网络首发时间：2024-01-16 17:43:55 网络首发地址：https://link.cnki.net/urlid/41.1078.F.20240115.1629.018 整体情绪、 背景情绪与股票市场波动——基于 TVP-SV-VAR 模型的实证研究 整体情绪、背景情绪与股票市场波动 ——基于 TVP-SV-VAR 模型的实证研究 万顺枫 1，唐 勇 1,2，林娟娟 1,2 （1. 福州大学 经济与管理学院，福建 福州 350108； 2. 福建省金融科技创新重点实验室，福建 福州 350108） 摘要：投资者情绪可以划分为整体情绪和背景情绪，二者通过决策过程的传导产生非理性偏 差，从而导致股票市场波动。采用大数据深度学习预训练模型，挖掘分析 238 万条文本数据， 从整体情绪与背景情绪两个指标的角度，基于时变参数向量自回归模型（TVP-SV-VAR）进行 实证研究。实证结果表明：整体情绪和背景情绪对股票市场波动的影响存在时变效应，主要 表现为短期影响，长期影响相对较弱；消极的整体情绪通过非理性偏差显著提高股票市场的 波动率，但消极的背景情绪通过情绪泛化作用在一定程度上缓解了股市波动；二者对股市波 动的冲击方向相反且存在弱负相关关系，在不同时间点的冲击程度与冲击时间存在一定差 异。研究结论对股市健康发展有一定的现实意义。 关键词：投资者情绪；股票市场波动；文本挖掘；TVP-SV-VAR 模型 文章编号：1003-4625（2023）12-0105-11 中图分类号：F830.9 文献标识码：A 一、引言与文献综述 投资者情绪是指投资者在进行投资决策过程中 产生的综合情绪，其通过改变投资者投资意愿而影 响决策行为，可能会导致非理性行为产生，使得决策 结果发生偏差[1]。对于投资者情绪等与决策相关联 的情绪，可以进一步细分为整体情绪和背景情绪两 个部分[2]。整体情绪（integral sentiment）是源于决策 本身而直接产生的情绪，是对目标的一种真实且主 观的反应；背景情绪（background sentiment）是与决 策本身不直接相关的， 而源于非决策目标的情绪。在 情绪影响决策过程中二者发生融合，共同形成总情 绪反应[3]。 在股票市场中，行为金融理论认为投资者情绪 是一个从心理向行为的传导过程，主要通过影响投 资者的决策意愿与行为，使投资决策与股票定价产 生非理性变化，从而表现为投资者情绪对股市波动 的影响。 对于投资者情绪中的整体情绪，相关研究较为 全面，绝大多数研究将来自投资决策目标的整体情 绪直接定义为投资者情绪，多维度探讨了整体情绪 与股票市场波动的关系。DSSW 模型[4] 证明了股票 价格由理性预期的投资者和噪声交易者共同决定， 其中噪声交易者的非理性行为会导致股票价格对价 值的背离，最终导致了股票市场波动的加剧。基于 此 ，国 内 外 学 者 通 过 VAR 系 列 模 型 、GARCH 族 模 型、高阶矩模型、分位数模型、分形方法等研究了整 体情绪与股市波动率之间的关系，认为整体情绪所 引发的非理性行为会导致股票市场波动的加剧[5-8]。 大多数学者证明了情绪变化与市场波动呈负相关关 系，当情绪倾向消极时对股市波动率的冲击更为显 著[9]，但也有部分研究支持相反方向的影响[10]。同 时，也有学者通过分析情绪对股票市场波动影响的 时变性，证明了不同的市场周期下整体情绪对股市 波动会产生不同的影响[11-13]。 然而，对投资者情绪中的背景情绪研究屈指可 数，仅有少部分研究通过设计小样本实验的方式证 明了背景情绪对投资者的决策行为和风险规避倾向 存在显著影响[14-15]；部分学者将小样本实验的结论 收稿日期：2023-09-11 基金项目：本文为国家社会科学基金项目“公共数据资产市场化配置研究” （21BJY033）的阶段性成果。 作者简介：万顺枫（1999—），男，福建三明人，硕士研究生，研究方向为风险管理；通信作者唐勇（1970—），男，江苏淮安人，博士， 教授，博士生导师，研究方向为风险管理；林娟娟（1995—），女，福建石狮人，博士研究生，研究方向为风险管理。 2023 年第 12 期(总第 533 期) 105 金融理论与实践 证券保险 拓展到社交媒体范围，证明在消极的背景情绪下股 民的行为更加冒险[16]，但仍未对背景情绪与股票市 场波动之间的影响关系与传导机制进行分析与解释。 综上所述，整体情绪和背景情绪都是投资者情 绪的重要组成部分。但背景情绪如何影响股票市场 波动？背景情绪和整体情绪分别通过什么机制对股 票市场产生影响？整体情绪和背景情绪之间是否存 在一定的关联机制？二者对股票市场波动的影响是 否存在时变效应？尚未有研究对以上问题进行系统 探讨。 针对以上问题，本文可能的边际贡献包括：第 一，通过深度学习预训练模型对整体情绪和背景情 绪进行了有效识别与数据挖掘，构建了能够准确反 映投资者情绪的指标；第二，通过时变参数向量自回 归模型考察了时变条件下整体情绪和背景情绪对股 票市场波动的影响方向、影响机制与冲击差异；第 三，研究了整体情绪与背景情绪之间的相互作用机 制，相关结论对股市健康发展有一定的现实意义。 二、理论机制与研究假设 （一）投资者情绪与股票市场波动的影响机制 结合相关研究[17]，在传统 DSSW 模型中，金融市 场上存在理性交易者与噪声交易者两类投资者，其 中理性交易者能够以真实信息为参考，准确地预期 风险资产带来的收益，从而进行理性交易；而噪声投 资者以噪声或不完全信息为参考，对风险资产的预 期产生估计偏差 ρ t，即投资者情绪，且该偏差满足独 立同分布的正态随机变量 ρ t~N(ρ*, σ 2ρ )，短期均值低 于长期均值，短期方差高于长期方差。