基于A股市场的个人投资者情绪与股票收益的关联性实证剖析

基于A股市场的个人投资者情绪与股票收益的关联性实证剖析一、引言1.1研究背景随着中国经济的持续增长和金融市场的逐步完善，A股市场在国民经济中的地位日益重要。自1990年上海证券交易所和1991年深圳证券交易所相继成立以来，A股市场经历了从无到有、从小到大的快速发展阶段。截至2024年，A股上市公司数量已超过5000家，总市值规模庞大，成为全球最重要的资本市场之一。在A股市场的参与者结构中，个人投资者占据着举足轻重的地位。尽管近年来机构投资者的规模和影响力不断提升，但个人投资者无论是在数量还是持股市值方面，仍在市场中占据相当大的比重。根据申万宏源对A股市场投资者结构的五分法研究，2023年末一般个人投资者持股市值占比达33.4%。以流通股计算，尽管个人投资者持有市值占比从2015年的77.31%降至2023年第一季度的58.89%，但依然是A股市场最大的投资主体。个人投资者的交易行为频繁，其交易活跃度对市场整体的成交量和换手率有着显著影响。据统计，A股市场的日均换手率在一定程度上受到个人投资者频繁买卖操作的推动，在市场波动较大时期，个人投资者的交易活跃度更是大幅提升。投资者情绪作为行为金融学中的关键概念，对金融市场尤其是股票市场的影响备受关注。投资者并非完全理性的经济人，在投资决策过程中，往往会受到各种情绪因素的干扰，如恐惧、贪婪、乐观、悲观等。这些情绪会导致投资者对股票的价值判断和未来收益预期产生偏差，进而影响其投资决策行为，最终对股票价格和收益产生影响。当投资者普遍处于乐观情绪时，往往会过度自信，高估股票的未来收益，从而加大对股票的买入力度，推动股票价格上涨，使得股票收益增加；反之，当投资者陷入悲观情绪时，会过度担忧风险，低估股票价值，大量抛售股票，导致股票价格下跌，收益减少。在股票市场处于牛市阶段时，投资者的乐观情绪不断蔓延，市场上充斥着对股票价格持续上涨的预期，吸引大量个人投资者纷纷入场，推动股票价格进一步攀升；而在熊市期间，投资者的悲观情绪占据主导，纷纷抛售股票，造成股票价格加速下跌，市场恐慌情绪加剧。鉴于A股市场中个人投资者的重要地位以及投资者情绪对股票收益的潜在影响，深入研究个人投资者情绪与股票收益之间的关系具有重要的理论和现实意义。从理论角度来看，有助于进一步完善行为金融学理论体系，深入理解投资者情绪在股票市场中的作用机制；从实践角度出发，能够为个人投资者提供更科学的投资决策依据，帮助其更好地应对市场波动，提高投资收益；同时，也为监管部门制定合理的市场政策、维护市场稳定提供参考。1.2研究目的与意义本研究旨在深入剖析A股市场中个人投资者情绪与股票收益之间的内在联系，通过构建科学合理的投资者情绪指标体系，运用实证分析方法，揭示二者之间的作用机制和影响规律。具体而言，一是精确测度个人投资者情绪，综合运用直接指标和间接指标，通过主成分分析法等构建全面、准确反映个人投资者情绪的综合指标；二是运用多元回归模型、向量自回归模型等计量方法，深入探究个人投资者情绪对股票收益的短期和长期影响，以及不同市场行情下的影响差异；三是从行为金融学和心理学角度，剖析个人投资者情绪影响股票收益的内在作用路径，为投资者和监管部门提供理论支持。从理论层面来看，本研究具有重要意义。传统金融理论基于理性人假设和有效市场假说，认为投资者能够理性地评估股票价值和风险，股票价格能够充分反映所有信息，投资者情绪对股票收益没有实质性影响。然而，现实中的金融市场存在诸多非理性现象，如股票价格的过度波动、市场泡沫的形成与破灭等，这些现象无法用传统金融理论进行合理解释。本研究将投资者情绪纳入分析框架，有助于打破传统理论的局限，完善行为金融理论体系，为金融市场的研究提供新的视角和方法。通过深入探究个人投资者情绪对股票收益的影响机制，能够更好地理解投资者在市场中的行为偏差和决策过程，丰富对金融市场运行规律的认识，推动金融理论的创新与发展。在实践方面，本研究成果对个人投资者、监管部门以及金融机构等均具有重要的参考价值。对于个人投资者而言，了解自身情绪对投资决策的影响，有助于提高自我认知和情绪管理能力，避免因情绪冲动而做出错误的投资决策。投资者可以根据本研究提出的方法和指标，实时监测市场情绪，把握投资时机，制定更加科学合理的投资策略，从而提高投资收益，降低投资风险。在市场情绪过度乐观时，投资者能够保持冷静，避免盲目追涨；在市场情绪极度悲观时，投资者可以理性判断，抓住低价买入的机会。对于监管部门来说，本研究能够为其制定科学合理的市场监管政策提供依据。监管部门可以通过监测投资者情绪指标，及时掌握市场情绪的变化趋势，提前发现市场潜在的风险隐患，采取有效的调控措施，维护市场的稳定运行。当市场情绪过热，出现过度投机和泡沫迹象时，监管部门可以加强监管力度，发布风险提示，抑制市场过热；当市场情绪低迷，投资者信心不足时，监管部门可以出台利好政策，提振市场信心，促进市场的健康发展。此外，监管部门还可以通过加强投资者教育，引导投资者树立正确的投资理念，提高投资者的理性投资水平，减少非理性投资行为对市场的冲击。对于金融机构而言，本研究有助于其更好地了解市场动态和投资者需求，优化产品设计和服务策略。金融机构可以根据投资者情绪的变化，开发出更符合市场需求的金融产品，如在市场情绪乐观时，推出具有较高收益潜力的投资产品；在市场情绪悲观时，推出风险较低、收益稳定的理财产品。同时，金融机构还可以利用投资者情绪指标，改进投资组合管理和风险控制模型，提高投资决策的准确性和有效性，降低经营风险。1.3研究创新点在研究视角方面，本研究聚焦于A股市场中的个人投资者这一特定群体，与以往大多针对整体投资者情绪对股票收益影响的研究不同。A股市场个人投资者数量众多、交易行为活跃，其情绪特征和投资行为具有独特性。通过深入剖析个人投资者情绪，能够更精准地揭示投资者情绪在A股市场中的作用机制，为市场参与者和监管部门提供更具针对性的参考。以2020年疫情爆发初期为例，个人投资者因对市场前景的担忧，情绪普遍悲观，大量抛售股票，导致市场短期内大幅下跌。而机构投资者由于具备更完善的风险评估体系和长期投资策略，受情绪影响相对较小。本研究针对个人投资者情绪的分析，能够更深入地理解这一时期市场波动的内在原因。在研究方法上，本研究将文本挖掘技术与传统的统计分析方法相结合。一方面，运用文本挖掘技术从股吧、财经论坛等网络平台的海量文本数据中提取个人投资者的情绪信息，这些数据包含了投资者最真实、即时的情绪表达，能够弥补传统问卷调查数据在样本数量和时效性上的不足；另一方面，结合市场交易数据和宏观经济数据等，运用主成分分析法构建投资者情绪综合指标，并通过多元回归模型、向量自回归模型等计量方法进行实证分析，使研究结果更加科学、可靠。通过对股吧中关于某只股票的讨论帖进行文本挖掘，获取投资者的情绪倾向，再结合该股票的交易数据进行分析，能够更全面地了解投资者情绪与股票收益之间的动态关系。在样本选取上，本研究扩大了样本范围和时间跨度。不仅选取了沪深两市主板的股票，还纳入了创业板和科创板的股票，使样本更具代表性，能够涵盖不同板块市场的特征和投资者情绪表现。同时，时间跨度从以往研究的几年延长至近十年，能够更好地反映市场周期变化和不同市场环境下个人投资者情绪对股票收益的影响，增强研究结论的普遍性和适用性。通过对近十年不同市场行情下（牛市、熊市、震荡市）个人投资者情绪与股票收益关系的分析，可以发现不同市场环境下两者关系的差异和变化规律，为投资者在不同市场阶段制定投资策略提供更全面的依据。二、理论基础与文献综述2.1相关理论基础2.1.1行为金融学理论行为金融学作为一门新兴的交叉学科，融合了心理学、社会学和认知科学等多学科知识，对传统金融学的理性人假设和有效市场假说提出了挑战。