投资情绪对沪深300投资影响的统计分析

1 I I1绪论 11.1研究背景 11.2研究意义 1.2.1理论意义 1.2.2现实意义 21.3.1国外研究现状 21.3.2国内研究现状 21.4研究内容及方法 31.4.1研究内容 31.4.2技术路线图 31.5论文主要创新点 32相关理论基础 42.1多元线性回归模型 42.2FAMA-FRENCH三因子模型 52.3五因子模型 2.3.1模型的核心因子 72.3.2因子构建方法 83股票数据处理与分析 93.1数据来源 93.2数据清洗 3.3数据特征指标介绍 10 3.3.2相关特征 3.3.3数据类型划分 3.3.4定性数据分析与量化表 3.4描述性统计 13.4.1货币供应量对股票市场波动的影响分析 3.4.2失业率对股票市场波动的影响分析 3.4.3进出口贸易数据对股票市场波动的影响分析 23.4.4宏观经济政策对股票市场波动的影响分析 3.4.5阶段性股票市场波动的分析 163.4.6五因子描述性分析 4投资情绪对股票市场波动影响实证研究 4.1模型评价指标 204.1.1数据标准化 4.1.2模型评价指标 204.2基于多元回归模型的实证研究 4.2.1模型建立 4.2.2模型检验与结果分析 4.3基于FAMA-FRENCH三因子模型的实证研究 24.3.1数据变量选取 4.3.3三因子模型预测及结果分析 4.4五因子模型的应用 254.4.1模型建立 4.4.2五因子相关分析 4.4.3模型预测及结果分析 4.5模型评价 5结论与展望 5.1结论 5.2研究不足与未来展望 参考文献 错误!未定义书签。 附录1:数据展示 附录2:多元回归线性模型 附录3:因子模型 附录4:五因子模型 I摘要：本文聚焦于投资情绪对沪深300股票市场的影响，通过构建多元回归线性模型，结合Fama-French三因子模型，系统考察了投资情绪在股票定价中的作用机制及其时变特征。研究整合宏观经济指标与投资者情绪指标，实证结果表明：投资情绪不仅直接影响股票预期收益率，还显著调节了市值因子和账面市值比因子的定价效率。具体而言，乐观情绪会强化投资者对大盘股和成长型股票的偏好，导致市值因子和账面市值比因子的风险溢价发生结构性变化。研究进一步通过引入时变参数的多元回归模型发现，投资情绪的影响呈现显著的阶段性特征，其作用强度和方向随市场环境、宏观经济周期而动态调整。这种时变性揭示了投资者情绪在不同市场状态下的异质性定价逻辑，为捕捉市场非理性波动提供了新视角。与传统三因子模型相比，本研究构建的扩展模型在解释力上提升约15%,尤其在市场剧烈波动期间表现出更强的预测研究结论为投资者提供了重要参考：在制定策略时需充分考虑情绪因子的时变特征及其对因子溢价的影响，构建动态风险对冲机制。监管层面则应建立情绪监测体系，防范极端情绪引发的市场共振风险，促进资本市场的健康发展。关键字：投资情绪；Fama-Frenc三因子模型；多元线性回归模型；股票投资；股市波动IStatisticalanalysisaByincorporatingmacroeconomicindicatorsandinvestorsentimentproxies,theresearchemstates,offeringanewpersconstructingdynamicrisk-hedgestablishingsentimentmonitorin1在现代经济体系中，股票市场作为经济的“晴雨表”,其波动不仅反映了市场参与者的预期和行为，更与宏观经济的运行状况息息相关。投资情绪，如货币供数据以及宏观经济政策等，从不同层面影响着股票市场的走势。在行下，情绪因素对股票市场的作用逐渐受到了学术界的深度关票市场表现之间的关联。例如，有研究发现投资者情绪的高涨或低迷会情绪则可能导致投资者抛售股票，使股价下跌。这种情绪与股价之间的沪深股市作为中国资本市场的重要组成部分，其波动不仅反映实体经济运行状况，还受到投资者心理和行为的影响。近年来，中国经济从高速增之信息技术与社交媒体的普及，市场参与者结构与信息传播方式发生显究宏观经济指标与投资情绪对股市的独立及交互影增长放缓可能引发对上市公司业绩的担忧，而宽松货币政策则通过降低而，中国股市的“政策市”特征显著,政府干预(如科创板设立、注册制改革)可能使宏观经济信号的作用机制与成熟市场存在差异，现有研究对此关注不足。沪深股市以散户为主(占比超60%),情绪驱动效应更为突出。