社交媒体用户交互行为与股票市场的关联分析研究:基于新浪财经博客的实证

发布时间：2020-12-06 20:33

　　【目的】探究社交媒体用户交互行为的社会网络与股市之间的关系,检验社会网络属性对股市的预测能力。【方法】利用新浪财经博客的转载信息,设置时间快照构建多个网络图;提取网络属性并与上证指数做相关性分析;最后将具有相关性的网络属性与上证指数进行格兰杰因果关系检验。【结果】网络密度与上证指数呈现二次项关系,极值点为3 400;博主节点的平均点赞数与上证指数呈现正相关性,相关系数为0.486;平均点赞数取一阶滞后具有协整关系,可以作为上证指数的格兰杰因。【局限】由于长文本情感分析和算法优化的问题,未计算博文的情感且所选取的网络属性均为基本属性。【结论】本文验证了社交媒体用户的交互行为对股市的预测能力,交互行为的社会网络属性能够提高股市预测的精度。 

【文章来源】：数据分析与知识发现. 2019年11期 第108-119页 北大核心CSSCI

【文章页数】：12 页

【部分图文】：

不同网络结构的密度

部分博主的子图

通过对检验结果的分析,发现平均阅读量、节点数、边数和平均权重与MA·MA3的相关性显著水平均大于0.05,并不显著。仅密度和平均点赞数与MA·MA3的相关性是显著的。MA·MA3与密度的偏相关系数是–0.508,显著性检验的t统计量是0.026;与平均点赞数的偏相关系数是0.486,显著性检验的t统计量是0.035。因此在显著性水平0.05的条件下,MA·MA3与网络图的密度具有负相关性,与平均点赞数具有正相关性。进一步对MA·MA3与密度、MA·MA3与平均点赞数进行回归分析,结果如表4所示。通过散点图,发现MA·MA3与密度之间存在二次项的关系,MA·MA3与平均点赞数之间存在线性关系,因此使用曲线拟合,分析二者的线性关系,如图5所示。图5 MA·MA3与密度和平均点赞数曲线拟合

【参考文献】：
期刊论文
[1]基于微博情感分析的股市加权预测方法研究[J]. 赵明清,武圣强.  数据分析与知识发现. 2019(02)
[2]基于文本价格融合模型的股票趋势预测[J]. 余传明,龚雨田,王峰,安璐.  数据分析与知识发现. 2018(12)
[3]投资者信息能力:意见分歧与股价崩盘风险——来自社交媒体“上证e互动”的证据[J]. 丁慧,吕长江,陈运佳.  管理世界. 2018(09)
[4]投资者关注和股市表现——基于雪球关注度的研究[J]. 孙书娜,孙谦.  管理科学学报. 2018(06)
[5]社交媒体、投资者信息获取和解读能力与盈余预期——来自“上证e互动”平台的证据[J]. 丁慧,吕长江,黄海杰.  经济研究. 2018(01)
[6]基于深度学习和股票论坛数据的股市波动率预测精度研究[J]. 陈卫华,徐国祥.  管理世界. 2018(01)
[7]社交媒体投资者关注、投资者情绪对中国股票市场的影响[J]. 石勇,唐静,郭琨.  中央财经大学学报. 2017(07)
[8]基于分位数Granger因果的网络情绪与股市收益关系研究[J]. 许启发,伯仲璞,蒋翠侠.  管理科学. 2017(03)
[9]社交网络、投资者关注与股价同步性[J]. 刘海飞,许金涛,柏巍,李心丹.  管理科学学报. 2017(02)
[10]家庭社会网络与股市参与[J]. 王聪,柴时军,田存志,吴甦.  世界经济. 2015(05)



本文编号：2901988