它认为投资者在金融市场中并非完全理性，其投资决策会受到各种心理因素和情绪的影响，这些因素导致投资者的行为出现偏差，进而影响金融市场的运行和资产价格的波动。前景理论是行为金融学的重要理论之一，由丹尼尔・卡尼曼（DanielKahneman）和阿莫斯・特沃斯基（AmosTversky）于1979年提出。该理论指出，个人在面对风险和不确定性时的决策行为，并非像传统期望效用理论所假设的那样，基于对最终财富的绝对水平进行考量，而是更侧重于结果与参考点之间的相对变化。人们在决策过程中，会将损失和收益放在不同的心理账户中进行评估，并且对损失的敏感度要高于对同等收益的敏感度，即存在损失厌恶的心理特征。在股票投资中，当投资者购买的股票价格下跌时，他们往往会感到极度痛苦，这种痛苦程度远远超过了股票价格上涨时所带来的喜悦。即使股票的基本面并没有发生实质性变化，投资者也可能因为害怕进一步损失而匆忙抛售股票，导致股票价格进一步下跌。心理账户理论由理查德・塞勒（RichardThaler）提出，认为人们在心里会无意识地将财富划归到不同的账户进行管理，每个账户都有其独特的记账方式和心理运算规则。这些心理账户之间通常不具备完全的替代性，这使得人们在面对相同金额的财富时，会因其所处的心理账户不同而做出截然不同的决策。投资者可能会将自己的一部分资金划分到“储蓄账户”，用于应对未来的生活需求，对这部分资金的投资决策会相对保守；而将另一部分资金划分到“投资账户”，用于追求更高的收益，在这个账户中，投资者可能会更愿意承担一定的风险。当投资者从“投资账户”中获得一笔收益时，可能会将其视为额外的财富，更倾向于将其用于高风险的投资，而忽略了潜在的风险；相反，当“投资账户”出现损失时，投资者可能会变得过度谨慎，不敢轻易进行新的投资，即使有良好的投资机会也可能错过。过度自信理论也是行为金融学的重要组成部分，它指出投资者往往会高估自己的能力和知识水平，对自己的投资决策过度自信。这种过度自信会导致投资者低估风险，高估投资收益，从而做出不合理的投资决策。一些投资者可能会认为自己对某只股票的研究足够深入，能够准确预测其价格走势，从而大量买入该股票。然而，市场情况复杂多变，受到多种因素的影响，即使是最专业的投资者也难以准确预测股票价格的变化。这些过度自信的投资者可能会因为市场的意外变化而遭受损失。羊群效应理论则强调投资者在投资过程中，往往会受到其他投资者行为的影响，而忽视自己所掌握的信息，盲目地跟随大众的投资决策。在股票市场中，当市场上大多数投资者都在买入某只股票时，其他投资者可能会受到这种群体行为的影响，认为该股票具有投资价值，也纷纷跟进买入，导致股票价格被推高；反之，当市场上出现恐慌性抛售时，投资者也容易受到情绪的传染，跟风抛售股票，引发股票价格的暴跌。在2020年初疫情爆发初期，股票市场出现了大幅下跌，许多投资者由于受到市场恐慌情绪的影响，纷纷抛售股票，而没有考虑到疫情对不同行业的影响程度不同，以及宏观经济政策对市场的支持作用。这种羊群效应加剧了市场的波动，使得投资者的投资决策变得更加非理性。2.1.2有效市场假说与投资者情绪的冲突有效市场假说（EfficientMarketsHypothesis，EMH）是传统金融学的核心理论之一，由尤金・法玛（EugeneF.Fama）于1970年正式提出。该假说认为，在一个有效的金融市场中，股票价格能够迅速、准确地反映所有可获得的信息，包括历史价格、交易量、宏观经济数据、公司财务报表等。这意味着市场参与者无法通过分析已有的信息来获取超额收益，因为任何新的信息都会立即被市场消化并反映在股票价格中。在有效市场中，股票价格遵循随机游走模型，其变化是不可预测的，投资者只能获得与风险相匹配的正常收益。然而，投资者情绪的存在与有效市场假说产生了明显的冲突。投资者情绪代表着投资者在投资决策过程中所表现出的情绪状态，包括恐惧、贪婪、乐观、悲观等。这些情绪会导致投资者对信息的解读和判断出现偏差，从而影响其投资行为。当投资者处于乐观情绪时，往往会高估股票的未来收益，低估风险，进而大量买入股票，推动股票价格上涨，使其偏离股票的内在价值；相反，当投资者陷入悲观情绪时，会过度担忧风险，低估股票的价值，大量抛售股票，导致股票价格下跌，同样偏离其内在价值。在股票市场的牛市阶段，投资者的乐观情绪不断蔓延，市场上充斥着对股票价格持续上涨的预期，这种情绪导致投资者对股票的需求大幅增加，即使公司的基本面并没有发生显著变化，股票价格也会被不断推高，形成资产泡沫；而在熊市期间，投资者的悲观情绪占据主导，对市场前景充满担忧，纷纷抛售股票，使得股票价格过度下跌，市场出现过度反应。从信息传递和市场参与者行为的角度来看，有效市场假说假设所有市场参与者都是理性的，能够迅速、准确地处理和分析信息，并根据信息做出合理的投资决策。但在现实中，投资者受到情绪的影响，往往无法完全理性地对待信息。投资者可能会对某些信息过度关注，而对其他重要信息视而不见，或者对信息进行错误的解读和判断。在面对利好消息时，乐观情绪的投资者可能会过度解读，认为股票价格将大幅上涨，从而盲目买入；而在面对利空消息时，悲观情绪的投资者可能会过度恐慌，夸大消息的负面影响，匆忙抛售股票。这种由于情绪导致的信息处理偏差，使得股票价格不能准确反映所有信息，与有效市场假说的假设相矛盾。投资者情绪还会通过影响市场的流动性和交易行为，进一步破坏市场的有效性。当投资者情绪高涨时，市场交易活跃，成交量大幅增加，可能会导致股票价格的波动加剧；而当投资者情绪低落时，市场交易清淡，流动性下降，股票价格可能会出现过度下跌或上涨乏力的情况。这些由投资者情绪引发的市场波动和交易行为的变化，使得股票价格难以稳定地反映其内在价值，从而对有效市场假说构成挑战。2.2国内外文献综述2.2.1投资者情绪的度量方法投资者情绪的度量是研究其对股票收益影响的关键前提，由于投资者情绪具有主观性和抽象性，难以直接准确衡量，因此国内外学者从多个角度提出了丰富多样的度量方法，主要可分为显性情绪指标、隐性情绪指标和综合情绪指标三大类。显性情绪指标通常通过直接调查的方式获取，旨在直接反映投资者对市场未来的预期和看法。国外学者Fisher和Statman在2000年将投资者情绪指标用投资者情绪对在被调查对象中未来看涨的人数与调查人数总数的百分比代替，以此来衡量投资者情绪。Azar和Lo于2016年使用Twitter软件调查民众在美联储召开联邦会议后对于未来市场的反馈信息作为投资者情绪衡量指标，利用社交媒体平台的即时性和广泛性，获取投资者的情绪表达。在国内，汪昌云和武佳薇针对我国市场建立了金融媒体预期数据库，将数据库中的媒体语气进行处理作为衡量投资者情绪的指标，并通过实证研究来解释IPO发行出现抑价的问题，为国内投资者情绪度量提供了新的思路。然而，显性情绪指标存在一定局限性，投资者在问卷调查中可能存在顾虑，导致调查结果与真实心理存在偏差；且在实际投资决策中，投资者行为并非完全与情绪一致，同时调查样本的局限性也可能使指数存在偏差，无法全面真实地反映投资者在决策过程中的情绪。隐性情绪指标则是根据公开市场的交易数据来间接衡量投资者情绪，具有客观性和数据可得性高的优点。常用的隐性情绪指标包括IPO发行数量、IPO首发收益率、市场换手率、封闭式基金折价率等。Huang等学者在2015年将IPO公司月度数据作为投资者情绪的间接指标进行实证分析，提出投资者情绪可以影响个股公司的股票收益率。Jiang等学者在2016年将上市公司财报数据以及会议中文本数据进行处理，作为投资者情绪的间接指标，通过LM词典法构建文本的情感指数，通过实证分析得出文本情感指数对股票的收益率产生负相关的影响。韩立岩和伍燕然认为投资者情绪的交易行为会导致IPO发行市场的无效性，当投资者情绪低落时，会降低对上市公司的估值，影响IPO发行热情。