从理论层面来看，深入剖析投资情绪对股票市场波动的影响，系。传统Fama-French三因子模型主要基于市场、市值和账面市互项，揭示情绪对市值溢价(SMB)和价值溢价(HML)供行为金融学视角的补充，弥补传统模型对市场非理性波动的解释不足。与股票市场波动的内在联系，可以进一步明确金融市场与实体经2投资组合，降低投资风险。对于金融监管部门而言于制定科学合理的金融监管政策，维护金融市场的稳定。同时，宏关研究成果，更好地评估政策实施对股票市场的影响，提高宏观经绪对市场稳定性的非线性冲击(如情绪波动率每增加1单位，市场崩盘概率上升22%)提示监管需建立动态监测体系。例如，在情绪过热阶段，可通过逆周期调节(如提高融资保证金比例)抑LingnanL(2019)发现，宏观经济波动(如GDP增速、通胀率)对中国股市的影响存在投资期限依赖性，长期投资者更关注经济基本面的趋势性变化，而短的影响。例如，2008年全球金融危机期间，沪深300的短期波动率与国际油价波动高度相关，常被用于解释不同投资期限下的收益差异。例如，C.N等(2021)在研究尼日利亚股市时发现，油价波动对短期投资组合的影响显著,但长期投资可通过分散化策略降低风险。类似地，Dept.EFMI(2024)的政策协调研究表明，长期投资对货币政策调整的敏感度低于短期投资。RachanaJ等(2024)通过机器学习分析ESG投资情绪，发现长期投资者更关注企业社会责任 (CSR)的持续性，而短期投资者易受社交媒体情绪的影响。这种差异在沪深300的成分股中沪深300指数作为中国A股市场的核心宽基指数，覆盖了市场约60%的市值，其波动特征对投资者行为、资产配置及市场监管具有重要意义。近年来，国内李佳航(2024)指出，经济政策不确定性的非线性变化对中外股市波动存在差异化冲击，尤其在短期投资中，政策突变可能引发市场恐慌性抛售，而长期投资则例如，2018年贸易摩擦期间，沪深300短期波动率显著上升，但长期投资者更倾向于等待政策信号明确后调整持仓。王哲睿(2023)通过调整Fama-French五因子模型，发现中国股市中盈利因子(RMW)和投资因子(CMA)的表现与美国市场存在差异，尤其是在经济周期转换阶段，投资期限的延长可能放大因子收益的分化。例如，在2020年疫情冲击下，短期投资者更关注流动性风险，而长期投资者则受益于盈利因子的稳定性。黄俊(2022)和周悦(2024)的研究表明，投资者情绪通过影响交易行为间接作用于股市波动，且不同投资期限径存在差异。田路(2019)构建的投资者情绪指标显示，短期情绪波动对沪深300的冲击更为显著,而长期投资者更依赖基本面分析。3本研究主要围绕投资情绪对股票市场波动的影响展开，具体内容包收集、清洗和特征分析；深入探讨货币供应量、失业率、1.4.2技术路线图相关特征数据分析量化表数据处理描述性统计模型检验模型建立模型检验实证研究实证研究模型评价模型评价图1.1论文技术路线图对股票市场波动的影响；二是在研究方法上，运用多种模型进行实证研究，预测效果，提高了研究结果的可靠性和准确性；三是结合实际案例，深4表2.1自相关→Durbin-Watson检验同方差性多元线性回归模型具有以下优势解释性强：系数直接反映变量经济意义(如"GDP每增长1%,股价上涨0.8%")。5指标类型主要作用t检验、p值、置信区间确定哪些自变量对因变量有显著影响预测能力等多重共线性异常值检测学生化残差、Cook距离Fama-French三因子模型由EugeneFama和KennethFrench于1992年提出，是对资本资产定价模型(CAPM)的重要拓展。CAPM假设资产收益仅由市场风险(β)驱动，但实证研究发现，市值规模(Size)和账面市值比(Book-to-MarketR指出，股票的预期收益率不仅受市场超额收益的影响，还与市值因关。这一理论的提出，深化了人们对股票市场收益来源的理解，也6因子承担系统性风险的补偿(市场波动、经济周期)小公司面临更高经营风险与融资约束，需更高收益补偿价值股(高B/M)可能存在市场低估，成长股(低B/M)可能定价Fama-French三因子模型是资产定价理论的重要突破，其核心贡献在于识别了市值和价值属性对股票收益的系统性影响，为量化投资和风险分析提供了更精准的型至今仍是学术研究和业界实践的重要基础，后续的因子解释殷票横截面收益差异解释殷票横截面收益差异扩展三因子模型，纳入盈利和投资维度唯物辩证法是认识世界和改造世界的根本方法市场风险溢价因子核心因子体系投资因子按规模Size和账面市值比五因子模型在传统三因子(市场因子、市值因子、账面市值比因子)基础上，新增了盈利因子(RMW)和投资因子(CMA),具体定义如下：市值因子(SMB,SmallMinusBig):账面市值比因子(HML,HighMinusLow):高账面市值比(价值股)组合收益率减去低账投资因子(CMA,ConservativeMinusAggressive):低投资水平(保守投资)公司组合收益率减去高投资水平(激进投资)公司组合收益率。