系数]，在[具体显著性水平]上显著正相关，说明新闻联播报道会导致股票异常交易量显著增加。报道内容性质变量与AV的相关系数为[具体系数]，在[具体显著性水平]上显著正相关，表明正面报道会使股票异常交易量增加，负面报道则会使异常交易量减少。报道时长变量与AV的相关系数为[具体系数]，在[具体显著性水平]上显著正相关，显示报道时长越长，股票异常交易量越大。百度搜索指数与AV的相关系数为[具体系数]，在[具体显著性水平]上显著正相关，表明投资者关注度的提高会导致股票异常交易量增加。市值规模（Size）与股票异常收益率、累积异常收益率和异常交易量均呈现一定的相关性。市值规模与股票异常收益率的相关系数为[具体系数]，在[具体显著性水平]上显著负相关，说明大市值公司的股票在面对新闻联播报道时，异常收益率相对较低，可能是因为大市值公司的市场影响力较大，股价相对稳定，对新闻联播报道的敏感度较低。市值规模与累积异常收益率的相关系数为[具体系数]，在[具体显著性水平]上显著负相关，与异常交易量的相关系数为[具体系数]，在[具体显著性水平]上显著负相关，也进一步验证了这一结论。市盈率（PE）和市净率（PB）与股票异常收益率、累积异常收益率和异常交易量的相关性相对较弱。市盈率与股票异常收益率的相关系数为[具体系数]，在[具体显著性水平]上不显著，说明市盈率对股票异常收益率的影响不明显。市净率与股票异常收益率的相关系数为[具体系数]，在[具体显著性水平]上不显著，表明市净率对股票异常收益率的影响也较小。这可能是因为市盈率和市净率主要反映公司的估值水平和资产质量，在新闻联播报道这一特定事件下，对股票市场反应的影响相对较小。市场指数收益率（Rindex）与股票异常收益率、累积异常收益率和异常交易量均呈现一定的相关性。市场指数收益率与股票异常收益率的相关系数为[具体系数]，在[具体显著性水平]上显著正相关，说明市场整体走势对股票异常收益率有显著影响，在市场上涨时，股票的异常收益率也会相应提高。市场指数收益率与累积异常收益率的相关系数为[具体系数]，在[具体显著性水平]上显著正相关，与异常交易量的相关系数为[具体系数]，在[具体显著性水平]上显著正相关，也进一步验证了市场整体走势对股票市场反应的重要影响。市场波动率（Volatility）与股票异常收益率、累积异常收益率和异常交易量的相关性相对复杂。市场波动率与股票异常收益率的相关系数为[具体系数]，在[具体显著性水平]上显著正相关，说明市场波动越大，股票的异常收益率越高，可能是因为在市场波动较大时，投资者的情绪和行为更加不稳定，对新闻联播报道的反应也更加敏感。市场波动率与累积异常收益率的相关系数为[具体系数]，在[具体显著性水平]上显著正相关，与异常交易量的相关系数为[具体系数]，在[具体显著性水平]上显著正相关，也表明市场波动对股票市场反应有较大影响。相关性分析结果初步揭示了新闻联播报道与股票异常收益率、累积异常收益率和异常交易量之间存在显著的相关关系，且报道内容性质、报道时长和投资者注意力等因素也与股票市场反应密切相关。市值规模、市场指数收益率和市场波动率等控制变量也对股票市场反应产生一定的影响。这些结果为进一步的回归分析提供了基础，有助于深入探究新闻联播效应的内在机制。4.3回归结果分析运用统计软件对构建的回归模型进行估计，结果如表3所示。在股票价格影响模型中，以异常收益率（AR）为被解释变量的回归结果显示，新闻联播报道哑变量（News）的系数为[具体系数]，在[具体显著性水平]上显著为正。这表明，当新闻联播报道某上市公司时，该公司股票在报道后的当日异常收益率显著提高，平均提高了[具体系数]个百分点，有力地证明了新闻联播报道对股票价格具有显著的正向影响。