在封闭式基金折价率方面，国外学者Neal和Wheatley将基金市场中共同基金赎回程度作为衡量投资者情绪的指标，发现投资者情绪与基金市场中共同基金赎回比例存在显著负相关关系。国内学者黄少和安达、韩立岩和伍燕然通过研究投资者情绪对我国封闭式基金的影响，发现投资者情绪能够合理解释封闭式基金在基金市场发行中出现的折价现象。市场换手率通常用来表达投资者在交易过程中的投资意愿，当投资者对于一家公司股票的未来预期较为乐观时，市场中的换手率就会越高，成交量也越高，在一定程度上反映了投资者对于股票未来的乐观或悲观情绪。但是，市场表现受多种因素的综合影响，难以将投资者情绪从众多因素中准确分离出来。为了更全面、准确地反映投资者情绪，学者们提出了构建综合情绪指标的方法，即从上述直接指标和间接指标中选取几个重要指标，运用主成分分析法或者熵值法进行加权，得出能够衡量投资者情绪的综合指标。国外学者Brown和Cliff在2004年将获取有关投资者情绪的调查问卷数据和一些衡量投资者情绪的间接指标利用主成分分析法构建出衡量投资者情绪的综合指标。Baker和Wurgler在2006年将股票市场中的换手率、IPO上市的首日收益率以及股利分配政策等六个指标利用主成分分析法衡量投资者情绪指标，简称BW指数构建法，此后BW指数被广泛用于有关投资者情绪的研究中。综合指标相比单一的直接指标和间接指标更具说服力，能够综合多个维度的信息，更全面地反映投资者情绪的变化。随着计算机技术和互联网的飞速发展，基于互联网与大数据的新型指标也逐渐兴起。目前使用较多的是基于媒体报道、社交论坛等文本信息挖掘的情绪指标，以及基于搜索行为的情绪指标。一般使用文本分析方法从文本大数据中提取情绪信息，例如通过分析投资者在股吧、财经论坛等社交平台上的发言内容，了解他们对市场的看法和情绪。也有学者利用互联网搜索引擎提供的相关关键词的搜索量建立情绪指标，国外学者一般使用谷歌趋势提供的关键词搜索量，国内学者一般使用百度指数提供的关键词搜索量，这些新型指标为投资者情绪的度量提供了更丰富的数据来源和更及时的信息。2.2.2投资者情绪对股票收益的影响研究投资者情绪对股票收益的影响是行为金融学领域的研究重点，国内外学者通过理论分析和实证研究，深入探讨了二者之间的关系，发现投资者情绪对股票收益的影响具有复杂性和多样性，不仅在短期和长期表现出不同的影响，对不同市值和行业的股票收益也存在差异。许多研究表明，投资者情绪在短期内对股票收益有着显著影响。当投资者情绪高涨时，往往伴随着乐观情绪的蔓延，投资者对股票的需求增加，推动股票价格上涨，从而使股票收益上升；相反，当投资者情绪低落时，悲观情绪主导市场，投资者纷纷抛售股票，导致股票价格下跌，股票收益下降。Chen、Kim、Nofsinger和Rui通过对中国股票市场的研究发现，投资者情绪与股票收益之间存在正向关系，在市场情绪高涨时期，股票收益显著增加。在2015年上半年的A股牛市行情中，投资者情绪极度乐观，大量资金涌入股市，推动股票价格持续攀升，股票收益率大幅提高；然而，在下半年市场情绪急转直下，投资者恐慌性抛售，股票价格暴跌，股票收益急剧下降。这种短期的情绪驱动的价格波动，使得股票收益呈现出明显的起伏。从长期来看，投资者情绪对股票收益的影响则更为复杂。部分学者认为，虽然短期内投资者情绪会导致股票价格偏离其内在价值，但从长期而言，市场会逐渐纠正这种偏差，股票价格会回归到其真实价值水平，投资者情绪对股票收益的影响会逐渐减弱。但也有研究指出，长期内投资者情绪可能通过影响公司的基本面和市场的整体预期，进而对股票收益产生持续的影响。Baker和Wurgler的研究表明，投资者情绪能够影响股票的长期收益，情绪指标的变化可以预测股票收益在未来3-5年的走势。如果投资者长期对某一行业或公司保持乐观情绪，可能会促使公司获得更多的资金支持，用于研发、扩张等，从而提升公司的基本面，进而对股票的长期收益产生积极影响；反之，如果长期处于悲观情绪，可能会抑制公司的发展，对股票长期收益产生负面影响。投资者情绪对不同市值股票收益的影响也存在显著差异。一般来说，小市值股票由于其股本较小，流动性相对较差，更容易受到投资者情绪的影响。当投资者情绪高涨时，对小市值股票的炒作热情更高，资金的流入会使小市值股票价格上涨幅度更大，股票收益增加更为明显；而在投资者情绪低落时，小市值股票也更容易遭受抛售，价格下跌幅度更大，股票收益下降更为显著。Chen和Knez研究发现，小市值股票的收益对投资者情绪的变化更为敏感，投资者情绪的波动会导致小市值股票收益的大幅波动。相比之下，大市值股票由于其规模较大，业绩相对稳定，受到投资者情绪的影响相对较小。大市值股票往往是行业的龙头企业，具有较强的抗风险能力和稳定的现金流，其股票价格更多地受到公司基本面和宏观经济环境的影响，投资者情绪对其股票收益的影响相对较弱。在行业方面，不同行业的股票对投资者情绪的反应也各不相同。一些行业由于其自身特点，对投资者情绪的敏感度较高。科技行业通常具有较高的创新性和不确定性，投资者对其未来发展前景的预期容易受到情绪的影响。当投资者情绪乐观时，对科技行业的创新潜力充满信心，会加大对科技股的投资，推动科技股价格上涨，股票收益增加；而当投资者情绪悲观时，对科技行业的不确定性担忧加剧，会减少对科技股的投资，导致科技股价格下跌，股票收益下降。消费行业则相对较为稳定，受投资者情绪的影响相对较小。消费行业的需求相对稳定，与人们的日常生活密切相关，其业绩受宏观经济环境和消费者信心的影响较大，但投资者情绪对其股票收益的影响相对有限。即使在投资者情绪波动较大的时期，消费行业的股票收益也相对较为稳定，因为消费者对日常消费品的需求不会因为投资者情绪的变化而发生大幅波动。2.2.3文献述评现有关于投资者情绪对股票收益影响的研究成果丰硕，为我们深入理解金融市场的运行机制提供了重要的理论和实证支持。在理论方面，行为金融学的发展为解释投资者情绪如何影响股票收益提供了坚实的理论基础，前景理论、心理账户理论、过度自信理论等从不同角度揭示了投资者在情绪影响下的决策行为和股票价格波动的原因。在实证研究中，学者们采用了多样化的研究方法和丰富的数据来源，从不同层面和角度验证了投资者情绪与股票收益之间的关系，包括短期和长期影响、不同市值和行业股票的差异等，为投资者和监管部门提供了有价值的参考。然而，现有研究仍存在一些不足之处。在研究方法上，虽然主成分分析法等被广泛应用于构建投资者情绪综合指标，但不同指标的选取和权重分配可能会对结果产生较大影响，且部分研究在处理数据时可能未充分考虑数据的异质性和内生性问题，导致研究结果的稳健性有待提高。在样本选取方面，一些研究的样本范围相对狭窄，可能仅选取了特定时期或特定市场的股票数据，这使得研究结果的普遍性和适用性受到限制，难以全面反映投资者情绪在不同市场环境下对股票收益的影响。不同市场环境和投资者结构也会对研究结果产生显著影响。中国A股市场具有独特的市场特征，如个人投资者占比较高、市场波动较大等，与国外成熟市场存在差异，直接套用国外的研究结论可能并不适用于A股市场。针对以上不足，本研究将在以下方面进行改进。在研究方法上，将综合运用多种计量方法，如向量自回归模型、面板数据模型等，充分考虑数据的时间序列特征和个体差异，以提高研究结果的可靠性和稳健性；同时，在构建投资者情绪指标时，将更加科学地选取指标和确定权重，并进行严格的敏感性分析和稳健性检验。在样本选取上，本研究将扩大样本范围，涵盖A股市场不同板块、不同行业和不同市值的股票，同时延长时间跨度，以更全面地反映市场周期变化和不同市场环境下投资者情绪对股票收益的影响。结合A股市场的特点，深入分析个人投资者情绪的特征和行为模式，探究其对股票收益的独特影响机制，以期为A股市场的投资者和监管部门提供更具针对性和实用性的建议。