交易者的预 期效用函数，以及根据该效用函数推导出风险资产 价格关于偏差的函数为： E(U)=μ-γσ 2 （1） Pt =1+ μ ( ρ t - ρ* ) μρ* 2γμ2 σ 2ρ + r 1 +r r (1 + r ) 2 （2） 在该模型中，风险资产的价格受资产的基本价 值、噪声投资者的预期、投资者结构三个因素影响； 而风险资产价格的方差主要受理性投资者的套利行 为和噪声投资者的估计偏差影响。理性投资者有助 于减少价格波动，而噪声交易者如果在情绪的影响 下对资产价格产生预期偏差，则会增加资产价格的 波动。我国股市中散户投资者体量大，非理性偏差 主要表现为羊群行为、过度自信以及过度反应与反 应 不 足 等 ，这 类 偏 差 最 终 会 引 起 股 票 市 场 的 波 动[18-20]。 金融理论与实践 令风险资产价格分别对投资者情绪的均值和方 差求偏导，可得到： * ∂P t μ ( ρ* )' μ μ ∂P t μ ( ρ t - ρ ) = + ， = ∂ρ* 1 + r 1 + r r ∂σ 2ρ 2 (1 + r ) σ 2ρ 2γμ2 r (1 + r ) 2 （3） 在短期内，投资者情绪均值和方差对资产价格 和资产价格波动的影响均为负向，而随着期限的增 加，预期均值提高且预期方差下降，对资产价格的影 响趋于正向，但对资产价格波动的影响趋于零。即 投资者情绪对股票市场波动的影响存在一定的时变 特征，在短期内更为显著，在长期内逐渐消失。 （二）整体情绪、背景情绪与股票市场波动的时 变影响机制 在 DSSW 模型的基础上，结合投资者情绪相关 定义与股票市场的具体实际，可以进一步将投资者 情绪分解为整体情绪与背景情绪。 1. 整体情绪与股票市场波动 整体情绪是源于决策本身而直接产生的情绪， 是对目标的一种真实且主观的反应。在股票市场投 资者情绪中，整体情绪是与股市决策行为本身直接 相关的情绪，存在一定的时变特征，包括但不限于决 策前对股市的预期、决策时对股市变化的及时反应、 决策后对股市的反馈等。 整体情绪对股票市场波动产生时变影响。首 先，整体情绪能够改变风险厌恶水平，使投资者对股 票市场决策的风险厌恶程度发生变化，调整对预期 收益或预期风险的偏好程度，将投资者的非理性偏 好水平传导为股票市场的波动[21]。其次，整体情绪 会影响股市信息传递，在不同的情绪状态下对股市 信息产生不同的理解，可能会导致对股票价格信息、 管理层信息、宏观经济信息的理解偏差，从而进行错 误定价。再次，整体情绪可以改变市场流动性水平， 各类过度反应、过度自信、厌恶损失等情绪会在一定 程度上决定投资者的交易行为，使得股票流动性发 生改变，从而将股票定价的心理偏差转化为实际价 格变化，导致股票市场的波动[22]。 2. 背景情绪与股票市场波动 在关于投资者情绪的已有文献中，投资者情绪 一般仅被定义为来源于投资决策目标的整体情绪， 但与投资决策目标不直接相关、来源于其他情境的 情绪，即背景情绪，也是投资者情绪的重要组成部 分。 106 2023 年第 12 期(总第 533 期) 整体情绪、 背景情绪与股票市场波动——基于 TVP-SV-VAR 模型的实证研究 背景情绪是与决策本身不直接相关的，而源于 非决策目标的情绪[23]。背景情绪存在转移机制，人 们普遍会将某一情境下的情绪带到另一情境中，进 而影响与该情绪无关的决策。背景情绪的转移一般 会在无意识的情况下发生，在情境复杂和难以预料 的情况下更有可能影响个体判断。对个体而言，这 种来自非决策目标的情绪一般称为伴随情绪或偶然 情绪，对群体而言，由于偶然事件影响的情绪会被大 数定理抵消，所以群体的情绪一般来源于影响群体 的共同事件，如社会政策、热点新闻等，此时称为背 景情绪[24]。 背景情绪对股票市场波动产生时变影响。背景 情绪的影响机制存在情绪泛化与情绪维持两类假 设[25]，两类假设均认为在背景情绪的影响下，个体的 决策行为会出现更多非理性偏差，从而出现决策失 误导致决策结果的失败。但情绪泛化假设认为情绪 会增加对具有相同效价的事件发生概率的感知，即 情绪积极时决策更乐观，更体现风险趋向；而情绪维 持假设认为个体会做出能够提升愉悦感的选择，即 情绪积极时会努力保持积极状态而体现风险规避。 二者的影响机制完全相反，这将导致股票市场投资 决策中不同的非理性偏差，从而对股票市场波动产 生时变影响。 3. 整体情绪与背景情绪 整体情绪与背景情绪之间存在相互影响关系。 整体情绪与背景情绪之间的相互作用存在正反馈与 图1 2023 年第 12 期(总第 533 期) 负反馈两种假设。正反馈假设认为，相同方向的情 绪存在叠加效应，各类情绪、情绪各因素之间共同产 生作用，这将导致极端情绪和异常行为的产生；负反 馈假设认为，不同的情绪存在不同的影响机制，积极 情绪与消极情绪会相互抵消，即使是相同方向的情 绪，仍然会受到作用机制、影响效果、留存时间之间 差异的影响而彼此抵消 ，从而表现为情绪的短期 性[26]。 在股票市场决策中，来自非决策目标的背景情 绪和来自决策目标的整体情绪会通过正反馈或负反 馈机制，共同组成总投资者情绪反应，通过非理性偏 差对股票市场波动产生影响。 （三）本文研究机制与研究假设 结合相关文献与理论，根据整体情绪和背景情 绪的时变影响机制以及 DSSW 模型中投资者情绪、 非理性偏差与资产价格波动变化的影响机理，本文 的研究机制如图 1 所示。 （1）关于整体情绪对股票市场波动的时变影响。 整体情绪反映了与股票市场直接相关的投资者情 绪，整体情绪的变化会直接影响到股票市场的供求 关系和价格波动。在不同的时间期限中，受积极或 消极的整体情绪倾向的影响，受情绪驱动的噪声交 易者会产生非正常的风险厌恶情绪，影响市场信息 的有效传递，导致市场流动性快速变化，从而产生更 多的错误定价和非理性交易行为，最终影响股票市 场的波动状况。