行为金融学视角下的市场情绪与资产定价：教学设计

行为金融学视角下的市场情绪与资产定价：教学设计

  一、课程元设计：理念、定位与目标

  （一）设计理念与指导思想

  本教学设计立足于新时代金融学本科高年级与硕士阶段人才培养的内在要求，以“立德树人”为根本遵循，贯彻“学生中心、产出导向、持续改进”的OBE教育理念。核心指导思想在于打破传统金融学教学中“理性人”假说与有效市场理论的绝对化藩篱，引导学生建构一个更加贴近现实、复杂且动态的金融市场认知框架。我们强调，资产价格不仅是公司基本面信息的映射，更是市场参与者集体心理与情绪交织、博弈、共振的复杂产物。因此，课程设计深度融合金融学、心理学、社会学乃至计算科学的跨学科知识，旨在培养学生具备以下核心素养：一是系统性思维，能够理解市场多主体、多因素的非线性互动；二是批判性思维，敢于并善于对经典理论进行反思与拓展；三是实证性思维，掌握将情绪等模糊概念进行量化、建模与分析的工具与方法；四是伦理与责任意识，深刻认识市场情绪的双刃剑效应，理解金融稳定与社会责任。

  （二）课程定位与学情分析

  本课程定位为金融学专业高年级本科生选修课及学术型硕士研究生的专业核心课。前置知识要求包括：扎实的微观经济学、计量经济学基础，熟练掌握投资学、公司金融等中级金融课程的核心内容（如资本资产定价模型CAPM、有效市场假说EMH、贴现现金流模型DCF等）。学情特点表现为：学生已构建起以理性范式为主的金融知识体系，对市场的认知存在一定的理想化倾向；具备初步的数据处理与模型理解能力，但对行为变量的量化与建模接触较少；拥有强烈的探索前沿知识的兴趣，但独立开展跨学科研究的能力尚待开发。基于此，本课程旨在学生既有知识体系的“平滑地带”引入“断层”，激发认知冲突，进而引导他们通过理论学习、案例研讨与实证项目，自主建构起包容理性与非理性的、更为完备的资产定价知识图谱。

  （三）教学目标体系

  1.知识与理论目标：学生能够精准阐述行为金融学挑战传统定价理论的核心论点；系统掌握市场情绪的主要来源、传导机制与测度方法（包括直接调查法、间接代理变量法及文本大数据分析法）；深入理解并辨析基于情绪的资产定价理论模型，如投资者情绪模型、有限套利模型、情绪beta模型等；熟知情绪驱动下市场异象（如动量效应、反转效应、波动率聚集、泡沫与崩溃）的行为学解释。

  2.能力与技能目标：学生能够独立运用Python/R等工具，从网络平台（如社交媒体、新闻文本）爬取非结构化数据，并运用情感分析、自然语言处理技术构建情绪指标；能够运用计量经济学方法（如时间序列分析、面板回归、向量自回归模型等）实证检验情绪指标对资产价格、成交量、波动率的预测能力或解释力度；具备设计并实施一个小型行为金融实验或调研的能力；能够以团队形式，完成对某一特定市场（如A股、加密货币、特定行业板块）情绪周期的深度案例分析报告。

  3.素养与价值目标：培养学生对金融市场复杂性的敬畏之心，形成审慎、理性的投资态度；强化其金融伦理观念，理解情绪操纵、市场谣言的社会危害；提升其学术创新意识，鼓励在经典理论与现实世界的差距中寻找研究课题；培育团队协作精神与跨学科交流能力。

  二、教学内容重构与资源建设

  （一）核心内容模块

  模块一：范式转移——从有效市场到行为金融。系统回顾有效市场假说的三大形态及其理论基石，聚焦其难以解释的“异象”集群。引入行为金融学的两大支柱：有限理性（启发式偏差、框架效应、心理账户等）与有限套利（基本面风险、实施成本、模型风险等）。确立市场情绪作为连接微观个体行为与宏观市场结果的枢纽地位。

  模块二：情绪的度量——从间接代理到直接文本。深度剖析传统情绪代理变量（如封闭式基金折价、IPO首日收益率、换手率、波动率指数VIX）的构建逻辑、优缺点及适用场景。重点教授基于文本大数据的情绪测度前沿方法：词典法（如GI、LM、金融领域特定词典）、机器学习法（如朴素贝叶斯、支持向量机）及深度学习法（如LSTM、BERT）。通过实操，让学生比较不同方法在同一数据集上的表现。

  模块三：情绪的定价——理论与模型。讲解基于情绪因子的资产定价理论。包括：投资者情绪作为系统性风险因子的模型（如BakerandWurgler,2006的情绪因子）；情绪如何通过影响贴现率与现金流预期来改变资产内在价值；情绪在横截面对资产收益率的预测作用；情绪与市场状态（牛熊市）的交互效应。