变量ARCAR(-1,1)ARCAR(-1,1)AVNews[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***Nature[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***Length[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***BSI[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***Size[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***PE[具体系数][具体系数][具体系数][具体系数][具体系数]PB[具体系数][具体系数][具体系数][具体系数][具体系数]Industry控制控制控制控制控制Rindex[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***Volatility[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***Constant[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***N[样本数量][样本数量][样本数量][样本数量][样本数量]Adj.R-squared[具体数值][具体数值][具体数值][具体数值][具体数值]注：*、、*分别表示在1%、5%、10%的水平上显著。报道内容性质变量（Nature）的系数为[具体系数]，在[具体显著性水平]上显著为正，说明正面报道会使股票异常收益率显著上升。当报道内容为正面时，股票异常收益率平均提高[具体系数]个百分点；而负面报道则会导致股票异常收益率下降，这与理论预期相符。报道时长变量（Length）的系数为[具体系数]，在[具体显著性水平]上显著为正，表明报道时长越长，股票异常收益率越高。每增加1秒的报道时长，股票异常收益率平均提高[具体系数]个百分点，这可能是因为较长的报道能够吸引投资者更多的注意力，提供更丰富的信息，从而对股票价格产生更大的影响。百度搜索指数（BSI）作为投资者注意力的代理指标，其系数为[具体系数]，在[具体显著性水平]上显著为正。这意味着投资者对股票的关注度越高，股票的异常收益率越高，进一步验证了注意力理论在新闻联播效应中的作用。当百度搜索指数增加1个单位时，股票异常收益率平均提高[具体系数]个百分点，说明新闻联播报道通过吸引投资者的注意力，进而影响股票价格。在以累积异常收益率（CAR）为被解释变量，事件窗口为（-1，1）的回归结果中，新闻联播报道哑变量的系数为[具体系数]，在[具体显著性水平]上显著为正，表明新闻联播报道对股票在事件窗口（-1，1）内的累积异常收益率有显著的正向影响，股票累积异常收益率平均提高了[具体系数]个百分点。报道内容性质变量、报道时长变量和百度搜索指数的系数也都在[具体显著性水平]上显著为正，且系数大小与以AR为被解释变量的回归结果具有一致性，进一步支持了新闻联播报道通过影响投资者注意力和报道内容相关因素，对股票价格产生正向影响的结论。在股票交易量影响模型中，新闻联播报道哑变量的系数为[具体系数]，在[具体显著性水平]上显著为正，说明新闻联播报道会导致股票异常交易量显著增加。当新闻联播报道某上市公司时，该公司股票的异常交易量平均增加[具体系数]个单位。报道内容性质变量的系数为[具体系数]，在[具体显著性水平]上显著为正，表明正面报道会使股票异常交易量增加，负面报道则会使异常交易量减少。报道时长变量的系数为[具体系数]，在[具体显著性水平]上显著为正，显示报道时长越长，股票异常交易量越大。百度搜索指数的系数为[具体系数]，在[具体显著性水平]上显著为正，表明投资者关注度的提高会导致股票异常交易量增加。控制变量方面，市值规模（Size）与股票异常收益率、累积异常收益率和异常交易量均呈现显著的负相关关系。这表明大市值公司的股票在面对新闻联播报道时，异常收益率、累积异常收益率和异常交易量相对较低，可能是因为大市值公司的市场影响力较大，股价相对稳定，对新闻联播报道的敏感度较低。市场指数收益率（Rindex）与股票异常收益率、累积异常收益率和异常交易量均呈现显著的正相关关系，说明市场整体走势对股票市场反应有显著影响，在市场上涨时，股票的异常收益率、累积异常收益率和异常交易量也会相应提高。市场波动率（Volatility）与股票异常收益率、累积异常收益率和异常交易量均呈现显著的正相关关系，表明市场波动越大，股票的异常收益率、累积异常收益率和异常交易量越高。这可能是因为在市场波动较大时，投资者的情绪和行为更加不稳定，对新闻联播报道的反应也更加敏感。