基于此，本文提出假设 1 如下。 整体情绪、背景情绪与股票市场波动的时变影响机制 107 金融理论与实践 证券保险 假设 1：整体情绪对股票市场波动存在时变影 响，并且消极的整体情绪会加剧股票市场的波动。 （2）关于背景情绪对股票市场波动的时变影响。 背景情绪反映了与股票市场不直接相关的社会群体 情绪，通过背景情绪的转移机制对投资者的决策行 为产生影响，通过情绪泛化或情绪维持的影响机制 导致噪声投资者出现更多非理性偏差，从而对股票 市场波动产生影响。基于此，本文提出假设 2 如下。 假设 2a：背景情绪通过情绪泛化机制对股票市 场波动产生时变影响，情绪积极时体现为风险趋向， 加剧股票市场波动。 假设 2b：背景情绪通过情绪维持机制对股票市 场波动产生时变影响，情绪积极时体现为风险规避， 稳定股票市场波动。 （3）关于整体情绪与背景情绪的相互影响。两 类情绪通过不同的情绪机制对股票市场波动产生影 响，同时通过正反馈机制或负反馈机制的相互作用 产生投资者的总情绪反应。投资者情绪通过非理性 偏差的产生影响股票市场波动，且该影响机制存在 时变特征。基于此，本文提出假设 3 如下。 假设 3a：整体情绪与背景情绪之间存在正反馈 机制，短期内互相强化导致极端情绪的产生。 假设 3b：整体情绪与背景情绪之间存在负反馈 机制，短期内不具有稳定性与持续性。 （4）关于股票市场波动对整体情绪和背景情绪 的反向影响。一方面，股票市场波动是整体情绪的 重要来源，二者之间表现为相互冲击关系。但另一 方面，股票市场波动仅属于背景情绪形成过程中社 会群体热点事件的极小部分，对背景情绪的时变影 响可以忽略不计。基于此， 本文提出相关假设 4 与假 设 5如下。 假设 4： 股票市场波动对整体情绪产生时变影响。 假设 5：股票市场波动的变化对背景情绪不存 在显著的时变影响。 三、指标度量与模型构建 （一）整体情绪与背景情绪指标度量 长期以来，国内外学者通过不同的投资者情绪 指标开展研究，证明了投资者情绪与股票市场波动 之间存在显著的影响关系，但具体情绪传导机制和 影响内容仍然存在争议。这主要是源于情绪定义与 指标度量方式上存在的差异，情绪指标的度量方法 主要包括了主观调查法、客观计量法和大数据方法。 随着计算机与互联网的发展，股票市场与网络 金融理论与实践 社交媒体的联系愈发紧密，来自文本大数据的投资 者情绪更能有效反映投资者即时的情绪变化与决策 行为。针对此类大数据，可以通过大数据方法，从中 提取有价值的信息用于投资者情绪的构建[27-30]。以 谷歌 BERT 模型[31]、百度 ERNIE 模型[32] 等为代表的 预训练模型在大数据任务中体现出优势，基于预训 练模型的投资者情绪构建成为行为金融学领域的热 点。 基于此，本文将通过深度学习预训练模型对文 本大数据进行挖掘与度量，从而构建兼顾客观性、稳 定性、及时性的整体情绪与背景情绪指标。根据前 文研究分析，本文主要将投资者情绪划分为整体情 绪和背景情绪两部分，其中整体情绪指标数据来源 于国内某财经网站论坛的上证指数板块，背景情绪 指标数据来自国内某新闻门户网站的每日热门新 闻。 本文选取的财经网站论坛是国内用户数、浏览 量、发帖量较高的股票相关社区，投资者可以通过该 论坛发表其对股票市场的情感态度。上证指数板块 是该论坛最热门的板块之一 ，每日发帖量平均为 3000—5000 条，通过该板块的发帖文本数据可以得 到整体情绪序列。本文选取的新闻门户网站是国内 较大的互联网新闻媒体网站，其每日热门新闻排行 榜展示了每日讨论度最高的十条新闻，包含了新闻 标题、新闻正文、最热评论等数据。根据前文分析， 投资者的背景情绪主要来源于社会热点新闻事件， 通过每日热门新闻排行前十的新闻标题和前五条热 评文本数据得到背景情绪序列。 通过 python 爬取国内某财经网站论坛上证指数 板块从 2019 年 1 月 1 日至 2021 年 8 月 31 日所有帖子 的标题文本数据，共计爬取 224 万条文本，将原始数 据进行文本清洗处理，手动剔除非标准文本（如纯数 字标题、纯表情标题、乱码标题、广告帖等），通过股 市交易日进行筛选，最终得到文本 1351791 条。采 用相同爬取方法获取国内某新闻门户网站的每日讨 论量排行最高的十条新闻的新闻文本和热度最高的 前五条评论文本，共计爬取 14 万多条文本，数据包 括新闻链接、新闻标题、新闻时间、新闻评论数、新闻 内容文本、热度最高的前五条评论文本，筛选后得到 背景情绪文本数据 101766 条，见表 1。 基于前文分析，近年来，以百度 ERNIE 模型为 代表的预训练模型在自然语言处理情感分析任务中 得到了较好的结果。百度通过自建大数据库对模型 108 2023 年第 12 期(总第 533 期) 整体情绪、 背景情绪与股票市场波动——基于 TVP-SV-VAR 模型的实证研究 表1 投资者情绪指标数据来源 符号 情绪指标 数据来源 筛选后文本数量（条） IS 整体情绪 某财经网站论坛的上证指数板块帖子标题 1351791 BS 背景情绪 某新闻门户网站的每日前 十条热门新闻标题和前五条热评 101766 进行了预训练，在其开源深度学习平台飞浆 paddlepaddle 上提供调用接口。本文选择兼顾了分类模型 的精确率和召回率的 F1 值作为情绪分类效果好坏 的评价标准，选取效果最好的三个模型 Emotion_Detection_textCNN、Senta_BiLSTM、ernie_skep 进行迁移 应用。其中 Emotion_Detection_textCNN 基于 CNN 模 型，能够通过窗口遍历卷积计算捕捉文本数据中的 局部关键特征；Senta_BiLSTM 基于双向的 LSTM 模 型，在保留长短记忆的基础上能够从正向与负向两 方向进行文本输入；ernie_skep 是一种情绪知识增强 预训练模型，通过属性—情感词对的知识进行训练。 