基于详尽可能性模型的在线评论对股票价格影响研究
发布时间：2022-01-27 05:01
科技的发展扩大了人们获取信息和交流的渠道,人们可以通过网络媒介获取信息、交流经验。但是网络信息良莠不齐,海量的信息中夹杂着大量的噪音。当前,中国金融市场仍处于弱有效市场,金融市场仍然不够成熟和市场机制仍然不完善,存在大量的投机性交易。我国投资者中个人投资者占有率较高,受专业知识的影响和缺少足够信息判断,个人投资者在信息的获得和价值的判断上会存在严重的投机性倾向,加剧市场波动风险。因此,探究投资者在投资决策受到什么因素的影响,研究影响股市波动的因素及股票收益率的影响因素,对保证股票市场的成熟,健康的发展显得十分重要。本文基于详尽可能性模型,探究在线评论对股票价格影响。分析认为在线评论信息会通过中心路径和边缘路径两种不同的作用方式影响投资者。在线评论中的内容和质量会通过中心路径对投资者决策行为产生影响;在线评论中的信源和特征因素,如影响力,阅读数,评论数等会通过边缘路径对投资者决策行为产生影响。通过对在线评论进行情感分析,构建情感指数和情绪一致性指数,验证投资者情绪和股票收益率间作用关系。并利用文本中的信息和金融信息进行实证验证。研究结果表明:在中心路径下,投资者情绪的一致性对股票价格的影...
【文章来源】：哈尔滨工业大学黑龙江省211工程院校985工程院校
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
在线评论阅读数的分布图
哈尔滨工业大学管理学硕士学位论文35爬虫共获取在线评论总数22080条，评论的阅读数，评论数和对在线文本进行情感分析后的情绪指数的数据描述如下表4-1：表4-1平安银行的在线评论的数据描述总计均值标准差最小值最大值25%75%阅读数220802151.6096734.709324920008421503评论数220801.1557.208029001情绪指数220800.5490.3240.00010.2630.852情绪一致性2440.1030.0130.0670.1480.0940.111对于全部的样本数据来说，每条在线评论的平均阅读数为2151，最大值为492000，最小值为32，标准差为6734.709，四分位数为842，分布极不均匀。在线评论的平均评论数为1.155，最大值为290，最小值为0，标准差为7.208，四分位数为0，分布不均匀。情绪指数的平均值为0.549，最大值为1，最小值为0.000，标准差为0.324，四分位数为0.263，情绪指数的分布则较为均匀。情绪一致性指标为分组聚集后指标，均值为0.103，标准差为0.013，分布较为均匀，说明每日论坛评论内容的情绪较一致。在线评论阅读数和在线评论评论数的分布图分别见图4-1，图4-2。图4-1在线评论阅读数的分布图图4-2在线评论评论数的分布图根据数据的基本描述，我们可以从数据中看出，在线评论的阅读数和评论数存在分布不均匀现象，即在线评论的传播性和影响力有着明显的划分。但是大多数的在线评论基本无人问津，影响力和传播性不足。对情绪指数和评论数，针对此现象，我们根据评论的四分位数，将在线评论划分为“高影响力”和“低影响力”的分组。
哈尔滨工业大学管理学硕士学位论文364.2.2周末效应检验将高影响力组别的情绪指数按星期进行聚类，做并绘图分析，情绪指数周末效应分析图见图4-3，其中，0代表星期一，1-6依次往后推。我们可以发现，周一至周五的情绪指数较高，表现为积极性情绪，但周末的情绪指数呈下降趋势，且周六的情绪指数小于0.5，表现为消极性情绪，周日的情绪指数数值虽然大于0.5，但是相对于周内，积极性仍不高。图4-3情绪指数周末效应分析针对这种现象可以解释为，对于投资者来说周末的信息，一般情绪的积极性不大，对信息的反映也会呈现出厌恶型信息，在某种程度上注意力有限理论和详尽可能性模型理论也能解释此现象，在周末的时候，投资者有充足的精力对信息进行搜集和分析，在精力充足，时间宽裕的情况下，投资者对信息表现出情感中性甚至情感消极。平安银行2019-2020年的股票收益率的周末效应分析图如下图4-4，其中0代表星期一，1-4依次往后推。从图中我们可以看出平安银行的股票收益率随星期的变化而产生较大变化，一周中周一收益率最低，周五收益率最高，周末效应明显。通过对平安银行股价和在线论坛中情绪指数的周末效应分析，可以看出平安银行的股票收益率和情绪指数具有明显的周末效应。并且情绪指数在周末的时候表现为消极性情绪，这可能对周一的股票收益率低做出一定的解释：由于周末投资者对信息的情感判断多为中性甚至消极，由于周末属于非交易日，情绪会产生积累和滞后，反映在周一的市场中。
【参考文献】：
期刊论文
[1]互联网新闻媒体报道对我国股市的影响分析[J]. 王晓丹,尚维,汪寿阳. 系统工程理论与实践. 2019(12)
[2]基于股吧信息的投资者情绪与极端收益的可预测性研究[J]. 金秀,姜尚伟,苑莹. 管理评论. 2018(07)
[3]中国股票网络论坛的信息含量分析[J]. 段江娇,刘红忠,曾剑平. 金融研究. 2017(10)
[4]基于详尽可能性模型的微博话题可信度影响因素研究[J]. 刘子溪,朱鹏. 情报科学. 2017(08)
[5]投资者情绪如何影响股票定价?——基于IPO公司的实证研究[J]. 宋顺林,王彦超. 管理科学学报. 2016(05)
[6]投资者情绪、意见分歧与中国股市IPO之谜[J]. 俞红海,李心丹,耿子扬. 管理科学学报. 2015(03)