三、个人投资者情绪指标的选取与构建3.1指标选取原则为了准确、全面地衡量个人投资者情绪，本研究在选取指标时遵循以下原则：可获取性：指标数据应易于获取，能够从公开的金融数据库、互联网平台或权威统计机构获得，以确保研究的可行性和数据的可靠性。互联网金融数据平台如东方财富网、同花顺等，提供了丰富的股票交易数据，包括成交量、换手率等，这些数据可直接用于研究。相关性：选取的指标必须与个人投资者情绪密切相关，能够真实反映投资者在投资决策过程中的情绪变化和心理状态。新开户数与投资者情绪具有显著相关性，当市场情绪乐观时，新开户数通常会增加，因为更多投资者受到乐观情绪的影响，认为市场存在投资机会，从而积极开户入场；反之，在市场情绪悲观时，新开户数会减少，投资者对市场前景缺乏信心，选择观望或退出市场。全面性：考虑到投资者情绪的复杂性和多面性，指标体系应涵盖多个维度，从不同角度反映投资者情绪，避免因单一指标的局限性而导致对投资者情绪的片面理解。综合考虑市场交易数据、宏观经济数据以及投资者行为数据等多个方面的指标，如除了市场交易数据中的成交量、换手率，还纳入宏观经济数据中的消费者信心指数，以及投资者行为数据中的新增投资者开户数等，以全面反映投资者情绪。可靠性：指标应具有较高的稳定性和可靠性，数据来源可靠，统计方法科学合理，能够准确反映投资者情绪的真实情况，减少误差和噪声的干扰。对于市场交易数据，选择权威的金融数据提供商，确保数据的准确性和一致性；对于通过问卷调查等方式获取的数据，采用科学的抽样方法和严谨的问卷设计，以提高数据的可靠性。3.2具体指标选取3.2.1封闭式基金折价率封闭式基金折价率是指封闭式基金的市场价格低于其单位净值的百分比。其计算公式为：折价率=\frac{单位净值-市场价格}{单位净值}\times100\%。该指标被广泛用于衡量投资者情绪，其原理在于，当投资者情绪乐观时，对封闭式基金未来收益预期较高，愿意以较高价格购买，使得基金市场价格相对接近甚至高于单位净值，折价率降低；反之，当投资者情绪悲观时，对基金未来收益信心不足，会降低对基金的出价，导致基金市场价格低于单位净值，折价率升高。在市场处于牛市阶段时，投资者普遍对市场前景充满信心，乐观情绪高涨，此时封闭式基金的折价率往往较低。2014-2015年上半年的牛市行情中，市场上的封闭式基金折价率持续下降，部分基金甚至出现溢价交易的情况，这充分反映了投资者对基金未来收益的乐观预期，大量资金涌入市场，推动基金价格上升。相反，在熊市期间，投资者情绪悲观，对基金的未来表现持谨慎态度，纷纷抛售基金，导致基金价格下跌，折价率大幅上升。在2018年的熊市行情中，市场整体表现低迷，投资者信心受挫，封闭式基金的折价率普遍大幅提高，许多基金的折价率达到了较高水平，这表明投资者情绪极度悲观，对基金的估值大幅降低。封闭式基金折价率还受到市场整体流动性、投资者对基金管理团队的信任度等因素的影响。在市场流动性充裕时，投资者更容易买卖封闭式基金，折价率可能相对稳定；而当市场流动性紧张时，投资者为了快速变现，可能会以更低的价格出售基金，导致折价率上升。投资者对基金管理团队的投资能力和业绩表现有较高的信任度时，会更愿意持有基金，折价率相对较低；反之，若投资者对基金管理团队信心不足，会导致基金价格下跌，折价率升高。因此，在利用封闭式基金折价率衡量投资者情绪时，需要综合考虑这些因素的影响，以更准确地把握投资者情绪的变化。3.2.2市场换手率市场换手率是指一定时期内股票的成交量与流通股本的比率，它反映了股票在市场中的交易频繁程度。计算公式为：换手率=\frac{成交量}{流通股本}\times100\%。市场换手率与投资者情绪密切相关，当投资者情绪活跃时，对市场前景充满乐观或悲观的强烈预期，会频繁进行股票买卖操作，导致成交量大幅增加，换手率升高；而当投资者情绪平稳时，交易行为相对谨慎，成交量较低，换手率也相应较低。在牛市行情中，投资者情绪高涨，乐观情绪弥漫整个市场，他们对股票价格的上涨充满信心，积极买入股票，同时也愿意在股票价格上涨后及时卖出以获取利润，这种频繁的买卖行为使得市场换手率大幅提高。在2020-2021年的结构性牛市中，部分热门板块如新能源、半导体等，投资者情绪极为活跃，对这些板块的股票交易热情高涨，相关股票的换手率持续处于高位，每日换手率经常超过10%，甚至在某些交易日达到20%以上，这充分体现了投资者情绪对市场换手率的显著影响。相反，在熊市期间，投资者情绪低落，对市场前景感到悲观，交易意愿大幅下降，成交量急剧萎缩，换手率也随之降低。在2018年的熊市中，市场整体换手率处于较低水平，许多股票的日换手率不足1%，反映出投资者情绪的低迷和市场交易的清淡。市场换手率还受到市场热点的影响。当市场出现新的热点板块或概念时，投资者会迅速将资金投入到这些热点领域，导致相关股票的换手率大幅上升；而当热点消退时，换手率又会逐渐回落。市场上出现了“碳中和”概念，引发了投资者对相关新能源、环保等板块的高度关注和投资热情，这些板块的股票换手率在短期内迅速飙升，成为市场的焦点；随着时间的推移，当市场对该概念的热度逐渐降温，相关股票的换手率也逐渐回归到正常水平。因此，市场换手率作为反映投资者情绪的重要指标，能够直观地体现市场的活跃程度和投资者情绪的变化，对于研究投资者情绪与股票收益的关系具有重要意义。3.2.3新增投资者开户数新增投资者开户数是指在一定时期内新开设证券交易账户的投资者数量，它直接反映了投资者参与股票市场的热情和积极性。当市场行情向好，投资者普遍对市场前景持乐观态度时，认为市场存在较多的投资机会，会吸引大量新投资者涌入市场，新增投资者开户数相应增加；反之，当市场行情不佳，投资者情绪悲观，对市场前景缺乏信心时，新投资者开户的意愿会降低，新增投资者开户数也会减少。在2015年上半年的牛市行情中，股票市场表现异常火爆，指数持续上涨，投资者情绪极度乐观，大量新投资者被市场的赚钱效应所吸引，纷纷涌入股市。据中国证券登记结算有限责任公司数据显示，2015年4月，新增投资者开户数达到495.65万户，创下历史新高，这一数据充分表明了当时投资者对市场的高度热情和积极参与的态度。相反，在2018年的熊市期间，市场持续下跌，投资者情绪低落，市场信心受到严重打击，新增投资者开户数大幅下降。2018年全年新增投资者开户数仅为1005.08万户，较2017年的1582.26万户大幅减少，这清晰地反映出投资者在悲观情绪下对市场的谨慎态度和较低的参与意愿。新增投资者开户数的变化不仅反映了市场短期的情绪波动，还对市场的长期发展具有重要影响。大量新增投资者的涌入，会为市场带来新的资金和活力，推动市场的发展壮大；而新增投资者开户数的持续减少，则可能预示着市场的发展面临一定的困境，需要引起关注。新增投资者的投资行为和理念也会对市场产生影响。新投资者往往缺乏投资经验，更容易受到情绪的影响，其投资决策可能会加剧市场的波动。因此，研究新增投资者开户数对于深入了解投资者情绪的变化以及市场的发展趋势具有重要的参考价值。3.2.4社交媒体情绪指标随着互联网和社交媒体的迅速发展，社交媒体已成为个人投资者表达观点和情绪的重要平台。通过文本挖掘技术，可以从社交媒体平台如股吧、财经论坛等的海量文本数据中提取投资者情绪指标，从而更直接、及时地反映个人投资者的情绪状态。在股吧中，投资者会发布大量关于股票的讨论帖，这些帖子中包含了他们对股票走势的看法、对市场的预期以及自身的情绪表达。通过文本挖掘技术，对这些帖子的内容进行情感分析，可以判断投资者的情绪倾向是乐观、悲观还是中性。具体来说，首先运用自然语言处理技术对帖子文本进行分词、词性标注、去除停用词等预处理操作，将文本转化为计算机可处理的形式；然后，利用情感词典或机器学习算法，对预处理后的文本进行情感分类，判断每个帖子所表达的情绪是积极、消极还是中性；最后，根据一定的计算方法，如统计积极帖子和消极帖子的数量比例，构建出反映投资者情绪的指标。