首先，通过百度 paddlehub 库调用三个深度学习 预训练模型的 API 接口，处理前文爬取和筛选后的 文本数据，在原始模型基础上进行迁移应用，将得到 的三个模型结果输出并平均， 得到每条文本的情绪值。 其次，将每日的所有文本进行标准化处理后得 到 情 绪 指 标 It，包 括 IS 整 体 情 绪 和 BS 背 景 情 绪 两 类；Prob(sentiment=1)i,t 表示当日第 i 条文本由模型计 算的情绪正向概率；n 表示当日文本总个数。 M volt = ∑ r t,i2 2023 年第 12 期(总第 533 期) （5） i= 1 2 t,i 其中，r 为交易日 t 的第 i 个对数收益率，M 为采 样频率选取为 5 分钟。 （三）描述性统计与分析 表 2 显示了整体情绪指标、背景情绪指标与股 票市场已实现波动率的描述性统计。总体而言，各 序列均表现出有偏与尖峰肥尾特性，属于平稳序列 且不服从正态分布。两类投资者情绪指标和股市波 动率具有一定的有效性，能在一定程度上反映真实 市场情况，可以进行后续建模分析。 表 2 描述性统计 ∑ P ro b ( s e ntim e nt = 1) i,t i= 1 （4） × 100 n 再次，将得到的每天文本的正向概率结果平均 后进行标准化处理，以 0 表示情绪极度悲观，50 表示 情绪中性，100 表示情绪极度乐观。最终得到整体 情绪和背景情绪序列。 （二）股票市场波动的度量 近年来，随着互联网的快速发展和计算机技术 的进步，人们获取信息的渠道更加多元，数据量更加 庞大，数据特点趋于高频、多维、混杂、低价值密度 等，高频数据成为金融资产价格波动测度研究的重 点。相比于低频数据，高频数据可以更有效地捕捉 市场信息，从而反映市场的真实状况。已实现波动 率指标[33]通过将股票市场的日内高频数据分割成固 定频率的收益率，对其收益率的平方进行求和加总。 该指标通过真实数据直接计算得出波动率，无须进 行模型构造和参数估计，可以很好地度量当日的真 实市场波动情况，较为适用于我国股票市场的波动 2019 年 1 月 1 日至 2021 年 8 月 31 日股市交易日 率度量[34-35]。 本文的投资者情绪指标来自日内高频文本数 据，基于此，选取 2019 年 1 月 1 日至 2021 年 8 月 31 日 上海证券综合指数的高频数据，通过 5 分钟已实现 波动率度量每日的股票市场波动： n It = 数据区间 变量 整体情绪 背景情绪 股市波动率 均值 40.9209 26.9237 1.4512 中位数 40.83 25.94 1.0598 最大值 60.11 60.92 10.8323 最小值 26.87 7.74 0.5318 标准差 4.2494 7.5378 1.0988 偏度 0.0579 0.7366 3.2238 峰度 3.5667 3.9491 18.3002 J-B 统计量 9.0482** 83.0405*** 6454.53*** ADF 统计量 -6.9946*** -7.2404*** -6.7775*** 注：***、**、*分别表示在 1%、5%、10% 显著性水平下 拒绝原假设，下同。 （四）TVP-SV-VAR 模型构建 结合前文分析，本文主要关注整体情绪和背景 情绪对股票市场波动的影响，但在真实市场中，股票 市场波动也会通过信息的传导效应导致投资者情绪 的变化， 这种双向因果关系可能会导致一定的内生性 问题。基于此，本文采用向量自回归模型将三类变 量均作为内生变量，通过变量的滞后项进行回归建 模， 同时为了考察变量在不同时期的影响关系与特征， 选取时变参数向量自回归（TVP-SV-VAR）模型刻画 109 金融理论与实践 证券保险 变量之间的非线性特征[36]。其模型构建方法如下。 设定基础 VAR 模型为： yt =Xtβ t+A t-1∑t ε t，t=s+1,⋯,n，ε t~N(0,It) （6） 其中，yt 为 k×1 维的可观测向量，β t 为将滞后系 数矩阵的行向量元素进行堆叠形成 k2s×1 维的时变 参数列向量，Xt=Ik⊗(yt-1, ⋯,yt-s)，I为残差项的方差协 方差矩阵，At 和 Σ t 分别为 k×k 维的下三角矩阵和对 角矩阵，且均为时变矩阵表示变量之间的冲击随时 间而变化。 0 ⋯ 0ù é 1 êα ú 1 ⋯ ⋯ 21,t úú ， At = êêê 0 úú ê⋯ ⋯ ⋯ êα 1 úû ë k1,t α k2,t ⋯ ⋯ 0 ù éσ 1,t 0 ê ú σ 2,t ⋯ ⋯ ú ê0 （7） Σ t= ê ú 0 ú ê⋯ ⋯ ⋯ ê0 0 ⋯ σ k,túû ë 假设对数随机波动率矩阵为 ht=(h1t,h2t, ⋯,hkt)′， 其中，当 j=1，⋯，k 和 t=s+1，⋯，n 时，有 hjt=ln(σ 2jt )。模 型中的所有参数均服从于相互独立的随机游走过 程，β t、α t 和 ht 分别为模型中系数项、同期相关项、对 数波动率项的状态方程。 β t + 1 =β t+μ β ，β s + 1 ~N(μ β0 ,∑ β0 ) （8） t α t + 1 =α t+μ α ，α s + 1 ~N(μ α0 ,∑ α0 ) （9） t ht+1 =h+μ h ，hs+1~N(μ h0 ,∑ h0 ) （10） t é εt ù é1 0 êμ ú ê0 ∑ β êê úú ê β êê úú~N(0,ê 0 0 μ êê α úú ê ê0 0 êμ ú ë ë hû t t 0 0 ∑α 0 t 0 0 0 ù ú ú ú) ú ∑ h úû （11） 假设方差协方差矩阵 ∑ β、∑ α 和 ∑ h 均为对角 矩 阵 且 服 从 gamma 分 布 ，即 可 通 过 链 式 蒙 特 卡 洛 表3 参数 （MCMC）方法对参数进行后验分布随机采样估算， 最终得到 TVP-SV-VAR 模型的估计结果（见表 3）。 