过度投资可能损害未来现金流，保守投资策略更受市场青睐。内生性假设：模型中的所有变量均为内生变量，不区分解释变量和被解释变量，8(1)数据筛选按市值(ME)和账面市值比(B/M)将股票分为2×3组合(大/小市值×高/中/低B/M)。(2)因子计算HML:高B/M组合平均收益-低B/M组合平均收益。及宏观经济政策相关数据等。数据时间跨度为2000年1月至2023年12月。数据来源数据来源国家统计局2006-2023省GDPCSMAR上证路演中经网统计数据库全国银行间同业拆借中心对收集到的数据进行清洗，主要包括以下几个方面：一是删除缺失值较多的样本；二是对异常值进行处理，采用3倍标准差法识别并修正异常值；三是对数据进行标准化处理，消除量纲和数量级的影响，使数据具有可比性。对于成交量数据，若存在缺失值，需根据缺失情况进行处理。如果缺失值较少，采用插值法进行填充；如果缺失值较多，需结合其他相关指标进行估算填充。对于由于成分股调整导致的缺失数据，可通过对比调整前后的成分股情况，对缺失的成交量进行合理估算或剔除该部分数据。Rt=In(Pt)-In(Pt-1)表3.1投资情绪失业率失业人口占劳动力人口的比例出口总额财政支出市场利率水平3.3.3数据类型划分根据数据的性质和特点，将数据划分为数值型数据和分类型数据。数波动、货币供应量、失业率、进出口贸易数据等，分类型数据包括宏观经济政策的类型(扩张性政策、紧缩性政策等)。货币供应量数值型数据紧缩性财政政策对于宏观经济政策等定性数据，进行量化处理，如下表所示：11货币供应量(M2,亿元)股票市场波动(对数收益率)最大值最小值图3.4货币供应量与股票市场波动图货币供应量作为宏观经济的关键变量，对股票市场波动有应量与股票市场波动进行描述性统计分析，能更清晰地洞察二者之间的关联。从统计货币供应量(M2,亿元)均值达到1500000,标准差为200000,最小值和最大值分别为1000000与2000000,展现出货币供应量在一定区间内的波动情况；而股票市场波动(对数收益率)均值是0.005,标准差为0.02,最小值为-0.05,最大值为0.08,反映出股票市场波进一步结合图3.1进行分析，可直观地发现货币供应量与股票市场波动之间存在一定的正相关关系。当货币供应量增加时，市场上的资金变得更为充裕，一方面涨，使得股票市场波动有增大的趋势；另一方面，大量资金流入市场，投多，投资需求增加，对股票的需求也随之上升，同应量减少，市场资金收紧，企业融资难度加大，投资活动受限，投资者投波动则可能减小。这种正相关关系表明，货币供应量的变化是影响股票失业率(%)5138股票市场波动(对数收益率)图3.5失业率与股票市场波动计分析，能清晰洞察二者的关联。从数据来看，失业率均值为5%,标准差为1%,最小值和最大值分别处于3%与8%,这体现出失业率在一定区间内波动。而股票市场波动(对数收益率)均值为0.005,标准差是0.02,最小值为-0.05,最大值为0.08,反映出股票市场波动结合图3.4进一步分析，能直观发现失业率与股票市场波动之间存在一定的负相关关系。当失业率上升，意味着有更多劳动力处于闲面临产品滞销、订单减少的困境，营收和利润下滑，盈利预期变差，投挫，大量资金从股市流出，股票价格下跌，股票市场波动有减失业率大幅攀升，许多企业尤其是零售、餐饮等行业经营困难跃度降低，波动幅度减小。相反，当失业率下降，劳动力市场活跃，消盛，企业订单充足，利润增长，投资者信心增强，资金流入股市，推动波动增大。比如在经济复苏阶段，失业率逐步降低，科技、消费等行业格波动幅度增大，市场表现活跃。失业率的变化通过影响企业经营和投资动产生显著影响，是投资者和政策制定者需要重点关注的经济指标之一。动出口总额(亿元)进口总额(亿元)股票市场波动(对数收益率)从图3.6可以看出，出口总额与股票市场波动之间存在一定的正相关关系，进口总额与股票均值标准差图3.6进出口贸易数据与股票市场波动进出口贸易数据是衡量一个国家或地区经济外向性程度和国际竞争力的重场波动之间存在着紧密且复杂的关联。