市盈率（PE）和市净率（PB）与股票异常收益率、累积异常收益率和异常交易量的相关性不显著，说明在新闻联播报道这一特定事件下，市盈率和市净率对股票市场反应的影响相对较小。回归结果表明，新闻联播报道对股票价格和交易量均具有显著影响，且这种影响通过投资者注意力和报道内容相关因素得以体现。正面报道、较长的报道时长以及较高的投资者关注度会导致股票价格上涨和交易量增加，而大市值公司对新闻联播报道的敏感度相对较低，市场整体走势和波动率也会对新闻联播效应产生影响。4.4稳健性检验为确保研究结果的可靠性和稳定性，进行了一系列稳健性检验。首先，采用更换变量度量方式的方法，对被解释变量和解释变量进行替换。在被解释变量方面，除了使用异常收益率（AR）和累积异常收益率（CAR）来衡量股票价格，还选用了经市场模型调整后的标准化异常收益率（SAR），其计算公式为：SAR_{i,t}=\frac{AR_{i,t}}{\sigma_{i}}，其中\sigma_{i}为股票i在估计窗口内异常收益率的标准差。这一指标能够更准确地反映股票价格的异常波动程度，消除不同股票之间异常收益率标准差差异的影响。在交易量方面，除了异常交易量（AV），还采用了交易量比率（VR）作为替代变量，计算公式为：VR_{i,t}=\frac{V_{i,t}}{\overline{V}_{i}}，其中\overline{V}_{i}为股票i在估计窗口内的平均交易量。这一指标能够更直观地反映股票交易量相对于其平均水平的变化情况。在解释变量方面，对于报道内容性质变量（Nature），除了通过文本分析确定正面、负面和中性报道，还采用情感分析工具进行更精确的量化。情感分析工具能够对报道文本中的情感倾向进行打分，取值范围为-1到1，-1表示强烈负面，1表示强烈正面，0表示中性，从而更细致地反映报道内容的性质对股票市场反应的影响。对于投资者注意力的代理指标百度搜索指数（BSI），选用谷歌趋势搜索指数（GSI）作为替代指标。谷歌趋势搜索指数同样能够反映用户在谷歌搜索引擎上对某一关键词的搜索热度，与百度搜索指数具有相似的功能，通过使用这一替代指标，可以验证投资者注意力对新闻联播效应的影响是否具有稳健性。将上述替换后的变量重新代入回归模型进行估计，结果如表4所示。在以标准化异常收益率（SAR）为被解释变量的回归中，新闻联播报道哑变量（News）的系数为[具体系数]，在[具体显著性水平]上显著为正，与原模型中以异常收益率（AR）为被解释变量时的结果一致，表明新闻联播报道对股票价格的正向影响依然显著。报道内容性质变量（Nature）、报道时长变量（Length）和谷歌趋势搜索指数（GSI）的系数也在[具体显著性水平]上显著为正，且系数大小与原模型具有相似性，进一步支持了原研究结论。变量SARSCAR(-1,1)VRNews[具体系数]***[具体系数]***[具体系数]***Nature[具体系数]***[具体系数]***[具体系数]***Length[具体系数]***[具体系数]***[具体系数]***GSI[具体系数]***[具体系数]***[具体系数]***Size[具体系数]***[具体系数]***[具体系数]***PE[具体系数][具体系数][具体系数]PB[具体系数][具体系数][具体系数]Industry控制控制控制Rindex[具体系数]***[具体系数]***[具体系数]***Volatility[具体系数]***[具体系数]***[具体系数]***Constant[具体系数]***[具体系数]***[具体系数]***N[样本数量][样本数量][样本数量]Adj.R-squared[具体数值][具体数值][具体数值]注：*、、*分别表示在1%、5%、10%的水平上显著。在以交易量比率（VR）为被解释变量的回归中，新闻联播报道哑变量的系数为[具体系数]，在[具体显著性水平]上显著为正，与原模型中以异常交易量（AV）为被解释变量时的结果一致，说明新闻联播报道对股票交易量的影响依然显著。报道内容性质变量、报道时长变量和谷歌趋势搜索指数的系数也在[具体显著性水平]上显著为正，且系数大小与原模型相似，进一步验证了原研究结论的稳健性。其次，进行更换模型设定的稳健性检验。原模型采用普通最小二乘法（OLS）进行估计，为了检验模型设定的稳健性，选用了固定效应模型和工具变量法进行重新估计。