四、实证检验与结果分析 ① （一）参数设定与估计结果分析 在对 TVP-SV-VAR 模型进行参数估计之前，通 过信息准则确定最优滞后阶数为 1 阶。参考相关研 究，设定 μ β0 =μ α0 =μ h0 =0，∑ β0 =∑ α0 =∑ h0 =10I，MCMC 迭代次数为 10000 次且剔除前 1000 次迭代结果。 时变参数的估计结果和特征图（见图 2）显示， 所有参数的均值都在 95% 的置信区间内，且通过了 CD 收 敛 值 在 5% 显 著 性 水 平 下 的 检 验 ，说 明 在 MCMC 迭代过程中参数均收敛于后验分布。无效因 子显示得到不相关样本所需的迭代次数 ，除参数 （∑ α）1 外均小于 100，即在 10000 次的迭代次数下对 参数的后验推断是有效的。同时根据图 2 第一行的 自相关系数图、第二行的样本路径图和第三行的分 布图可以发现，随着迭代次数不断增加，各时变参数 的自相关系数逐渐收敛于 0 且围绕样本均值上下波 动，抽样样本的分布均收敛于后验分布。综上所述， 本文构建的 TVP-SV-VAR 模型的参数估计结果与 特征具有稳健性与有效性，可以通过该模型分析整 体情绪、背景情绪、股票市场波动之间的影响与冲击 关系。 （二）整体情绪、背景情绪对股票市场波动的时 变影响 图 3 反映了整体情绪对股票市场波动的时变影 响。在所选样本周期内的绝大多数时间段，整体情 绪对股市波动率的影响系数为负数，表明当整体情 绪倾向于消极时，会放大股票市场的波动。 上述结论支持了 DSSW 模型中对噪声投资者交 易行为的界定，受情绪驱动的噪声交易者在情绪消 极时，可能会导致非正常的风险厌恶情绪、阻碍市场 信息的有效传递、将资金撤出市场并降低市场的流 MCMC 参数估计结果 （∑ β）1 均值 标准差 95% 置信区间 CD 收敛值 无效因子 0.0023 0.0003 [0.0019,0.0029] 0.506 27.02 （∑ α）1 0.0023 0.0003 [0.0018,0.0029] 0.674 25.59 0.0053 0.0013 [0.0034,0.0085] 0.319 112.10 0.0041 0.0007 [0.003,0.0058] 0.856 64.02 0.006 0.0019 [0.0035,0.0107] 0.149 99.13 0.0205 0.0065 [0.0101,0.0349] 0.173 74.79 （∑ β）2 （∑ α）2 （∑ h）1 （∑ h）2 ① 本文根据实证设计进行分析，结论供参考。 金融理论与实践 110 2023 年第 12 期(总第 533 期) 整体情绪、 背景情绪与股票市场波动——基于 TVP-SV-VAR 模型的实证研究 图2 时变参数特征图 动性，从而产生更多的错误定价和非理性交易行为， 最终造成股票市场波动率的提高。该结论支持了假 设 1。 而对市场波动起到了稳定作用，有效降低了波动率。 图4 图3 整体情绪对股票市场波动影响的时变关系特征 图 4 反映了背景情绪对股票市场波动的时变影 响。在所选样本周期内的绝大多数时间段，背景情 绪对股市波动率的影响系数为正数 ，且在区间[0, 0.02]内稳定波动，表明当背景情绪倾向于消极时，反 2023 年第 12 期(总第 533 期) 背景情绪对股票市场波动影响的时变关系特征 该结论支持了假设 2a，即背景情绪对股票市场 波动的影响支持情绪泛化假设，背景情绪会增加对 具有相同效价的事件发生概率的感知。在积极的背 景情绪下，投资者会对股票市场的积极因素更加敏 感，而忽视消极因素体现为风险趋向，产生更多非理 性投资行为，这可能会导致股票市场波动的加剧；而 111 金融理论与实践 证券保险 在消极的背景情绪下，投资者会对股票市场的消极 因素更加敏感，体现为风险规避，并在该条件下更多 进行理性思考，从而减少了噪声投资行为和不当预 期，对股票市场波动起到稳定作用。 （三）不同时滞期的脉冲响应分析 对于 TVP-SV-VAR 模型，可以通过等间隔的脉 冲响应函数来反映单位冲击变量对被冲击变量在不 同滞后期下的影响，分别通过滞后 1 个交易日（短 期）、3 个交易日（中期）和 5 个交易日（长期）的冲击 影响时间，分析在不同时间约束下，整体情绪、背景 情绪和股票市场波动之间的影响。 1. 整体情绪、背景情绪对股票市场波动的时变 冲击 图 5 反映了整体情绪和背景情绪对市场波动的 冲击情况。在样本周期内的绝大多数时间段，整体 情绪和背景情绪的冲击响应值方向与前文时变关系 特征相同，进一步支持了假设 1 和假设 2a，即整体情 绪对股市波动率的影响系数为负数，背景情绪对股 市波动率的影响系数为正数。短期影响均最为强 烈，中期影响次之，长期影响最弱且趋向于 0，冲击 影响关系存在一定的时变特征。 图5 整体情绪、背景情绪对股票市场波动的冲击 图6 金融理论与实践 2. 整体情绪与背景情绪的相互冲击 图 6 反映了整体情绪和背景情绪之间的不同时 滞期脉冲响应情况。背景情绪对整体情绪的短期影 响在样本周期内均为正数，但中期影响和长期影响 趋于 0 且走势不稳定。而整体情绪对背景情绪在样 本周期内均为负数，且短期和中期影响较为接近，长 期影响相对较弱。该结论支持了假设 3b，即整体情 绪与背景情绪之间存在负反馈机制。 