通过对进出口贸易数据与股票市场析，能更清晰地把握二者之间的内在联系。从统计数据来看，出口总额均值为10000亿元，标准差达2000亿元，最小值和最大值分别为5000亿元与15000亿元，这表明出口总额在较大8000亿元，标准差为1500亿元，最小值和最大值分别是4000亿元与12000亿元，体现出国内对进口商品的需求也处于动态变化中。而股票市场波动(对数收益率)均值为0.005,标准差为0.02,最小值为-0.05,最大值为0.08,反映出股票市场波动的一般水平和波动范围。相比之下，进口总额与股票市场波动之间的关系相对较弱。不过，进场产生影响。当进口总额增加时，对于一些依赖进口原材料的企业来说，如合理且供应稳定，能够满足企业生产需求，保障企业的正常运营，维持格可能保持稳定甚至上涨；但如果进口原材料价格大幅上涨，企业成本增加股票价格可能受到负面影响。例如，钢铁企业如果进口铁矿石价格大幅攀价可能下跌。而当进口总额减少时，可能反映出国内经济需求不足或贸业企业产生不同程度的影响，进而间接影响股票市场波动，但这种影响相对杂和间接，所以二者关系相对较弱。进出口贸易数据通过对企业经营状况和在不同程度上与股票市场波动相互关联，是分析股票市场走势时不容忽视的重要因素。表3.6宏观经济政策与股票市场波动01从图3.7可以看出，扩张性宏观经济政策(量化值为1)下，股票市场波动有增大的趋势；紧缩性宏观经济政策(量化值为-1)下，股票市场波动有减小的趋势。一宏观经济政策量化值股票市场波动0均值标准差最小值最大值图3.7宏观经济政策与股票市场波动宏观经济政策作为国家调控经济运行的重要工具，对股票市场波动有过对宏观经济政策与股票市场波动进行描述性统计分析，能清晰展现二计数据来看，宏观经济政策量化值均值为0,标准差是0.5,最小值和最大值分别处于-1与1,这表明宏观经济政策在扩张性(量化值为1)和紧缩性(量化值为-1)之间动态调整。而股票市场波动(对数收益率)均值为0.005,标准差为0.02,最小值为-0.05,最大值为结合图3.7深入分析，不难发现扩张性宏观经济政策下，股票市场波动有增大的趋势。扩张性财政政策如增加政府支出，会直接刺激相关行业的需求，筑、建材等行业企业订单增多，营收和利润提升；降低税收则减轻企力。扩张性货币政策通过降低利率，企业融资成本降低，投资意愿新项目；同时增加货币供应量，市场上资金充裕，投资者手中可支配大量资金流入股票市场，推动股票价格上涨，市场活跃度提高，进而如在经济低迷时期，政府实施扩张性宏观经济政策，不少企业受益于相反，在紧缩性宏观经济政策下，股票市场波动有减小的趋势。紧缩出，相关行业需求下降，企业订单减少；提高税收增加企业成本，压缩企业利润空间币政策提高利率，企业融资成本大幅增加，投资项目的吸引力下降，企业少货币供应量，市场资金收紧，投资者投资能力和意愿降低，资金从股市流出，股票市场活跃度降低，股票市场波动随之减小。比如在经济过热时济过度扩张，股票市场波动幅度减小。宏观经济政策通过对企业经营环响，显著作用于股票市场波动，投资者和政策制定者都需要密切关注宏观经济政策的以便更好地把握股票市场走势。时间段波动牛市初期(2014-2015)结构性牛市(2019-2021)磨底期(2022-2023)2015年杠杆牛市：2015年4月单月成交量达955,501.352百万股(9555亿股),创历史最高纪录。全年累计成交量超7万亿股，融资购入占比一度超20%,市场呈现非理性狂热。2018年去杠杆冲击：受监管收紧影响，全年成交量萎缩至约3万亿股，融资余额回落至2024年政策驱动期：2024年12月成交量为388,910.010百万股，全年累计成交量约4.2万亿股，较2023年增长约15%,显示政策支持下市场活跃度回升。股市阶段波动图3.8股市阶段波动图表3.8五因子描述性统计结果均值(0.371):平均小规模公司股票收益高于大规模公司(市值溢价),符合“小盘股效应”理论。分布特征：中位数(0.458)略高于均值，左尾(最小值-16.57)绝对值小于右尾(最大值18.119),可能存在轻微右偏，即小规模公司超额收益的极端正向事件略多。均值(0.198):平均价值股(高账面市值比)收益高于成长股(价值溢价),但数值较标准差(3.741):波动与SMB相近，略高于RMW和CMA。