情绪跟踪指数也是一种常用的社交媒体情绪指标。通过对社交媒体上与股票市场相关的关键词进行实时监测，收集相关帖子和评论，运用文本挖掘和数据分析技术，对这些文本的情感倾向进行量化分析，从而构建出情绪跟踪指数。当指数上升时，表示投资者情绪趋于乐观；指数下降时，则表示投资者情绪转为悲观。在某一时期，社交媒体上关于某只股票的讨论中，正面评价的数量大幅增加，情绪跟踪指数相应上升，这可能预示着投资者对该股票的信心增强，情绪趋于乐观，进而可能影响该股票的市场表现；反之，若负面评价增多，情绪跟踪指数下降，投资者情绪悲观，可能导致股票价格下跌。社交媒体情绪指标具有实时性和广泛性的优势，能够及时反映投资者的最新情绪变化，且涵盖了大量投资者的观点和情绪，更全面地反映了市场情绪的整体状况。但该指标也存在一定局限性，如社交媒体上的信息质量参差不齐，存在虚假信息和噪音干扰，可能影响情绪指标的准确性；同时，文本挖掘和情感分析技术在处理复杂语义和语境时还存在一定的误差，需要进一步优化和改进。因此，在使用社交媒体情绪指标时，需要结合其他指标进行综合分析，以更准确地把握投资者情绪对股票收益的影响。3.3投资者情绪综合指数的构建3.3.1主成分分析法原理主成分分析法（PrincipalComponentAnalysis，PCA）是一种常用的多元统计分析方法，其核心目的是将多个存在相关性的变量转化为少数几个互不相关的综合变量，这些综合变量被称为主成分。在保留原始变量绝大部分信息的前提下，实现数据的降维，简化数据结构，便于后续的分析和处理。假设有n个样本，每个样本有p个变量X_1,X_2,\cdots,X_p，这些变量之间可能存在较强的相关性。主成分分析法通过线性变换，将原始变量转换为一组新的变量Y_1,Y_2,\cdots,Y_m（m\leqp），其中Y_1称为第一主成分，Y_2称为第二主成分，以此类推。第一主成分Y_1是原始变量X_1,X_2,\cdots,X_p的线性组合，且在所有可能的线性组合中，Y_1的方差最大，即它能够反映原始变量的最大信息；第二主成分Y_2是与Y_1不相关的原始变量的线性组合中，方差次大的，以此类推。在构建投资者情绪综合指数时，主成分分析法能够有效地整合多个情绪指标，将封闭式基金折价率、市场换手率、新增投资者开户数、社交媒体情绪指标等多个指标转化为少数几个主成分。这些主成分既保留了原始指标的主要信息，又消除了指标之间的相关性，使得构建的综合指数更加简洁、准确地反映投资者情绪的变化。通过主成分分析法，可以提取出最能代表投资者情绪的几个主成分，将其作为构建综合指数的基础，避免了因指标过多且相互关联而导致的信息重叠和分析复杂性增加的问题，从而更清晰地揭示投资者情绪与股票收益之间的关系。3.3.2利用主成分分析法构建综合指数的步骤数据标准化：由于选取的原始指标如封闭式基金折价率、市场换手率、新增投资者开户数等，它们的量纲和数量级各不相同，直接进行分析会导致结果受到指标量纲的影响。因此，在进行主成分分析之前，需要对原始数据进行标准化处理，使其具有相同的均值和标准差，消除量纲差异对分析结果的影响。标准化公式为：Z_{ij}=\frac{X_{ij}-\overline{X_j}}{S_j}，其中Z_{ij}是标准化后的数据，X_{ij}是第i个样本的第j个指标的原始数据，\overline{X_j}是第j个指标的均值，S_j是第j个指标的标准差。通过标准化处理，使得所有指标在同一尺度上进行比较，确保后续分析的准确性和可靠性。计算相关系数矩阵：对标准化后的数据计算相关系数矩阵R，相关系数矩阵能够反映各指标之间的线性相关程度。矩阵中的元素r_{ij}表示第i个指标和第j个指标之间的相关系数，计算公式为：r_{ij}=\frac{\sum_{k=1}^{n}(Z_{ki}-\overline{Z_i})(Z_{kj}-\overline{Z_j})}{\sqrt{\sum_{k=1}^{n}(Z_{ki}-\overline{Z_i})^2\sum_{k=1}^{n}(Z_{kj}-\overline{Z_j})^2}}，其中n为样本数量，Z_{ki}和Z_{kj}分别是第k个样本的第i个和第j个标准化指标值。通过分析相关系数矩阵，可以了解各指标之间的相互关系，为后续提取主成分提供依据。如果某些指标之间的相关系数较高，说明它们之间存在较强的线性相关性，在主成分分析中可能会被归为同一主成分。求解特征值和特征向量：对相关系数矩阵R求解特征值\lambda_1\geq\lambda_2\geq\cdots\geq\lambda_p和对应的特征向量e_1,e_2,\cdots,e_p。特征值\lambda_j表示第j个主成分的方差大小，方差越大，说明该主成分包含的原始信息越多；特征向量e_j则确定了主成分与原始指标之间的线性组合关系。例如，第j个主成分Y_j可以表示为：Y_j=e_{1j}Z_1+e_{2j}Z_2+\cdots+e_{pj}Z_p，其中e_{ij}是第j个特征向量的第i个分量，Z_i是标准化后的第i个指标。通过求解特征值和特征向量，能够确定每个主成分的重要程度和构成方式。确定主成分个数：根据特征值的大小和累计贡献率来确定主成分的个数。一般选取累计贡献率达到一定阈值（如80%或85%）的前m个主成分，累计贡献率的计算公式为：累计贡献率=\frac{\sum_{i=1}^{m}\lambda_i}{\sum_{i=1}^{p}\lambda_i}。前m个主成分虽然数量较少，但它们能够解释原始指标的大部分信息，实现数据的有效降维。例如，通过计算得到前两个主成分的累计贡献率达到了85%，则可以确定选取这两个主成分来构建投资者情绪综合指数，这样既保留了原始指标的主要信息，又简化了数据结构，便于后续分析。计算综合指数：根据确定的主成分个数和对应的特征向量，计算投资者情绪综合指数。假设选取了前m个主成分Y_1,Y_2,\cdots,Y_m，则综合指数S可以表示为：S=w_1Y_1+w_2Y_2+\cdots+w_mY_m，其中w_i是第i个主成分的权重，通常可以采用方差贡献率作为权重，即w_i=\frac{\lambda_i}{\sum_{i=1}^{m}\lambda_i}。通过这种方式计算得到的综合指数，能够全面、准确地反映投资者情绪的变化情况，为后续研究投资者情绪对股票收益的影响提供了有力的工具。四、A股市场股票收益的度量与特征分析4.1股票收益的度量方法在金融市场研究中，准确度量股票收益是分析市场表现和投资决策的基础。常用的股票收益度量方法主要有简单收益率和对数收益率。简单收益率是指两个相邻价格之间的变化率，计算公式为：R_t=\frac{P_t-P_{t-1}}{P_{t-1}}，其中R_t表示第t期的简单收益率，P_t为第t期的股票价格，P_{t-1}为第t-1期的股票价格。假设某股票在第t-1期的价格为10元，在第t期的价格上涨到11元，那么根据简单收益率公式计算可得，该股票在第t期的简单收益率为R_t=\frac{11-10}{10}=0.1，即10%。简单收益率的计算方法直观易懂，能够直接反映股票价格的相对变化，在实际投资中，投资者可以通过简单收益率快速了解股票价格的涨跌情况，判断投资的盈亏。对数收益率则是指取对数后，每两个价格之间的差值，其计算公式为：r_t=\ln(\frac{P_t}{P_{t-1}})，其中r_t表示第t期的对数收益率。仍以上述股票为例，该股票在第t期的对数收益率为r_t=\ln(\frac{11}{10})\approx0.0953。对数收益率在金融研究中具有独特的优势，它在处理多期收益率时具有良好的数学性质，能够更准确地反映资产的连续复利收益情况。在研究长期投资时，对数收益率可以直接相加，方便计算资产在多个时期的总收益率。