在固定效应模型中，控制了个体固定效应和时间固定效应，以消除不随时间变化的个体特征和随时间变化的宏观因素对研究结果的影响。个体固定效应能够捕捉到不同上市公司自身特有的、不随时间变化的因素，如公司的行业属性、管理水平等；时间固定效应则可以控制宏观经济形势、政策环境等随时间变化的共同因素对股票市场的影响。通过控制这些固定效应，可以更准确地评估新闻联播报道对股票价格和交易量的影响。在工具变量法中，选用与新闻联播报道相关但与随机误差项不相关的变量作为工具变量。考虑到新闻联播的播出时间和频道是固定的，选用新闻联播播出时间段内的电视收视率作为工具变量。这一变量与新闻联播报道相关，因为收视率高意味着更多的观众可能会观看新闻联播，从而增加新闻联播报道对股票市场的影响力；同时，电视收视率与股票市场的随机误差项不相关，满足工具变量的外生性条件。通过两阶段最小二乘法（2SLS）进行估计，第一阶段将新闻联播报道哑变量（News）对工具变量（电视收视率）和其他控制变量进行回归，得到预测值；第二阶段将被解释变量（股票价格或交易量）对第一阶段得到的预测值和其他控制变量进行回归，从而得到更可靠的估计结果。固定效应模型和工具变量法的回归结果如表5所示。在固定效应模型中，新闻联播报道哑变量（News）的系数为[具体系数]，在[具体显著性水平]上显著为正，与原OLS模型的结果一致，表明在控制了个体固定效应和时间固定效应后，新闻联播报道对股票价格和交易量的影响依然显著。报道内容性质变量（Nature）、报道时长变量（Length）和百度搜索指数（BSI）的系数也在[具体显著性水平]上显著为正，且系数大小与原模型相似，进一步验证了原研究结论的稳健性。变量AR（固定效应）CAR(-1,1)（固定效应）AV（固定效应）AR（2SLS）CAR(-1,1)（2SLS）AV（2SLS）News[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***Nature[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***Length[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***BSI[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***Size[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***PE[具体系数][具体系数][具体系数][具体系数][具体系数][具体系数]PB[具体系数][具体系数][具体系数][具体系数][具体系数][具体系数]Industry控制控制控制控制控制控制Rindex[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***Volatility[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***Constant[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***N[样本数量][样本数量][样本数量][样本数量][样本数量][样本数量]Adj.R-squared[具体数值][具体数值][具体数值][具体数值][具体数值][具体数值]注：*、、*分别表示在1%、5%、10%的水平上显著。在工具变量法（2SLS）的回归结果中，新闻联播报道哑变量的系数为[具体系数]，在[具体显著性水平]上显著为正，与原OLS模型和固定效应模型的结果一致，表明在解决了内生性问题后，新闻联播报道对股票价格和交易量的影响依然显著。报道内容性质变量、报道时长变量和百度搜索指数的系数也在[具体显著性水平]上显著为正，且系数大小与原模型相似，进一步支持了原研究结论的可靠性。最后，开展子样本分析的稳健性检验。按照不同的标准对样本进行分组，分别进行回归分析，以检验研究结果在不同子样本中的一致性。按照市值规模大小将样本分为大市值公司和小市值公司两组，大市值公司组选取市值排名前30%的公司，小市值公司组选取市值排名后30%的公司。