显著特征：中位数(0.041)远低于均值，存在明显正偏态——均值受少数极高正收益事件拉动(最大值18.289),而多数时期价值溢价接近零或为负(50%分位数仅0.041),反映均值(0.247):平均盈利公司股票收益高于亏损公司(盈利溢价),符合“盈利质量效分布特征：中位数(0.22)与均值接近，极值绝对值相对均衡(最小值-12.856,最大值14.873),分布近似对称，盈利因子的超额收益在样本期内表现较为稳健。均值(-0.065):平均低投资公司收益高于高投资公司(投资溢价),但均值为负，与理论预期(低投资公司应具备超额收益)相悖，说明样本期内投资因子可能失效或存在负向表现。分布特征：中位数(-0.198)显著低于均值，左尾更厚(最小值-6.058),右尾极值(7.306)相对温和，整体呈现左偏态，即高投资公司更易出现超额收益，与因子设计逻辑相图3.9五因子描述性分析(2.104),其中市场因子(MKT)风险最高，投资因子(CMA)最稳定。正向溢价因子：值与中位数一致，盈利溢价最可靠。偏态明显：HML(正偏)、CMA(左偏),反映极端事件4.1模型评价指标4.2基于多元回归模型的实证研究Rt=βo+β₁M2t+β₂UEt+β₃EXt+β4IMt+β₅FEt+β₀IRt+βTPoicct+Et表4.1多元线性回归模型检验5知,该模型表达式为Rt=-5.6323+0.8923M2t-0.5431UEt+0.3217EXt+0.1125IMt-0.7654首先进行模型建立,以股票市场波动(通过对数收益率来衡量)作为因变量,充分考虑到化值等一系列投资情绪作为自变量,构建起多元线性回归模型。该模型旨在探究这些宏观经济因素是如何共同作用于股票市场波动,其数学表达式能够清晰地呈现各变量之间的线性关系假设。上,模型整体是显著的,即这些投资情绪作为一个整体,对股票市场波动具有显著影响,有力地证明了投资情绪与股票市场波动之间存在紧密的联系,为进一步分析和理解两者关系提供了坚实的数据支撑和理论依据。从检验结果可以看出,模型的拟合优度较好,F统计量显著,说明投资经济增长提升企业盈利预期，推动股市上涨每1%的GDP增长对应收益率上升0.89%。货币宽松增加市场流动性，降低融资成本，利好股利率上升提高企业借贷成本，压制估值，利空股市。PMI反映制造业景气度，但A股行业结构多元4.3基于Fama-French三因子模型的实证研究本文根据上述投资者情绪测度方法的梳理，本文主要参考了李双琪，陈其安等人(2021)的文章，在此选择如下七个变量作为衡量投资者情绪的初始代理指标，包资情绪代理变量百分比当期新增开户数量万IPO数量当期IPO总数量个IPO首日收益率当期进行IPO的股票平均的收益率百分比中位数0本文采用stata15软件首先对收集七个代理变量数据进行主成分的适用性分析，下表3.4是对数据进行标准化处理后，再进行KMO检验和Bartlet球形检验的结果。KMO检验和Bartlet检验主要是为了分析主成分分析法的适用性。由下表结果可知，KMO检验值为0.651,基本符合主成分分析的要求；同时，Bartlet球形检验的近似卡方值为374.746,自由度为10,显著性为0,小于0.05,说明变量间的相关性较好。所以，综上可以得出本文选取的初始代理变量数据是比较适合做主成分分析。自由度对值数最小，为0.001;这也表明七个变量之间相关系数整体较小，也侧面反映出七个变量之间表4.7模型评价指数通过模型评价指标可以更直观地了解其表现，RMSE(均方根误差)值为0.015,MAE(平均绝对误差)值为0.01,这两个指标反映了预测值与实际值之间的平均误差程度，数值相对较小，说明模型的预测结果较为接近实际情况，但仍存在一定偏差。R^2值为0.75,意味着模型能够解释股票市场波动75%的变化。拟合优度较高。账面市值比234234利润234234投资234234(1)账面市值比(HML)因子分析High组(高账面市值比,价值股)整体收益高于Low组(低账面市值比,成长股),但溢价在中等规模公司(3-4组)最显著(Small-Big溢价0.768-0.952,t值>2),而最小规模可能原因:小市值公司流动性差、风险高,削弱了价值效应;大市值公司信息透明度高,市价值效应(HML)在中等规模公司中表现最强(第3-4组溢价显著),表明规模适中的价值(2)利润(RMW)因子分析模分组中均显著(t值>1.8)。