假设某股票在三个连续时期的对数收益率分别为r_1、r_2、r_3，那么该股票在这三个时期的总对数收益率为R=r_1+r_2+r_3，这种可加性使得对数收益率在分析长期投资绩效时更加便捷和准确。在研究A股市场股票收益时，本研究选择对数收益率作为度量指标，主要基于以下原因。从理论角度来看，对数收益率在数学性质上更符合金融市场的一些假设和模型。在金融市场中，通常假设股票价格的变化遵循布朗运动，而对数收益率服从正态分布，这使得对数收益率在运用一些基于正态分布假设的统计分析方法和金融模型时更加合适。在使用资本资产定价模型（CAPM）、套利定价理论（APT）等进行资产定价和风险分析时，对数收益率能够更好地满足模型的假设条件，从而提高分析结果的准确性和可靠性。从实证研究的角度出发，对数收益率能够更好地处理股票价格的波动和复利效应。在A股市场中，股票价格波动频繁，对数收益率能够更有效地反映价格波动对收益的影响。对数收益率考虑了复利的因素，更真实地体现了投资者在长期投资过程中的实际收益情况。在长期投资中，投资者的收益不仅来自于股票价格的单次涨跌，还包括收益的再投资所产生的复利收益，对数收益率能够准确地反映这种复利效应，为投资者提供更全面的收益信息。当股票价格出现连续上涨或下跌时，对数收益率能够更准确地衡量投资者的实际收益变化，避免简单收益率在处理复杂价格波动时可能产生的偏差。综上所述，对数收益率在理论和实证研究中都具有明显的优势，更适合用于度量A股市场股票收益。4.2A股市场股票收益的统计特征分析4.2.1描述性统计分析本研究选取了A股市场中具有代表性的500只股票作为样本，样本时间跨度为2014年1月1日至2023年12月31日，涵盖了完整的市场周期，包括牛市、熊市和震荡市，以全面反映市场不同阶段股票收益的特征。通过对样本股票对数收益率的计算，运用Python的pandas和numpy库进行描述性统计分析，得到以下结果。样本股票收益率的均值为0.0012，这意味着在样本期间内，平均来看，股票每日收益率为0.12%。但需要注意的是，该均值受到市场整体走势和个别股票异常收益的影响，仅能作为一个总体的参考指标。不同年份的股票收益率均值存在较大差异，在2015年上半年的牛市行情中，股票收益率均值显著高于样本期平均水平，而在2018年的熊市期间，收益率均值则为负数。标准差是衡量数据离散程度的重要指标，样本股票收益率的标准差为0.0234，表明股票收益率的波动较为明显，不同股票之间的收益差异较大。在市场波动较大的时期，如2015年股灾期间和2020年初疫情爆发初期，股票收益率的标准差急剧增大，反映出市场的高度不确定性和风险水平的上升。偏度是描述数据分布对称性的指标，样本股票收益率的偏度为-0.23，呈现左偏态分布。这意味着股票收益率分布的左侧（即负收益一侧）的尾部较长，出现大幅负收益的概率相对较大，投资者面临的下行风险不容忽视。在市场下跌阶段，股票价格的下跌速度往往比上涨速度更快，跌幅也更大，导致收益率分布呈现左偏特征。峰度用于衡量数据分布的尖峰程度，样本股票收益率的峰度为4.56，远高于正态分布的峰度值3，呈现出尖峰厚尾的特征。这表明股票收益率分布在均值附近的峰值更高，即出现小幅度收益的概率较大；同时，分布的尾部更厚，意味着极端收益（大幅上涨或下跌）发生的概率也相对较高，市场存在较大的风险和不确定性。在2015年股灾和2020年疫情引发的市场暴跌中，股票收益率出现了极端的负收益情况，充分体现了收益率分布的尖峰厚尾特征。通过对样本股票收益率的描述性统计分析，可以看出A股市场股票收益具有明显的波动性、非对称性和尖峰厚尾特征，这与传统金融理论中关于股票收益服从正态分布的假设存在较大差异，为后续研究投资者情绪对股票收益的影响提供了重要的现实背景。4.2.2相关性分析为了深入了解A股市场中不同股票之间以及股票与市场指数之间的收益关系，本研究对样本股票收益率以及上证综指收益率进行了相关性分析。运用Python的pandas库计算了相关系数矩阵，并采用热力图进行可视化展示，以便更直观地观察相关性的强弱和分布情况。在不同股票收益率之间的相关性方面，整体呈现出较为复杂的关系。部分同行业股票之间的相关性较高，如白酒行业的贵州茅台、五粮液等股票，它们的收益率相关系数达到了0.8以上，这是由于这些股票所处行业的经济环境、市场需求等因素具有相似性，行业内的企业面临着共同的市场机遇和挑战，因此股票价格的波动也较为同步。当白酒行业整体受益于消费升级，市场需求旺盛时，贵州茅台和五粮液的股票价格往往会同时上涨，收益率呈现正相关。而不同行业股票之间的相关性则相对较低，如科技行业的中芯国际与金融行业的工商银行，它们的收益率相关系数仅为0.3左右。这是因为不同行业的发展周期、市场竞争格局、宏观经济影响因素等存在差异，导致股票价格的波动独立性较强。科技行业受技术创新、行业竞争等因素影响较大，而金融行业则主要受到宏观经济政策、利率变动等因素的制约，两者之间的关联度较低。在股票收益率与市场指数收益率的相关性方面，样本股票收益率与上证综指收益率的平均相关系数为0.65，呈现出较强的正相关关系。这表明A股市场中大部分股票的价格走势与市场整体指数的变动方向具有一致性，市场指数的涨跌对股票价格有着重要的影响。当上证综指上涨时，大部分股票的价格也会随之上涨，股票收益率增加；反之，当上证综指下跌时，股票价格普遍下跌，股票收益率下降。在2015年上半年的牛市行情中，上证综指大幅上涨，样本股票的收益率也普遍提高，两者的正相关关系表现得尤为明显。然而，也存在部分股票与市场指数的相关性较弱，这些股票往往具有独特的基本面和市场表现，可能受到公司特定事件、行业特殊因素等的影响，导致其价格走势与市场整体指数有所偏离。一些具有独特技术优势或业务模式的公司，在市场整体下跌时，由于其自身的竞争力和发展潜力，股票价格可能保持相对稳定，与市场指数的相关性较低。通过相关性分析，可以清晰地认识到A股市场中股票收益之间的复杂关系，这对于投资者构建投资组合、分散风险具有重要的指导意义。投资者在进行投资决策时，可以根据股票之间的相关性，选择相关性较低的股票进行组合投资，以降低投资组合的整体风险，提高投资收益的稳定性。对于追求稳健收益的投资者来说，可以将不同行业、相关性较低的股票纳入投资组合，避免因行业风险导致投资组合的大幅波动。4.2.3波动性分析股票收益率的波动性是衡量市场风险的重要指标，它反映了股票价格在一定时期内的波动程度。波动性越大，意味着股票价格的不确定性越高，投资者面临的风险也越大。为了深入分析A股市场股票收益率的波动性特征，本研究运用ARCH类模型进行分析，主要包括ARCH效应检验、GARCH模型估计和波动性特征分析三个步骤。在ARCH效应检验中，本研究采用拉格朗日乘数检验（LM检验）来判断股票收益率序列是否存在ARCH效应。以样本股票中的中国石油为例，首先对其对数收益率序列进行平稳性检验，运用ADF检验方法，结果显示ADF统计量为-4.56，小于1%显著性水平下的临界值-3.44，表明该收益率序列是平稳的。对平稳后的收益率序列进行ARCH效应检验，构建ARCH(p)模型，通过逐步增加滞后阶数p，观察LM检验统计量和p值的变化。当p=1时，LM检验统计量为15.67，p值为0.001，小于0.05的显著性水平，强烈拒绝原假设，表明收益率序列存在ARCH(1)效应。这意味着股票收益率的条件异方差性显著，即过去的波动对未来的波动具有显著影响，不能简单地认为收益率的方差是恒定不变的。在确认股票收益率序列存在ARCH效应后，本研究采用GARCH(1,1)模型对其波动性进行估计。GARCH(1,1)模型的均值方程设定为：r_t=\mu+\epsilon_t，其中r_t为第t期的股票收益率，\mu为收益率的均值，\epsilon_t为随机误差项。