[7]基于微博情绪信息的股票市场预测[J]. 黄润鹏,左文明,毕凌燕. 管理工程学报. 2015(01)
[8]基于ELM模型的微博舆情传播影响因素研究——以新浪微博为例[J]. 张玥,孙霄凌,朱庆华. 情报学报. 2014 (04)
[9]改进型RBF神经网络在股票市场预测中的应用[J]. 魏文轩. 统计与决策. 2013(15)
[10]不同市态下投资者情绪与股市收益、收益波动的异化现象——基于上证股市的实证分析[J]. 杨阳,万迪昉. 系统工程. 2010(01)
本文编号：3611812
【文章来源】：哈尔滨工业大学黑龙江省211工程院校985工程院校
【文章页数】：55 页
【学位级别】：硕士
【部分图文】：
在线评论阅读数的分布图
哈尔滨工业大学管理学硕士学位论文35爬虫共获取在线评论总数22080条，评论的阅读数，评论数和对在线文本进行情感分析后的情绪指数的数据描述如下表4-1：表4-1平安银行的在线评论的数据描述总计均值标准差最小值最大值25%75%阅读数220802151.6096734.709324920008421503评论数220801.1557.208029001情绪指数220800.5490.3240.00010.2630.852情绪一致性2440.1030.0130.0670.1480.0940.111对于全部的样本数据来说，每条在线评论的平均阅读数为2151，最大值为492000，最小值为32，标准差为6734.709，四分位数为842，分布极不均匀。在线评论的平均评论数为1.155，最大值为290，最小值为0，标准差为7.208，四分位数为0，分布不均匀。情绪指数的平均值为0.549，最大值为1，最小值为0.000，标准差为0.324，四分位数为0.263，情绪指数的分布则较为均匀。情绪一致性指标为分组聚集后指标，均值为0.103，标准差为0.013，分布较为均匀，说明每日论坛评论内容的情绪较一致。在线评论阅读数和在线评论评论数的分布图分别见图4-1，图4-2。图4-1在线评论阅读数的分布图图4-2在线评论评论数的分布图根据数据的基本描述，我们可以从数据中看出，在线评论的阅读数和评论数存在分布不均匀现象，即在线评论的传播性和影响力有着明显的划分。但是大多数的在线评论基本无人问津，影响力和传播性不足。对情绪指数和评论数，针对此现象，我们根据评论的四分位数，将在线评论划分为“高影响力”和“低影响力”的分组。
哈尔滨工业大学管理学硕士学位论文364.2.2周末效应检验将高影响力组别的情绪指数按星期进行聚类，做并绘图分析，情绪指数周末效应分析图见图4-3，其中，0代表星期一，1-6依次往后推。我们可以发现，周一至周五的情绪指数较高，表现为积极性情绪，但周末的情绪指数呈下降趋势，且周六的情绪指数小于0.5，表现为消极性情绪，周日的情绪指数数值虽然大于0.5，但是相对于周内，积极性仍不高。图4-3情绪指数周末效应分析针对这种现象可以解释为，对于投资者来说周末的信息，一般情绪的积极性不大，对信息的反映也会呈现出厌恶型信息，在某种程度上注意力有限理论和详尽可能性模型理论也能解释此现象，在周末的时候，投资者有充足的精力对信息进行搜集和分析，在精力充足，时间宽裕的情况下，投资者对信息表现出情感中性甚至情感消极。平安银行2019-2020年的股票收益率的周末效应分析图如下图4-4，其中0代表星期一，1-4依次往后推。从图中我们可以看出平安银行的股票收益率随星期的变化而产生较大变化，一周中周一收益率最低，周五收益率最高，周末效应明显。通过对平安银行股价和在线论坛中情绪指数的周末效应分析，可以看出平安银行的股票收益率和情绪指数具有明显的周末效应。并且情绪指数在周末的时候表现为消极性情绪，这可能对周一的股票收益率低做出一定的解释：由于周末投资者对信息的情感判断多为中性甚至消极，由于周末属于非交易日，情绪会产生积累和滞后，反映在周一的市场中。
【参考文献】：
期刊论文
[1]互联网新闻媒体报道对我国股市的影响分析[J]. 王晓丹,尚维,汪寿阳. 系统工程理论与实践. 2019(12)
[2]基于股吧信息的投资者情绪与极端收益的可预测性研究[J]. 金秀,姜尚伟,苑莹. 管理评论. 2018(07)
[3]中国股票网络论坛的信息含量分析[J]. 段江娇,刘红忠,曾剑平. 金融研究. 2017(10)
[4]基于详尽可能性模型的微博话题可信度影响因素研究[J]. 刘子溪,朱鹏. 情报科学. 2017(08)
[5]投资者情绪如何影响股票定价?——基于IPO公司的实证研究[J]. 宋顺林,王彦超. 管理科学学报. 2016(05)
[6]投资者情绪、意见分歧与中国股市IPO之谜[J]. 俞红海,李心丹,耿子扬. 管理科学学报. 2015(03)
[7]基于微博情绪信息的股票市场预测[J]. 黄润鹏,左文明,毕凌燕. 管理工程学报. 2015(01)
[8]基于ELM模型的微博舆情传播影响因素研究——以新浪微博为例[J]. 张玥,孙霄凌,朱庆华. 情报学报. 2014 (04)
[9]改进型RBF神经网络在股票市场预测中的应用[J]. 魏文轩. 统计与决策. 2013(15)
[10]不同市态下投资者情绪与股市收益、收益波动的异化现象——基于上证股市的实证分析[J]. 杨阳,万迪昉. 系统工程. 2010(01)
本文编号：3611812
本文链接：https://www.wllwen.com/guanlilunwen/bankxd/3611812.html