  模块四：情绪的动态——周期、泡沫与危机。将情绪置于时间维度与极端情境下考察。分析情绪周期的形成、膨胀、逆转与崩溃过程。结合历史案例（如1637年荷兰郁金香狂热、2000年互联网泡沫、2008年金融危机、2021年GameStop事件），解构非理性繁荣与恐慌性抛售背后的情绪动力机制。探讨社交媒体的信息传播与情绪放大效应。

  模块五：情绪的实践——策略与风控。探讨如何将情绪指标纳入量化投资策略（如情绪择时、情绪对冲）。分析行为偏误对个人投资者与机构投资者决策的具体影响。教授如何识别并管理自身投资过程中的情绪干扰。讨论监管层如何监测市场情绪以防范系统性风险。

  （二）教学资源矩阵

  1.核心教材与专著：指定《AdvancesinBehavioralFinance》（Thaler编著）、《BeyondGreedandFear》（Shefrin著）为理论基石。推荐《AnimalSpirits》（AkerlofShiller著）作为理解宏观情绪的补充。

  2.前沿学术文献库：精选近五年内在《JournalofFinance》、《JournalofFinancialEconomics》、《ReviewofFinancialStudies》等顶刊上发表的关于情绪测度（如利用社交媒体数据）、模型拓展及新兴市场应用的论文，构成每讲的核心阅读材料。

  3.案例库建设：包含历史金融泡沫经典案例、近期市场热点事件（如MEME股票、加密货币剧烈波动、ESG投资中的情绪因素）、基于中国A股市场的特色案例（如“牛市情绪”与“政策市”情绪）。

  4.数据与工具平台：提供Kaggle、UCI等相关金融情绪数据集；共享经清洗的A股新闻、股吧评论示例数据；编写并开源用于文本情绪分析的Python代码模板（涵盖jieba分词、SnowNLP、BERT-base-Chinese等工具调用）。

  5.仿真实验环境：利用金融市场仿真软件（如基于Agent的建模平台）或设计线下投资博弈实验，让学生直观观察群体情绪如何自发生成并影响价格。

  三、教学实施过程：深度互动与探究导向

  本课程采用“课前探究-课中深化-课后拓展”的闭环教学模式，共设16讲（每讲3课时），以下选取三个关键教学周次，详述其实施过程。

  （一）第六讲实施过程：文本大数据情绪测度——理论与实操

  1.课前准备阶段（学生活动）：学生需预先阅读两篇经典文献：一是采用词典法构建情绪指数的论文，二是采用机器学习方法的论文。完成在线预习任务：在特定代码托管平台，教师提供的A股上市公司年报摘要文本（.txt格式）及预处理代码，并尝试在本地运行，了解基本数据处理流程。在课程论坛提出关于文本清洗、词典选择或模型训练的至少一个问题。

  2.课堂导入与概念聚焦（第1课时）：教师首先展示两组资产价格走势图：一组与百度搜索指数高度相关，一组与微博情感分析结果高度相关。提问：“这些相关性是巧合吗？我们如何系统性地从海量文本中‘开采’出情绪黄金？”由此引出文本大数据情绪分析的三大核心挑战：语义复杂性、语境依赖性、领域特异性。随后，对比讲解词典法、机器学习法与深度学习法的基本原理、流程与哲学差异：词典法是“规则驱动”，依赖于预设的知识库；机器学习法是“特征驱动”，依赖于人工特征工程与样本标注；深度学习法是“表示驱动”，试图自动学习文本的深层特征。重点辨析不同方法的适用场景与成本效益（计算复杂度、标注需求、可解释性）。

  3.实操演示与难点突破（第2课时）：教师进行现场代码演示。步骤一：数据预处理。展示中文文本处理的特殊性（分词），演示如何利用jieba库进行精准分词，并去除停用词。步骤二：词典法应用。使用“知网”情感词典和金融情感词典，分别计算同一批新闻的情感得分，对比结果差异，引导学生思考词典选择的关键性。步骤三：机器学习模型构建。使用少量已标注的“看涨/看跌”评论数据，演示如何提取TF-IDF特征，并训练一个简单的朴素贝叶斯分类器。步骤四：深度学习模型简介。展示预训练BERT模型的调用方式，并可视化其注意力机制，解释其理解上下文的能力。此环节的核心是揭示“黑箱”背后的逻辑，将操作难点（如分词错误、特征稀疏、模型过拟合）作为教学重点进行剖析。

  4.课堂研讨与技能内化（第3课时）：学生以小组为单位，针对教师发布的新数据集（某日所有A股公司的股吧标题），使用课堂介绍的方法之一，快速计算市场整体情绪指数，并简要分析其与当日大盘涨跌的直观关系。各组分享其方法选择理由、遇到的技术问题及初步发现。教师巡回指导，提供即时技术支持。最后，教师进行总结提升：强调没有“最好”的方法，只有“最合适”的方法；指出当前前沿研究正走向多模态情绪分析（结合文本、图像、语音）与动态情绪词典；布置课后小组项目——要求各小组自选一个主题（如特定行业、特定事件期间），构建一个定制化的情绪指标，并撰写技术构建报告。