方差方程设定为：\sigma_t^2=\omega+\alpha\epsilon_{t-1}^2+\beta\sigma_{t-1}^2，其中\sigma_t^2为第t期的条件方差，\omega为常数项，\alpha和\beta分别为ARCH项和GARCH项的系数，\epsilon_{t-1}^2为上一期的残差平方，\sigma_{t-1}^2为上一期的条件方差。运用Python的arch库对中国石油股票收益率进行GARCH(1,1)模型估计，得到参数估计结果为：\omega=0.0001，\alpha=0.15，\beta=0.8。其中，\alpha和\beta均在1%的显著性水平下显著，且\alpha+\beta=0.95，小于1，满足参数约束条件，表明模型设定合理。从波动性特征分析来看，通过GARCH(1,1)模型估计得到的条件方差序列能够较好地刻画股票收益率的波动性变化。观察条件方差序列的走势，可以发现股票收益率的波动性呈现出明显的聚类现象，即大幅度波动和小幅度波动往往会集中出现。在2020年初疫情爆发初期，市场不确定性增加，投资者情绪恐慌，股票收益率的波动性急剧上升，条件方差大幅增大；随着疫情防控措施的有效实施和宏观经济政策的支持，市场逐渐稳定，股票收益率的波动性逐渐降低，条件方差也随之减小。这种波动性的聚类特征表明股票市场存在风险集聚的现象，投资者在市场波动较大时期需要更加谨慎地进行投资决策，加强风险管理。GARCH(1,1)模型还能够反映出股票收益率波动性的持续性。由于\beta值较大，为0.8，说明上一期的波动性对本期的波动性影响较大，即股票收益率的波动具有较强的记忆性。一旦市场出现较大波动，这种波动状态可能会持续一段时间，投资者需要充分考虑波动性的持续性，合理调整投资组合，以应对市场风险。通过运用ARCH类模型对A股市场股票收益率的波动性进行分析，可以深入了解股票市场的风险特征，为投资者的风险管理和投资决策提供有力的支持。投资者可以根据波动性的变化情况，合理调整投资组合的风险水平，在市场波动性较高时，适当降低风险资产的配置比例；在市场波动性较低时，增加风险资产的投资，以获取更好的投资收益。五、个人投资者情绪对股票收益影响的实证分析5.1研究假设提出基于前文的理论分析和文献综述，本研究提出以下假设，以深入探究个人投资者情绪对股票收益的影响：假设1：个人投资者情绪与股票收益存在显著的相关关系：行为金融学理论表明，投资者并非完全理性，其情绪会对投资决策产生重要影响。当个人投资者情绪乐观时，往往会高估股票的未来收益，增加对股票的需求，从而推动股票价格上涨，使股票收益上升；反之，当投资者情绪悲观时，会低估股票价值，减少股票需求，导致股票价格下跌，股票收益下降。在2015年上半年的牛市行情中，投资者情绪极度乐观，大量资金涌入股市，推动股票价格持续攀升，股票收益率大幅提高；而在下半年市场情绪急转直下，投资者恐慌性抛售，股票价格暴跌，股票收益急剧下降。因此，个人投资者情绪与股票收益之间存在显著的相关关系。假设2：个人投资者情绪对不同市值股票收益的影响存在差异：不同市值的股票在市场中的地位、流动性和投资者关注度等方面存在差异，这使得它们对投资者情绪的敏感度不同。小市值股票由于其股本较小，流动性相对较差，更容易受到投资者情绪的影响。当投资者情绪高涨时，对小市值股票的炒作热情更高，资金的流入会使小市值股票价格上涨幅度更大，股票收益增加更为明显；而在投资者情绪低落时，小市值股票也更容易遭受抛售，价格下跌幅度更大，股票收益下降更为显著。相比之下，大市值股票由于其规模较大，业绩相对稳定，受到投资者情绪的影响相对较小。因此，个人投资者情绪对不同市值股票收益的影响存在差异，对小市值股票收益的影响更为显著。假设3：个人投资者情绪对不同行业股票收益的影响存在差异：不同行业具有不同的行业特点、发展周期和市场竞争格局，这些因素导致不同行业股票对投资者情绪的反应各不相同。一些行业，如科技行业，具有较高的创新性和不确定性，投资者对其未来发展前景的预期容易受到情绪的影响。当投资者情绪乐观时，对科技行业的创新潜力充满信心，会加大对科技股的投资，推动科技股价格上涨，股票收益增加；而当投资者情绪悲观时，对科技行业的不确定性担忧加剧，会减少对科技股的投资，导致科技股价格下跌，股票收益下降。消费行业则相对较为稳定，受投资者情绪的影响相对较小。因此，个人投资者情绪对不同行业股票收益的影响存在差异，对科技等行业股票收益的影响更为明显。5.2研究设计5.2.1样本选取与数据来源本研究选取2014年1月1日至2023年12月31日期间在A股市场上市交易的所有股票作为研究样本。选择这一时间跨度，是因为它涵盖了完整的市场周期，包括牛市、熊市和震荡市，能够全面反映不同市场环境下个人投资者情绪对股票收益的影响。2014-2015年上半年A股市场经历了一轮牛市行情，投资者情绪高涨，市场交易活跃；2015年下半年至2016年初市场出现大幅调整，股灾爆发，投资者情绪极度恐慌；2017-2018年市场整体呈现震荡下行态势；2019-2021年市场又迎来了结构性牛市；2022-2023年市场则处于震荡调整阶段。通过对这一时间段的研究，可以深入分析不同市场行情下投资者情绪与股票收益之间的关系。数据来源方面，股票交易数据，包括每日收盘价、成交量、流通股本等，均来自万得（Wind）金融终端，该终端是金融行业广泛使用的数据平台，数据具有权威性、全面性和及时性，能够为研究提供准确可靠的数据支持。对于投资者情绪指标数据，封闭式基金折价率数据同样来源于Wind金融终端；市场换手率根据股票交易数据自行计算得出；新增投资者开户数来自中国证券登记结算有限责任公司官方网站，该机构是我国证券市场的重要登记结算机构，其发布的数据具有官方性和可靠性；社交媒体情绪指标数据则通过网络爬虫技术，从东方财富股吧等热门财经论坛收集相关文本数据，然后运用文本挖掘和情感分析技术进行处理和提取。宏观经济数据如国内生产总值（GDP）增长率、通货膨胀率等，来自国家统计局官方网站，这些数据反映了宏观经济的运行状况，对于控制宏观经济因素对股票收益的影响具有重要作用。在数据处理过程中，首先对原始数据进行清洗，剔除了存在缺失值、异常值的样本。对于缺失值较多的股票数据，直接予以删除；对于少量的缺失值，采用均值插补或线性插值的方法进行填补。对于异常值，通过设定合理的阈值进行识别和处理，如将股票收益率超过±50%的数据视为异常值，进行修正或删除。对数据进行标准化处理，将不同量纲的数据转化为具有相同均值和标准差的数据，以消除量纲差异对研究结果的影响，确保后续分析的准确性和可靠性。5.2.2变量定义与模型构建变量定义投资者情绪变量（Sentiment）：采用前文通过主成分分析法构建的投资者情绪综合指数来衡量个人投资者情绪。该综合指数整合了封闭式基金折价率、市场换手率、新增投资者开户数和社交媒体情绪指标等多个维度的信息，能够全面、准确地反映个人投资者情绪的变化。当综合指数值较高时，表明投资者情绪乐观；指数值较低时，则表示投资者情绪悲观。股票收益变量（Return）：使用股票的对数收益率来度量股票收益，计算公式为r_t=\ln(\frac{P_t}{P_{t-1}})，其中r_t为第t期的对数收益率，P_t为第t期的股票收盘价，P_{t-1}为第t-1期的股票收盘价。对数收益率能够更好地反映股票价格的连续复利变化，在处理多期收益率时具有良好的数学性质，更适合用于金融市场的研究。控制变量：为了准确研究投资者情绪对股票收益的影响，控制其他可能影响股票收益的因素至关重要。本研究选取了以下控制变量：市场风险（MarketRisk）：采用上证综指的对数收益率来衡量市场整体风险。上证综指是A股市场最具代表性的指数之一，其收益率的变化能够反映市场整体的波动情况。当市场风险增加时，股票收益可能受到负面影响。