分别对两组子样本进行回归，结果如表6所示。在大市值公司组中，新闻联播报道哑变量（News）的系数为[具体系数]，在[具体显著性水平]上显著为正，表明新闻联播报道对大市值公司的股票价格和交易量有显著影响，但系数大小相对小市值公司组较小，说明大市值公司对新闻联播报道的敏感度相对较低，这与原研究结论一致。变量AR（大市值）CAR(-1,1)（大市值）AV（大市值）AR（小市值）CAR(-1,1)（小市值）AV（小市值）News[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***Nature[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***Length[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***BSI[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***Size[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***PE[具体系数][具体系数][具体系数][具体系数][具体系数][具体系数]PB[具体系数][具体系数][具体系数][具体系数][具体系数][具体系数]Industry控制控制控制控制控制控制Rindex[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***Volatility[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***Constant[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***N[大市值样本数量][大市值样本数量][大市值样本数量][小市值样本数量][小市值样本数量][小市值样本数量]Adj.R-squared[具体数值][具体数值][具体数值][具体数值][具体数值][具体数值]注：*、、*分别表示在1%、5%、10%的水平上显著。在小市值公司组中，新闻联播报道哑变量的系数为[具体系数]，在[具体显著性水平]上显著为正，且系数大小相对大市值公司组较大，说明小市值公司对新闻联播报道更为敏感，股票价格和交易量的波动更大，这也与原研究结论相符。按照行业将样本分为不同行业组，如金融行业、制造业、信息技术行业等，分别对各行业组进行回归。在不同行业组中，新闻联播报道哑变量的系数大多在[具体显著性水平]上显著为正，表明新闻联播报道对不同行业的股票价格和交易量都有显著影响，但影响程度存在差异。金融行业由于其与宏观经济政策的紧密联系，对新闻联播报道的反应可能更为敏感；而制造业等行业可能受到自身行业特性和市场竞争格局的影响，对新闻联播报道的反应相对较为平稳。按照市场环境将样本分为牛市和熊市两组，牛市组选取上证综指涨幅超过10%的时间段内的样本，熊市组选取上证综指跌幅超过10%的时间段内的样本。分别对两组子样本进行回归，结果如表7所示。在牛市组中，新闻联播报道哑变量（News）的系数为[具体系数]，在[具体显著性水平]上显著为正，表明在牛市环境下，新闻联播报道对股票价格和交易量有显著的正向影响。变量AR（牛市）CAR(-1,1)（牛市）AV（牛市）AR（熊市）CAR(-1,1)（熊市）AV（熊市）News[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***Nature[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***Length[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***BSI[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***Size[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***PE[具体系数][具体系数][具体系数][具体系数][具体系数][具体系数]PB[具体系