  （二）第十讲实施过程：市场泡沫的行为解构——以GameStop事件为例

  1.课前准备阶段：学生观看纪录片《游戏驿站：华尔街之战》精选片段，并阅读关于此次事件的深度财经报道和多空双方的观点文章。完成个人反思日志：记录自己对该事件最初的理解，并指出最令人困惑的三个方面。

  2.课堂导入：教师不直接讲解，而是播放一段模拟的“拍卖实验”视频（类似著名的“美元拍卖”陷阱），让学生亲身感受价格如何脱离内在价值并持续攀升。提问：“在GameStop事件中，谁是拍卖师？谁是出价者？标的物是什么？”激发学生从行为博弈角度重新审视该事件。

  3.多层解构与分析（第1-2课时）：

  第一层：微观行为基础。分析Reddit论坛WallStreetBets（WSB）社区的文化、语言与集体认同。讨论“YOLO”（你只活一次）心态、对冲基金的“反派”叙事、以及“持有”行为如何被赋予道德色彩。联系“过度自信”、“从众效应”、“损失厌恶”（表现为不愿止损）等行为偏误。

  第二层：市场结构催化。讲解社交媒体的病毒式传播机制如何加速情绪扩散。分析零佣金交易平台（如Robinhood）的界面设计如何“游戏化”投资，降低交易门槛并刺激频繁交易。探讨融券卖空机制在此次事件中扮演的“催化剂”角色，以及随之而来的“轧空”行为金融学原理。

  第三层：有限套利困境。深度剖析为何理性套利者在此次事件中失效。讨论面临的“基本面风险”（股价已完全脱离基本面，但做空仍面临无限损失风险）、“实施成本”（券商限制交易导致无法平仓）和“模型风险”（传统定价模型完全失灵）。由此论证，在极端情绪下，套利力量不仅有限，甚至可能反向强化趋势。

  4.辩论与价值引领（第3课时）：组织课堂辩论，议题为“GameStop事件是散户的胜利还是金融体系的警钟？”。将学生分为正反两方，要求他们运用课程所学的行为金融概念进行论证。教师作为主持人，引导辩论深入，并适时插入监管视角、金融公平性、投资者教育等议题。最后，教师进行总结升华：指出该事件是数字时代市场情绪力量的一次集中爆发，它暴露了传统监管框架的滞后性，也揭示了新型“草根金融运动”的复杂性。强调金融创新（社交投资、零佣金）与投资者保护必须同步。布置课后作业：撰写一篇分析短文，从行为金融学角度，预测类似事件在未来重演的可能性及可能的新形态。

  （三）第十四讲实施过程：情绪因子与量化策略——模拟回测工作坊

  1.课前准备：学生复习资产定价多因子模型（如Fama-French三因子、五因子模型）。各小组已初步完成其自定义情绪指标的构建（第十讲课后项目），并已将指标整理为时间序列格式。

  2.课堂理论衔接：教师简要回顾情绪作为风险因子或错误定价因子的理论逻辑。介绍将情绪因子纳入量化投资策略的两种基本思路：一是作为择时信号（如情绪极度悲观时买入，极度乐观时卖出）；二是作为Alpha因子（构建多空组合，做多低情绪股票，做空高情绪股票）。讲解策略回测的基本要素：回测周期、标的资产、调仓周期、业绩评价指标（夏普比率、最大回撤、阿尔法等）。

  3.分组工作坊实践（第1-2课时）：各小组在教师提供的标准化回测框架（基于Python的Backtrader或Zipline简化模板）中，嵌入本组构建的情绪指标，设计一个简单的策略逻辑。教师提供关键代码段的提示，例如如何定义买入卖出信号、如何计算仓位。各小组在实验室内进行回测运算，并记录初步结果。此过程中，教师和技术助教提供一对一指导，重点解决数据对齐、未来函数、过拟合等常见回测陷阱。

  4.结果汇报与批判性反思（第3课时）：每个小组用5分钟展示其策略逻辑、回测结果（以图表形式展示净值曲线、关键指标）及遇到的挑战。其他小组和教师进行质询，问题可能涉及：“你的情绪指标是否存在滞后？”“策略在牛市和熊市的表现是否稳健？”“你是否考虑了交易成本？”“是否存在数据窥探偏差？”。展示的重点并非炫耀高收益，而是完整、诚实地呈现策略构建与验证过程。教师最后总结量化投资中运用情绪因子的核心难点：信号的稳定性、模型的适应性、以及严格避免过拟合的纪律。强调在实盘中，情绪因子更适宜作为传统基本面、技术面因子的有益补充，而非单一依据。

  四、教学评价与反馈机制

  （一）多元过程性评价体系

  1.个人表现（30%）：包括课前阅读笔记与问题提交（10%）、课堂参与度与提问质量（10%）、个人反思日志及阶段性测验（10%）。

  2.小组项目（40%）：包含三个子项目：文本情绪指标构建技术报告（15%）、市场泡沫或异象案例分析报告（15%）、情绪因子量化策略回测与答辩报告（10%）。每个项目均从问题定义、方法科