本文所度量的整体情绪序列反映了投资者对股 票市场的情绪倾向，而背景情绪序列来自热门新闻， 能够在一定程度上反映当日的社会群体情绪。投资 者也属于社会群体的一分子，影响群体的共同事件， 如社会政策、热点事件等也是投资者情绪的重要组 成部分，但这些群体事件对情绪的影响较为短期，容 易被新出现的事件或热点所替代，所以背景情绪对 整体情绪的影响为正向且以短期冲击为主。同时， 整体情绪对背景情绪存在负向的冲击，且冲击系数 在短期内达到了-0.3，存在较强的负向影响。二者 间冲击关系不支持正反馈的互相强化机制。 结合图 5 与图 6，整体情绪与背景情绪分别通过 不同的冲击方向对股市波动产生影响，二者的组合 整体情绪和背景情绪的相互冲击 112 2023 年第 12 期(总第 533 期) 整体情绪、 背景情绪与股票市场波动——基于 TVP-SV-VAR 模型的实证研究 共同产生了投资者情绪，且二者之间存在负反馈调 节效应，整体情绪与背景情绪之间存在弱负相关关 系，从而使情绪冲击不具有持续性与稳定性，最终表 现为投资者总情绪反应的短期性。在短期内整体情 绪和背景情绪对股票市场波动产生影响，但随着滞 后期的增加，冲击影响逐渐降低并趋于消失。 3. 股票市场波动对整体情绪与背景情绪的反向 冲击 图 7 反映了股票市场波动对整体情绪和背景情 绪的反向冲击情况。整体情绪受股票市场波动的冲 击系数为负且短期内最为显著，背景情绪受股票市 场波动的冲击系数不显著且接近于 0。该结论支持 了假设 4 和假设 5。 整体情绪来源于投资者对股票市场状况的情绪 反应，在样本周期内，股票市场的波动较为剧烈，此 时股价的快速变动对整体情绪产生显著冲击。但对 于背景情绪而言，股市波动仅为社会群体事件的极 小部分，与背景情绪的形成关联度较低，股市波动对 背景情绪产生的冲击不显著。 （四）稳健性检验 本文采用三种方式对上述实证分析进行稳健性 检验，考虑到文章篇幅不对所有检验结果进行展示， 对稳健性检验的说明和结果分析如下。 （1）替换滞后阶数：本文基于信息准则将滞后阶 数设定为 1 阶，参考相关研究，将滞后阶数设定为 2 阶重新进行 MCMC 估计。在 2 阶情况下，无效因子 超过 100 的参数个数达到 2 个，估计结果有效性相对 降低。此时得到的脉冲响应结果中，冲击影响方向 与支持假设与前文基本相同，仅在影响系数与时变 关系上略有差异，说明本文 TVP-SV-VAR 模型的实 证结果对模型的滞后阶数敏感性不高，具有一定的 稳健性。 图7 2023 年第 12 期(总第 533 期) （2）替换股票市场波动率：由于本文投资者情绪 和背景情绪来自日内高频的文本数据，所以在股票 市场波动部分采用同样反映日内高频变化的 5 分钟 已实现波动率进行度量。为保证文章的稳健性，分 别将股票市场波动率替换为 1 分钟已实现波动率、 10 分钟已实现波动率、GARCH(1,1)模型估计的波动 率三种情况，并分别重新进行 TVP-SV-VAR 建模。 其中，由于 1 分钟已实现波动率所包含的无效与冗 杂信息过多，MCMC 估计的无效因子达到 4 个，且时 变参数的自相关系数未收敛于 0，没有通过模型的 有效性检验；10 分钟已实现波动率和 GARCH(1,1)模 型估计的波动率的模型估计结果均有效，且与前文 实证结果基本保持一致，可以验证本文实证分析的 稳健性。 （3）替换投资者情绪：本文的整体情绪来自国内 某财经网站论坛的文本数据，通过大数据深度学习 预训练模型进行文本挖掘得到。将整体情绪序列替 换为北京大学国家发展研究院发布的中国投资者情 绪指数（CISI）重新进行建模，MCMC 估计结果中无 效因子超过 100 的参数个数达到 3 个，模型有效性有 所降低，但脉冲响应结果的冲击方向与前文实证结 果基本类似，仅在股市波动对整体情绪的冲击方向 上有所差异。该结果显示股市波动对整体情绪的影 响较弱且不稳定。原因可能是：本文数据样本期内 的股市的剧烈波动主要来自股市单边变动，不同股 价变动方向导致的股市波动对情绪的影响可能存在 差异。该结果从一定程度上验证了本文实证分析的 稳健性。 五、结论与启示 本文采用大数据深度学习预训练模型，从整体 情绪和背景情绪的视角进行分析，运用百度开源的 情绪分析模型对 238 万条文本大数据进行文本挖 股票市场波动对整体情绪、背景情绪的反向冲击 113 金融理论与实践 证券保险 掘，对整体情绪与背景情绪序列进行度量，通过已实 现波动率模型对股票市场波动进行了测度 ，通过 TVP-SV-VAR 模型对整体情绪、背景情绪、股票市 场波动之间的动态关系进行了实证分析，具体结论 如下。 （1）本文的整体情绪序列通过对文本大数据的 情绪分析与测度，较好地反映了股票市场投资者的 情绪走势；背景情绪序列较好地反映了社会新闻与 社会热点产生的群众心理，并通过背景情绪的转移 机制影响股票市场投资者的决策行为与市场波动。 （2）从整体情绪角度，整体情绪与股票市场波动 存在显著的动态关联性，整体情绪对股市波动率的 影响系数为负数，消极的整体情绪会导致波动的加 剧，且短期影响最为显著，而样本期内整体情绪受股 票市场波动的冲击系数为负，股市波动率的提高对 整体情绪产生了抑制效应。受情绪驱动的噪声投资 者由于框架效应、启发性效应等偏差的影响，在股票 市场上产生非理性行为，在消极的情绪情况下更易 导致市场波动的加剧。 （3）从背景情绪角度，与决策本身不直接相关的 背景情绪通过转移机制影响投资者，背景情绪对股 市波动率的影响系数为正数，且冲击影响关系存在 一定的时变特征，在短期内最为显著，而股票市场波 动对背景情绪不存在显著的冲击影响。该结论支持 了情绪泛化假设，积极的背景情绪下投资者更易忽 略负面因素，从而体现为一定程度的风险趋向，产生 更多非理性行为，最终导致市场波动率的提高。 （4）整体情绪与背景情绪的组合共同形成了投 资者的总情绪反应，且二者之间存在弱负相关关系， 存在负反馈作用机制，使总情绪冲击不具有持续性 与稳定性，最终体现为投资者情绪的短期性。整体 情绪和背景情绪在短期内对股票市场波动产生影 响，但随着滞后期的增加，冲击影响逐渐降低并趋于 消失。 本文研究结果有利于监管者、上市公司、投资者 三方更深入认识投资者情绪的构成和对股市波动的 影响机制。监管者可以从社交媒体发言、新闻媒体、 市场指标、调查指标等来源中得到投资者情绪的走 向趋势，在技术手段上通过大数据方法完善投资者 情绪的分析机制，引导正确有效的信息披露，打击恶 意操纵市场情绪的行为，考虑逆周期因子进行风险 预警与管控，促进股票市场稳定健康运行。上市公 司应充分关注投资者情绪的倾向，尤其是极端负面 金融理论与实践 情绪的诱因与疏导，充分利用社交媒体快速传播信 息的优势，正确引导投资者情绪的变化，调整市场投 资者的整体认知，一定程度上避免由于情绪失控而 导致的股价异常波动。投资者在决策与交易过程中 应考虑情绪因素的影响，提高信息甄别能力，主动意 识到背景情绪转移机制的影响，通过对市场情绪的 把握规避整体风险，合理权衡股市的收益与风险。 参考文献： [1]Kahneman D, Tversky A. Prospect Theory: An Analysis of Decision Under Risk [M]. Handbook of the Fundamentals of Financial Decision Making:Part I. 2013: 99-127. [2]Loewenstein G, Lerner J S. The Role of Affect in Decision Making [J]. Handbook of Affective Science, 2003(3): 619-642. [3]Västfjäll D, Slovic P, Burns W J, et al.. The Arithmetic of Emotion:Integration of Incidental and Integral Affect in Judgments and Decisions [J]. Frontiers in Psychology, 2016(7): 325. [4]De Long J B, Shleifer A, Summers L H, et al.. Noise Trader Risk in Financial Markets [J]. Journal of Political Economy, 1990, 98(4):7 03-738. [5]Brown G W, Cliff M T. Investor Sentiment and Asset Valuation [J]. The Journal of Business, 2005, 78 (2): 405-440. [6]White H, Kim T H, Manganelli S. VAR for VaR: Measuring Tail Dependence Using Multivariate Regression Quantiles [J]. Journal of Econometrics, 2015, 187 (1): 169-188. [7]李合龙，杨能，林楚汉，张卫国 . 我国股票市 场行业间波动溢出效应研究∶基于改进的 EMD 去噪 方法[J]. 系统工程理论与实践，2019，39（9）：21792188. [8]任仙玲，邓磊 . 网络舆情对人民币汇率的冲 击效应∶基于中美贸易摩擦事件[J]. 管理科学，2019， 32（6）：46-56. [9]Lee W Y, Jiang C X, Indro D C. Stock Market Volatility, Excess Returns, and the Role of Investor Sentiment [J]. Journal of Banking & Finance, 2002, 26 (12): 2277-2299. [10]陈其安，雷小燕 . 货币政策、投资者情绪与 中国股票市场波动性:理论与实证[J]. 中国管理科 学，2017，25（11）：1-11. 114 2023 年第 12 期(总第 533 期) 整体情绪、 背景情绪与股票市场波动——基于 TVP-SV-VAR 模型的实证研究 [11]詹正华， 章奕.货币政策、 投资者情绪与股市波 动∶基于 TVP-SV-VAR 模型[J]. 中国商论，2019，798 （23）：68-70. [12]唐志军，赵婕 . 新闻资讯、投资者情绪与上 市证券公司股价波动∶基于 TVP-VAR 模型的实证 研究[J]. 现代金融，2022（9）：3-12. [13]关筱谨，张骏，刘彦迪 . 媒体关注度、投资者 情绪与股票市场波动[J]. 统计与决策，2022，38（24）： 143-148. [14]Zhao D, Gu R, Tang P, et al. Incidental Emotions Influence Risk Preference and Outcome Evaluation [J]. Psychophysiology, 2016, 53(10): 1542-1551. [15]陆翠薇，夏璐，李德阳，等 . 偶然情绪的效价 和强度对风险决策的交互影响[J]. 中国健康心理学 杂志，2021，29（11）：1746-1752. [16]胡一丁 . 背景情绪对股市风险决策的影响 [D]. 杭州：浙江大学，2018. [17]陈军，陆江川 . 