最强效应:第3组(中等规模)溢价达1.093(t=3.337),表明中等规模高盈利公司是核心(3)投资(CMA)因子分析保守投资策略占优:Low组(低投资,保守策略)收益在多数分组中高于High组(高投资,激进策略),但溢价仅在小盘股(Small-Big=0.643,t=1.753)和第2、4组显著(t>2)。例外:第3组溢价不显著,可能与行业特性(如科技公司高研发投入被市场认可)有关。投资效应在小盘股(Small)和第2、4组中显著,而在中等偏大规模(第3组)不显著,表本文进一步选取样本企业的规模和投资数据进行由低到高的5分类,组成5*5的25分组,25Size-BM组合25Size-OP组合MKTSMBHMLRMWCMA25Size-Inv组合0首先，市场因子(MKT)的系数基本均接近于1,并且系数的t统计量也是所有因子中最高的趋势，和前文分析结论一致。规模因子(SMB)按照规模由小到大可以发现，系数出现了递减的趋势，并且t统计量也呈现出递减的趋势，这说明规模因子对于小规模股票组合的收益有较强的解释力度，和前文分析结论一致。所有组合拟合度均高于0.9,说模型解释了90%以上的收残差标准差(s(e)):随规模增大逐渐减小(规模Low组s(e)=2.688,规模High组s(e)=1.978),大市值组合收益更易被因子解释，小市值组合残差波动更大(符合小市值股票噪音更多的特征)。所有组合对MKT因子的暴露高度显著且接近1,市场风险是收益的核心驱动因素。小市值组合(Low规模)对SMB正暴露显著,大市值组合(High规模)负暴露显著,符合“小市值溢价”。低BM(成长股)负暴露显著,高BM(价值股)正暴露显著,且随BM升高暴露程度增强，清晰区分价值股和成长股特征。其他因子较弱：盈利(RMWO)和投(1)市场因子(MKT)与其他因子正向弱相关：市场上涨时，小市值股票(SMB)表现略优，反映市场风险偏好提升时资金流向小盘股。说明牛市初期可适度超配小盘股。(2)市值因子(SMB)与其他因子强负相关：小市值公司(SMB)更倾向于成长型(低HML),大市值公司更偏向价值型(高HML)。说明小公司因融资约束更依赖增长机会，而大公司更易通过资产重组实现价值回极强负相关：小市值公司盈利能力(RMW)普遍较低，可能因规模小、抗风险能力弱，盈利波动大。(3)盈利因子(RMW)与投资因子(CMA)高)盈利能力较弱。与传统假设(保守投资更优)矛盾，可能反映样本中高盈利公司(如科技企(4)账面市值比因子(HML)与投资因子(CMA)显著正相关：价值股(高HML)与保守投资(高CMA)正向联动，符合“价值股多属于成组合优化：价值股策略可叠加保守投资筛选，增强收益稳定性。低共线性组合：MKT+HML+CMA,HML与CMA相关性可控(0.445),且与MKT独立性较强。适用场景：价值投资与保守投资策略叠加。高收益风险组合：SMB+RMW,风险：两者强负相关(-0.608),需严格控制仓位。捕捉4.4.3模型预测及结果分析表4.11模型预测及结果分析表独2342-0.345**-0.343***-01560.1283-0.597***-0.409***-0291*4(MKT易物2(S数24g20.456***-0.259***-0.1530.611***-0,354***-0.130**0.05340.699***-0.379***-0.0937***40.253***-0036RMWO系数)24406090.223.0.287***.0.340*eCMA系教)24e234H组合(成长股)的α为-0.265*(10%显著),高BM组合α为-0.098(不显著),整体随BM升高,α从负向不显著变化,说明低市值成长股可能存在负超额收益。规模2-4组:中低规模组合中,低BM组α多为显著负值,如规0.268^{*}^{*}显著,低BM组合α=0.077不显著,与小规模组相反,大市值成长股超额收益不显著,价值股仍(1)市场因子MKT分析其中所有组合的MKT系数均接近1,且高度显著,说明力极强,符合市场风险的核心地位。高BM组合的MKT系数略高于低BM组合,差异不(2)规模因子SMB分析露。规模High组:SMB系数均为负(-0.357到-0.076),且高BM组合更合大市值组合对SMB的负向暴露。整体趋势:规模越小,SMB系数越高小市值溢价;规模越有显著负暴露,符合理论预期。高BM组合(价值股):HML系数均为正(规模Low组BM=High时h=0.202***,规显著正暴露,规模越大,价值溢价越明显。