数][具体系数][具体系数][具体系数][具体系数][具体系数]Industry控制控制控制控制控制控制Rindex[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***Volatility[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***Constant[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***[具体系数]***N[牛市样本数量][牛市样本数量][牛市样本数量][熊市样本数量][熊市样本数量][熊市样本数量]Adj.R-squared[具体数值][具体数值][具体数值][具体数值][具体数值][具体数值]注：*、、*分别表示在1%、5%、10%的水平上显著。在熊市组中，新闻联播报道哑变量的系数为[具体系数]，在[具体显著性水平]上显著为正，说明在熊市环境下，新闻联播报道同样对股票价格和交易量有显著影响，但系数大小相对牛市组可能有所不同，表明市场环境会对新闻联播效应产生影响，在不同的市场环境下，投资者对新闻联播报道的反应和行为可能存在差异。稳健性检验结果表明，通过更换变量度量方式、更换模型设定和进行子样本分析等方法，原研究结论依然成立，即新闻联播报道对股票价格和交易量具有显著影响，且这种影响通过投资者注意力和报道内容相关因素得以体现。大市值公司对新闻联播报道的敏感度相对较低，市场整体走势和波动率、行业属性以及市场环境等因素也会对新闻联播效应产生影响，进一步验证了研究结果的可靠性和稳定性。五、基于注意力理论的结果解释5.1注意力驱动的购买压力效应新闻联播凭借其权威性、广泛的受众基础和固定的播出时间，成为吸引投资者注意力的关键信息源。作为中国最具权威性的新闻节目，新闻联播的报道内容经过严格筛选和审核，具有较高的可信度和可靠性。投资者往往认为，能够登上新闻联播的上市公司或经济事件具有重要价值和影响力，因此会给予更多关注。其广泛的受众基础使得大量投资者都有可能接触到新闻联播的报道，从而形成广泛的信息传播效应。每晚19:00准时播出的固定时间，也让投资者养成了在特定时间关注新闻联播的习惯，进一步增强了其对投资者注意力的吸引。从信息传播角度来看，新闻联播的报道内容丰富多样，涵盖了宏观经济政策、行业动态、上市公司重大事件等多个方面。这些信息与股票市场密切相关，能够为投资者提供重要的决策依据。在报道宏观经济政策时，会涉及到货币政策调整、财政政策变化等内容，这些政策的变动会直接影响股票市场的资金供求关系和整体走势。报道上市公司重大事件，如企业的并购重组、新产品发布等，会直接影响投资者对该公司的预期和信心，进而影响其股票价格和交易量。购买压力对股价和交易量的影响机制主要通过投资者的决策行为来实现。当新闻联播报道某上市公司时，会吸引投资者的注意力，引发他们对该公司的兴趣和关注。投资者会对报道内容进行分析和解读，评估其对公司未来业绩和发展前景的影响。如果报道内容是正面的，如公司获得重大项目订单、研发出新技术等，投资者会认为该公司的价值将提升，未来盈利预期增加，从而产生购买该公司股票的意愿，形成购买压力。这种购买压力会导致股票市场上对该股票的需求增加。在股票供给相对稳定的情况下，需求的增加会推动股票价格上涨。随着股价的上涨，更多的投资者可能会被吸引进入市场，进一步增加购买压力，推动股价继续上涨。购买压力还会导致股票交易量的增加。投资者的买卖行为会更加频繁，市场活跃度提高，从而使股票交易量显著上升。在2024年12月5日的新闻联播中，报道了我国前10个月服务进出口总额同比增长14.6%，这一消息显示出我国经济结构中服务贸易的良好发展态势，可能会增强市场对整体经济形势的信心，对相关服务行业如金融、物流、旅游等板块有一定的积极影响。投资者在看到这一报道后，可能会认为相关服务行业的上市公司将受益于服务贸易的增长，从而增加对这些公司股票的购买，导致这些股票的价格上涨和交易量增加。又如国药现代全资子公司磷酸可待因获得化学原料药上市申请批准通知书，人福医药熊去氧胆酸胶囊获得药品注册证书，奥翔药业全资子公司获得西他沙星片《药品注册证书》等医药行业的利好消息，有望刺激医药板块相关个股的表现，特别是涉及这些药品生产研发的企业。