公司规模（Size）：以股票的流通市值来衡量公司规模，流通市值越大，表明公司规模越大。公司规模对股票收益有重要影响，一般来说，大公司的股票收益相对较为稳定，而小公司的股票收益波动性较大。账面市值比（BM）：等于公司的账面价值与市场价值之比，反映了公司的估值水平。账面市值比高的公司，通常被认为是价值型公司，其股票收益可能具有不同的特征。行业变量（Industry）：为了控制行业因素对股票收益的影响，设置行业虚拟变量。根据证监会行业分类标准，将A股市场的股票划分为19个行业，对于每个行业，若股票属于该行业，则行业虚拟变量取值为1，否则为0。不同行业的发展前景、市场竞争格局和宏观经济环境等因素不同，会导致行业间股票收益存在差异。模型构建为了检验个人投资者情绪对股票收益的影响，构建如下多元线性回归模型：Return_{i,t}=\alpha+\beta_1Sentiment_{t}+\beta_2MarketRisk_{t}+\beta_3Size_{i,t}+\beta_4BM_{i,t}+\sum_{j=1}^{18}\beta_{5,j}Industry_{i,t,j}+\epsilon_{i,t}其中，Return_{i,t}表示第i只股票在第t期的对数收益率；\alpha为常数项；\beta_1,\beta_2,\beta_3,\beta_4,\beta_{5,j}为回归系数；Sentiment_{t}为第t期的投资者情绪综合指数；MarketRisk_{t}为第t期的市场风险；Size_{i,t}为第i只股票在第t期的流通市值；BM_{i,t}为第i只股票在第t期的账面市值比；Industry_{i,t,j}为第i只股票在第t期的第j个行业虚拟变量；\epsilon_{i,t}为随机误差项。在模型中，\beta_1是关注的核心系数，其正负和显著性反映了投资者情绪对股票收益的影响方向和程度。若\beta_1显著为正，表明投资者情绪与股票收益呈正相关关系，即投资者情绪乐观时，股票收益增加；若\beta_1显著为负，则表明两者呈负相关关系。通过控制其他变量，可以更准确地揭示投资者情绪与股票收益之间的内在联系。在分析投资者情绪对不同市值股票收益的影响时，可以进一步引入投资者情绪与公司规模的交互项（Sentiment_{t}\timesSize_{i,t}），以检验投资者情绪对不同市值股票收益影响的差异。在研究投资者情绪对不同行业股票收益的影响时，可以分别对不同行业的股票样本进行回归分析，观察投资者情绪系数在不同行业中的变化情况。5.3实证结果与分析5.3.1描述性统计结果对样本数据中的各变量进行描述性统计分析，结果如表1所示：变量观测值均值标准差最小值最大值Return1176000.00090.0254-0.28310.3015Sentiment1176000.00120.8765-2.56433.2156MarketRisk1176000.00080.0187-0.09250.0986Size11760022.35671.345219.023426.5432BM1176000.56780.23450.12341.5678从表1可以看出，股票收益率（Return）的均值为0.0009，说明在样本期间内，平均每日股票收益率为0.09%，但标准差为0.0254，表明股票收益率的波动较大，不同股票之间以及同一股票在不同时间的收益率差异较为明显。投资者情绪综合指数（Sentiment）的均值为0.0012，标准差为0.8765，说明投资者情绪在样本期间有较大的波动，情绪状态不稳定，存在乐观和悲观情绪的交替变化。市场风险（MarketRisk）的均值为0.0008，标准差为0.0187，显示市场整体风险水平相对稳定，但也存在一定的波动。公司规模（Size）的均值为22.3567，标准差为1.3452，表明样本中公司规模存在一定差异，涵盖了不同规模的上市公司。账面市值比（BM）的均值为0.5678，标准差为0.2345，说明不同公司的估值水平存在差异，部分公司的账面市值比较高，可能被视为价值型公司，而部分公司账面市值比较低，可能更偏向成长型公司。5.3.2相关性检验结果为了检验变量之间是否存在多重共线性问题，对各变量进行相关性检验，结果如表2所示：变量ReturnSentimentMarketRiskSizeBMReturn1Sentiment0.356***1MarketRisk0.423***0.256***1Size0.125***0.087**0.156***1BM-0.098**-0.065*-0.112***-0.345***1注：*、、*分别表示在1%、5%、10%的水平上显著。从表2可以看出，投资者情绪（Sentiment）与股票收益率（Return）之间的相关系数为0.356，且在1%的水平上显著正相关，初步验证了假设1，即个人投资者情绪与股票收益存在显著的相关关系。市场风险（MarketRisk）与股票收益率（Return）的相关系数为0.423，在1%的水平上显著正相关，说明市场整体风险对股票收益有重要影响，市场风险增加时，股票收益也会相应受到影响。公司规模（Size）与股票收益率（Return）的相关系数为0.125，在1%的水平上显著正相关，表明公司规模越大，股票收益率可能越高。账面市值比（BM）与股票收益率（Return）的相关系数为-0.098，在5%的水平上显著负相关，意味着账面市值比高的公司，其股票收益率相对较低。在各变量之间的相关性方面，虽然投资者情绪（Sentiment）与市场风险（MarketRisk）、公司规模（Size）等变量之间存在一定的相关性，但相关系数均小于0.5，表明变量之间不存在严重的多重共线性问题，不会对回归结果产生较大干扰，可进一步进行回归分析。5.3.3回归结果分析运用Stata软件对构建的多元线性回归模型进行估计，回归结果如表3所示：|变量|系数|标准误|t值|P>|t||[95%置信区间]||---|---|---|---|---|---||Sentiment|0.012***|0.002|6.00|0.000|0.008-0.016||MarketRisk|0.256***|0.023|11.13|0.000|0.211-0.301||Size|0.008**|0.003|2.67|0.008|0.002-0.014||BM|-0.065***|0.015|-4.33|0.000|-0.094--0.036||Industry|控制|控制|控制|控制|控制||Constant|-0.123***|0.025|-4.92|0.000|-0.172--0.074||变量|系数|标准误|t值|P>|t||[95%置信区间]||---|---|---|---|---|---||Sentiment|0.012***|0.002|6.00|0.000|0.008-0.016||MarketRisk|0.256***|0.023|11.13|0.000|0.211-0.301||Size|0.008**|0.003|2.67|0.008|0.002-0.014||BM|-0.065***|0.015|-4.33|0.000|-0.094--0.036||Industry|控制|控制|控制|控制|控制||Constant|-0.123***|0.025|-4.92|0.000|-0.172--0.074||---|---|---|---|---|---||Sentiment|0.012***|0.002|6.00|0.000|0.008-0.016||MarketRisk|0.256***|0.023|11.13|0.000|0.211-0.301||Size|0.008**|0.003|2.67|0.008|0.00