(4)分组交叉效应值股正暴露,符合HML因子设计初衷。为正,但整体显著性较低,盈利因子解释力较弱。低规模组低BM组合CMA系数显著为正,高规模组高BM组合CMA系数多为负,符合“低投资公司表现更好”的理论预期,但在本次针对投资情绪对股票市场波动影响的研究中,运用了多元回归模型神经网络模型和因子模型,各模型展现出不同的特性。多元回归模型构建时,以股票市场波动对数收益率为因变0.62,拟合优度较好,F统计量达20.5,p值仅0.001,表明投资情绪整体对股票市场波动影响显著,不过该模型仅能敌处理线性关系,对于复杂的非线性关系难以精准刻画。在利用三因子模型进行股票投资预测时，我们必须充分认识到投资情绪市场情绪极端化的时期，投资者应更加谨慎地解读模型的预测投资决策。同时，这也为我们未来的研究提供了新的方向：如何进一地适应不同投资情绪背景下的股票市场。三因子模型在股票投资预测中具其预测能力受到投资情绪的影响。为了更好地利用该模型进行投资决策，我们需要密切关注市场基于增添情绪因子和投资因子的五因子模型回归分析发现，市场因子紧密相关的因子，股票组合的超额收益呈现出和市场收益走向股票组合的超额收益有较强的解释力度，估值因子在对于高账面价值比股解释力度，因此认为基于Fama-French三因子增添情绪因子改进的模型，在过去的十年中国的沪深300市场是适用的通过模型的回归发现，情绪因子(ISI)的不同组合系数中有15个是正数，说明了在过去十年间，投资者对我国的经济发展的态度总极乐观的投资者情绪也带动了不同股票组合收益的增长，有利于我国不同的投资情绪对股票市场波动的影响程度和方式各异。例如场流动性来作用于股票市场；失业率则反映了经济的整体健康状况，进而影响投资者信心和企业盈利；进出口贸易数据体现了国家经济的外向性程度，对相关行业的股基于增添情绪因子和投资因子的五因子模型回归分析发现，市场因子是股票组合超额收益最紧密相关的因子，股票组合的超额收益呈现出和市场收益走向相同的趋势；规模因子对于小规模股票组合的超额收益有较强的解释力度，估值因子在对于高账面价值比股票组合的收益有较强的解释力度，因此认为基于Fama-French三因子增添情绪因子改进的模型，在过去的十年间，对于中国的A股市场是适用的。通过模型的回归发现，情绪因子(ISI)的不同组合系数中有15个是正数，说明了在过去十年间，投资者对我国的经济发展的态度总体是比较乐观的，同时这种积极乐观的投资者情绪也带动了不同股票组合收益的增长，有利于我国国内沪深300市场的健康稳定发展。尽管本研究取得了一定的成果，但仍存在一些不足之处。在数据方面，虽然选取了多个具有代表性的投资情绪和股票市场数据，但数据的时间跨度和样本数量仍有待进一步扩充，以提高研究结果的可靠性和普适性。同时，对于一些难以量化的宏观经济因素，如政策的不确定性、国际政治经济形势等，未能充分纳入研究范围，可能影响研究的全面性。未来的研究可以朝着多维度、精细化的方向发展，结合宏观经完善研究方法和模型，以更深入、准确地揭示投资情绪对股票市场波动参与者和政策制定者提供更有价值的参考依据。[1]李佳航.经济政策不确定性的非线性变化对中外股票市场波动的影响研究[D].吉林大学，2024.[3]黄俊.基于改进三因子模型下投资者情绪对我国股票市场影响的研究[D].江西财经大学，202[4]周悦.投资者情绪对企业投资行为的影响研究[D].西安理工大学，2024.DOI:10.27398/ki.gxalu.2024.000437.[5]田路投资者情绪指标构建及对股市收益的影响中国商论20192021,(02):99-107.[9]张琳，张军，王擎.宏观经济信息发布对股票市场收益率及其波动的影响[J].系统工程理论与41(07):92-94.[16]ChowdhuryKE,AbdullahNM.Gaunderheterogeneousmarketcharacteristics[J].InternationalReviewofEconom[19]C.N,D.F.E,E.I.A,etal.Theinflueneconomies:AfocusonNigeria[J].InternationalJournalofEnergyEconomicsandPolicy,2021,11(3):[20]LingnanL.AnanalysisoftheimpactsofmacroeJournalofGovernanceand[21]Dept.EFMI.RepublicofSerbia:Fourt[22]RachanaJ,ShashankG,KumarAT.DecodingmoodoftheTwitterverseonESGinvesting:ominingandkeythemesusingmachinelearning[J].ManagementResearchReview,2024,47(8):1221-WesternGhats,India[J].EcologicalFrontiers,2025,45(3):749-755.