投资者在关注到这些新闻联播报道后，会对相关医药企业的未来业绩产生积极预期，进而增加对这些企业股票的购买压力，推动股价上涨和交易量增加。购买压力对股价和交易量的影响并非一成不变，还受到多种因素的制约。市场整体走势是一个重要因素，在牛市行情中，市场情绪乐观，投资者对股票的购买意愿较强，新闻联播报道引发的购买压力可能会更容易推动股价上涨和交易量增加；而在熊市行情中，市场情绪悲观，投资者对股票的购买较为谨慎，新闻联播报道引发的购买压力可能会受到抑制，对股价和交易量的影响相对较小。公司的基本面也是影响购买压力效应的关键因素。基本面良好的公司，如具有稳定的盈利能力、优秀的管理团队和良好的市场口碑，在面对新闻联播报道时，更容易获得投资者的信任和青睐，购买压力对股价和交易量的影响可能会更加显著；而基本面较差的公司，即使受到新闻联播报道的关注，投资者也可能会因为对其基本面的担忧而谨慎购买，购买压力对股价和交易量的影响相对较弱。投资者的情绪和预期也会对购买压力效应产生影响。当投资者情绪乐观、对市场前景充满信心时，他们更容易受到新闻联播报道的影响，购买压力对股价和交易量的推动作用会更加明显；而当投资者情绪悲观、对市场前景担忧时，他们可能会对新闻联播报道持怀疑态度，购买压力对股价和交易量的影响会受到一定程度的削弱。5.2信息效应与注意力分配新闻联播的报道内容涵盖广泛，包括宏观经济政策、行业动态、上市公司重大事件等，这些信息具有丰富的内涵和重要的价值。在宏观经济政策方面，新闻联播会报道国家的财政政策、货币政策、产业政策等重大决策和调整。在报道财政政策时，会涉及政府的财政支出规模、税收政策变化等内容，这些信息对于投资者判断宏观经济走势和市场资金流向具有重要参考价值。若政府加大对基础设施建设的财政支出，可能会带动相关建筑、建材等行业的发展，投资者可以据此调整投资组合，关注这些行业的上市公司。货币政策方面，新闻联播对利率调整、货币供应量变化等信息的报道，会直接影响投资者对市场资金成本和流动性的预期。利率下降通常会降低企业的融资成本，刺激企业扩大生产和投资，从而对股票市场产生积极影响；而货币供应量的增加则可能导致市场资金充裕，推动股票价格上涨。投资者通过关注新闻联播的这些报道，能够及时把握宏观经济政策的变化趋势，调整投资策略，以适应市场环境的变化。在行业动态方面，新闻联播会关注各个行业的发展趋势、市场竞争格局以及行业政策的调整。在科技行业，报道人工智能、5G通信等新兴技术的发展动态和应用前景，会影响投资者对相关科技企业的未来业绩预期。若新闻联播报道某一新兴科技领域取得重大突破，相关行业的上市公司可能会受到投资者的关注和追捧，股价有望上涨。行业政策的调整也是投资者关注的重点，如环保政策的加强会对高污染、高能耗行业产生不利影响，而对环保产业则是利好消息，投资者可以根据这些行业动态信息，合理配置资产，降低投资风险。上市公司重大事件是新闻联播报道的重要内容之一。企业的并购重组、新产品发布、业绩预告等事件，都会对公司的未来发展产生重大影响，进而影响投资者的决策。当新闻联播报道某上市公司进行重大并购重组时，投资者会关注并购的对象、交易金额、协同效应等信息，评估这一事件对公司未来盈利能力和市场竞争力的影响。如果并购能够实现资源整合、优势互补，提升公司的市场份额和盈利能力，投资者可能会对该公司的股票给予更高的估值，从而推动股价上涨。投资者在面对新闻联播报道的海量信息时，会根据自身的认知、经验和投资目标进行注意力分配。不同投资者的注意力分配模式存在差异，这主要受到以下因素的影响。投资者的专业知识和经验是影响注意力分配的重要因素。专业投资者，如基金经理、分析师等，由于具备丰富的金融知识和投资经验，能够更敏锐地捕捉到新闻联播报道中的关键信息，并对其进行深入分析。他们可能会更关注宏观经济数据的变化、行业政策的调整以及上市公司的财务报表等信息，因为这些信息对于他们评估市场风险和投资机会至关重要。而普通投资者由于专业知识和经验相对不足，可能更关注一些直观、易懂的信息，如上市公司的重大事件、行业的热点新闻等。他们在面对复杂的宏观经济数据和金融术语时，可能会感到困惑，难以准确理解其含义和影响，因此会将注意力更多地集中在自己能够理解和把握的信息上。投资者的投资目标和风险偏好也会影响注意力分配。