基于 DSSW 模型投资者情绪 与股价指数关系研究[J]. 预测，2010，29（4）：53-57. [18]杨娜 . 媒体报道通过投资者情绪影响股票 收益的传导效应研究[D]. 哈尔滨：哈尔滨工业大学， 2014. [19]李星汉 . 媒体情绪对我国股票市场的影响 分析[J]. 中国物价，2016（5）：49-51. [20]姚远，钟琪，翟佳 . 噪声交易、动量效应与动 量策略[J]. 管理评论，2021，33（2）：44-54. [21]Finucane M L, Alhakami A, Slovic P, et al. The Affect Heuristic in Judgments of Risks and Benefits [J]. Journal of Behavioral Decision Making, 2000, 13(1): 1-17. [22]Pham M T. Emotion and Rationality: A Critical Review and Interpretation of Empirical Evidence [J]. Review of General Psychology, 2007, 11(2): 155178. [23]Han S, Lerner J S, Keltner D. Feelings and Consumer Decision Making: The Appraisal-Tendency Framework [J]. Journal of Consumer Psychology, 2007, 17(3): 158-168. [24]沈艳，陈赟，黄卓 . 文本大数据分析在经济 学和金融学中的应用∶一个文献综述[J]. 经济学（季 刊），2019，18（4）：1153-1186. [25]Caruso E M, Shafir E. Now that I Think About it, I’m in the Mood for Laughs: Decisions Focused on 2023 年第 12 期(总第 533 期) Mood [J]. Journal of Behavioral Decision Making, 2006, 19(2): 155-169. [26]董颖红 . 微博客社会情绪的测量及其与社 会风险感知和风险决策的关系[D]. 天津：南开大学， 2014. [27]Antweiler W, Frank M Z. Is all that Talk Just Noise? The Information Content of Internet Stock Message Boards [J]. The Journal of Finance, 2004, 59(3): 1259-1294. [28]Loughran T, McDonald B. When is Aliability not ALiability? Textual Analysis, Dictionaries, and 10 ‐ Ks [J]. The Journal of Finance, 2011, 66(1): 35-65. [29]刘学文 . 中国股市投资者情绪测度指标的 优选研究[J]. 中国管理科学，2019，27（1）：22-33. [30]姚加权，冯绪，王赞钧，纪荣嵘，张维 . 语调、 情绪及市场影响∶基于金融情绪词典[J]. 管理科学学 报，2021，24（5）：26-46. [31]Devlin J, Chang M W, Lee K, et al.. BERT: Bert: Pre-Training of Deep Bidirectional Transformers for Language Understanding [C]. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Stroudsburg, PA: Association for Computational Linguistics,2019:4171-4186. [32]Sun Y, Wang S, Li Y, et al.. Ernie2.0: A Continual Pre-Training Framework for Language Understanding [C]. AAAI Conference on Artificial Intelligence, Proceedings of New York, NY, USA,2020: 89688975. [33]Andersen T G, Bollerslev T, Diebold F X, et al.. The Distribution of Realized Stock Return Volatility [J]. Journal of Financial Economics, 2001, 61(1): 43-76. [34]胡昌生，池阳春 . 投资者情绪、资产估值与 股票市场波动[J]. 金融研究，2013（10）：181-193. [35]万谍，田毅 . 期权交易量能预测波动率吗∶ 来自上证 50ETF 期权的证据[J]. 系统工程理论与实 践，2023，43（3）：755-771. [36]Nakajima J. Time-Varying Parameter VAR Model with Stochastic Volatility: An Overview of Methodology and Empirical Applications [J]. 2011. 115 （责任编辑：王淑云 侯萱艺） 金融理论与实践