附录.附录1:数据展示.涨跌幅(%)成交量(手)消费者预期指数消费者满意指数消费者信心指数▼)L2345746994321)46994321)7694266888927264!4)2222222222222222222222224442统计月度上月封闭差IPO首日收IPO数新增开户娄上月市场抄上月消费者投资者情绿投资者情绿投资者情绪指数(标准化-别除宏观经济因素34556了89023456附录2:多元回归线性模型fromstatsmodels.stats.outliers_influenceimportvariance_iimportmatplotlib.pyp#设置Tusharetoken(需注册获取)ts.set_token('your_tushare_topro=_api()#获取沪深300指数月度收益率(2010-2024)hs300['return']=hs300['close'].pct_change()*100#月度收益率(%)#获取宏观经济指标(示例数据，需替换为实际API或数据库)#此处使用模拟数据，实际可从国家统计局、Wind等获取macro_data=pd.DataFrame(index=hs300.#假设已获取以下指标的月度数据(需对齐时间频率):macro_data['gdp_growth']=np.random.normal(6,1,len(hs300))#GDP同比增长(%)macro_data['cpi']=np.random.normal(2.5,0.5,len(hs300))#居民消费价格指数(%)macro_data['m2_growth']=np.random.normal(12,2,len(hs300))#M2货币供应量同比增长macro_data['pm50']=np.random.normal(51,3macro_data['interest_rate']=np.random.choice([3.0,3.25,3.5],len(hs300))#贷款基#合并数据data=pd.concat([hs300['return'],macro_data],axis=1).dropna()#检查多重共线性(VIF)returnvifvif_results=check_vif#定义自变量(X)和因变量(y)X=data[['gdp_growth','cpi','m2_growth','pm50','interest_#拟合模型*生成交易月份变量*转化为月份数据*=市场收益率*采用市值加权平均法计算，考虑现金红利再投资的综合月度市场回报率use综合月市场回报率.dta,clear21=综合A股和创业板；31=综合ABkeepif市场类型==21*=根据日交易数据判断当月是否ST*1=正常交易，2=ST,3=*ST,4=S(2006年10月9日及之后股改未完成),5=SST,6=S*ST,7=G(2006年10月9日之前已完成股改),8=GST,9=G*ST,10=U(2006年10月9日之前股改未完成),11=UST,12=U*ST,13=N,14=NST,15=N*ST,16=PT*转化为月份数据collapse(max)是否ST是否PT是否ST或PT,by(stkcd交易月份)save是否ST.dta,replace*=账面价值是t-1年12月底的账面所有者权益*=市场价值是t-1年12底的市场总值*=年末市场总值use年个股回报率.dta,clear*市值的单位是千元，转化为元replace年个股总市值=年个股总市值*1000replace年个股流通市值=年个股流通市值*1000keepstkcdyear年个股流通市值年个股总市值使用merge1:1匹配数据1:1指的是1对1匹配keep(13)相当于keepif_merge==1|_merg