追求长期投资收益的投资者，更关注公司的基本面和长期发展潜力，他们会对新闻联播中关于上市公司的战略规划、研发投入、市场份额等信息给予更多关注。这类投资者认为，只有具备良好基本面和长期发展潜力的公司，才能在长期内为他们带来稳定的投资回报。而追求短期投机收益的投资者，则更关注市场热点和短期股价波动，他们会对新闻联播中关于市场情绪、资金流向以及短期利好消息等信息更为敏感。风险偏好较高的投资者，愿意承担较高的风险以追求更高的收益，他们可能会关注一些新兴行业、高成长性公司的信息，即使这些公司的业绩尚未得到充分验证，但只要有潜在的发展机会，他们就会积极关注和投资。而风险偏好较低的投资者，更注重资产的安全性和稳定性，他们会关注一些业绩稳定、分红较高的公司，对新闻联播中关于这些公司的财务状况、经营稳定性等信息会格外关注。市场环境的变化也会影响投资者的注意力分配。在牛市行情中，市场情绪乐观，投资者对市场充满信心，他们可能会更关注市场的上涨趋势和投资机会，对新闻联播中关于宏观经济向好、行业发展前景广阔以及上市公司业绩增长等正面信息给予更多关注。在熊市行情中，市场情绪悲观，投资者对市场风险较为敏感，他们会更关注市场的下跌风险和不确定性，对新闻联播中关于宏观经济下行压力、行业竞争加剧以及上市公司业绩下滑等负面信息更为关注。在市场波动较大时，投资者的注意力会更加分散，他们会密切关注各种可能影响市场走势的信息，包括宏观经济数据的公布、政策的调整、国际形势的变化等，以便及时调整投资策略，降低风险。而在市场相对平稳时，投资者的注意力可能会相对集中在自己熟悉和关注的领域，对新闻联播中的一般性信息关注度可能会降低。新闻联播报道的信息对投资者决策有着重要影响。当新闻联播报道某一上市公司的利好消息时，如公司获得重大项目订单、研发出新技术等，投资者会认为该公司的未来盈利能力将增强，从而对该公司的股票产生购买意愿，推动股价上涨。相反，若报道的是负面消息，如公司出现重大财务问题、产品质量丑闻等，投资者会对该公司的未来发展前景产生担忧，降低对其股票的估值，导致股价下跌。在行业层面，新闻联播对某一行业的正面报道，如行业政策的支持、市场需求的增长等，会吸引投资者对该行业的关注，促使他们增加对该行业上市公司的投资，推动整个行业板块的上涨。而负面报道，如行业竞争加剧、政策限制等，会使投资者对该行业的前景产生疑虑，减少投资，导致行业板块下跌。从宏观经济角度来看，新闻联播对宏观经济形势的报道和分析，会影响投资者对整个市场的信心和预期。若报道显示宏观经济形势向好，经济增长稳定、通货膨胀率可控，投资者会对市场充满信心，增加投资，推动市场整体上涨。反之，若报道显示宏观经济面临下行压力、经济增长放缓、通货膨胀加剧等问题，投资者会对市场前景感到担忧，减少投资，导致市场下跌。5.3投资者行为偏差与市场反应投资者在决策过程中存在多种行为偏差，这些偏差在新闻联播效应中有着显著体现。过度自信是常见的行为偏差之一，许多投资者往往高估自己的投资能力和对市场的判断。在面对新闻联播报道时，过度自信的投资者可能会过度解读报道内容，认为自己能够准确把握投资机会，从而做出过于激进的投资决策。若新闻联播报道某上市公司获得了一项新技术专利，过度自信的投资者可能会认为该公司未来业绩将大幅增长，而忽视了技术转化为实际收益的不确定性以及市场竞争等因素，进而大量买入该公司股票。损失厌恶也是影响投资者决策的重要行为偏差。投资者在面对损失时，往往比面对收益时更加敏感，会更倾向于冒险以避免损失，而在面对盈利时，却过早地获利了结。在新闻联播报道引发市场波动时，损失厌恶的投资者会格外关注股票价格的下跌风险。当新闻联播报道某行业面临政策调整风险时，持有该行业股票的损失厌恶投资者可能会迅速卖出股票，以避免潜在的损失，而忽略了该行业长期的发展潜力和政策调整带来的机遇。羊群效应在新闻联播效应中也较为普遍。当看到大部分投资者采取某种行动时，个体投资者往往会跟随，而忽略了自身的分析和判断。新闻联播作为具有广泛影响力的媒体，其报道容易引发投资者的羊群行为。当新闻联播报道某一热点行业时，大量投资者可能会跟随市场热点，纷纷买入该行业的股票，而不考虑自身的投资目标和风险承受能力。这种盲目跟从可能导致市场的过度波动，使股票价格偏离其内在价值。处置效应表现为投资者倾向于卖出盈利的股票，而保留亏损的股票，期望它们能够回本。在新闻联播报道对股