本报告研究了社交媒体上投资者情绪与资产价格的关系,采用EmTract情绪模型,验证社交媒体情绪与实验室情绪表现一致性,发现情绪尤其是悲伤情绪对后续股价具备预测能力,且情绪对价格影响在流动性低和空头利率高时更显著,体现了细分情绪指标对市场动态的重要作用,为理解投资者行为提供了新视角 .
题目: Social Media Emotions and Market Behavior
作者: Domonkos F. Vamossy
发布机构: 未明确表述,具备一定学术研究背景(结合NBER等引用),文章日期为2024年4月8日
研究主题:
基于社交媒体投资者情绪的深度学习提取模型,研究投资者在社交媒体上的情绪表达与资产价格变动之间的关系,重点探究情绪对每日资产价格预测的能力及其与实验室观察的情绪表现的一致性。
本报告基于对社交媒体平台StockTwits上超过8800万条投资者信息文本数据的深度学习分析,利用一种称为EmTract的开源情绪模型将文本转化为具体的七类情绪指标:中性、开心、悲伤、生气、厌恶、惊讶与恐惧。报告意在测试这些投资者情绪指标是否与实验室中得到的情绪表现一致,并探讨情绪对股价日内变动的预测力。主要发现为:
该篇文章并无明确评级或目标价,定位为行为金融领域的重要学术贡献,强调数据驱动的情绪分析对资产价格预测与理解市场情绪机制的重要性。
报告首先回顾了金融经济学中情绪的核心地位,引用了Keynes的“animal spirits”(动物精神)理论,指出市场决策不仅基于数学预期,更重要是人类的自发乐观和情绪冲动。借助Akerlof和Shiller的补充论述,强调情绪在市场信心、公平、货币幻觉等方面的作用。随后提出关键研究问题:
与传统研究主要依靠间接情绪代理不同,本研究利用StockTwits的公司特定帖子,收集了2010年至2021年间的8800万条数据,展现了利用大数据与先进文本分析技术精准测量投资者情绪的可能性。
依附于Vamossy和Skog(2023)提出的基于深度学习框架,运用EmTract模型对社交媒体文本进行处理,提取七种情绪概率分布,所有概率和为1。模型范例展示了对不同表情符号的情绪敏感度。数据集中,每条消息先区分市场开盘前后时间段,消息内容也依据涉及的主题(如财报、交易相关)及原创与转载类型分类进行双向划分。分析基于固定效应模型,排除固有公司特质和市场整体影响,确保仅利用同公司不同日的情绪波动进行估计,避免混淆因果。
分析主要采用固定效应回归模型,依赖情绪变量预测当日开盘至收盘的股票收益,控制前一天的价格波动和历史20日收益及波动率。重点强调情绪变量时间点选择(开市前时段)确保因果时序的合理性。
研究发现预市场的投资者“开心”情绪与当日正收益显著关联,且社交媒体情绪强于传统单一情绪正负指标(Valence),其对未来几天股价的影响随着时间递减,但悲伤情绪对随后的股价具有持续负面预测作用。此外,“聊天”类型信息情绪对股价影响往往超过“财务”相关消息,原创与转载帖子中的情绪均有显著表现,体现情绪的广泛传播效应。,14-17]
本研究直接利用投资者社交媒体信息,区别于过往主要依赖宏观情绪指标或间接代理(如季节性情绪、天气影响),弥补了以往研究连接情绪和个股价格表现的缺口。且通过与实验室研究的对照(如Breaban和Noussair 2018年实验),本研究验证了线上情绪表达的真实性和可用性。
此外,文章探讨了社交媒体在资本市场的作用,引用以往关于Twitter、StockTwits的文献,指出发帖量、讨论情绪、用户参与等因素对股价波动和交易量具有不同程度的解释力,为理解社交媒体对市场影响提供数据支持的理论背景。
数据主要来自StockTwits,除非自动生成(同一用户重复超过100条相同文本的内容)则被剔除,只保留单一股票标签的信息。2010-2021年涵盖242百万条信息,过滤后样本包含8800万条,984,434用户,4319只股票。数据丰富详细,除了情绪指标之外,还涵盖用户的投资风格(技术型、基本面型等)、持有期偏好(短期、长期)、经验水平(新手到专业)信息。
StockTwits信息的字数和发布时间均被分析,字符数在2019年6月扩充后明显增加,大多数信息限定在64字以内。信息发布主要集中于美股交易时间段,表明用户实时反应和调整情绪多在开盘时段,保证了时效性和行为相关性。,13]
利用CRSP/COMPUSTAT数据库匹配价格、交易量、短期利率等变量,结合StockTwits数据构建综合面板。描述统计揭示投资者在社交媒体上倾向讨论近期上涨股票,且这些股票表现出较大波动、更高关注度和更大交易量,但机构持股较少,历史收益率较低,暗示社交媒体用户关注的股票特质与一般市场有所差异,且存在一定的越轨交易(可能包含短期事件驱动和情绪驱动特色)。
该图结合文本内容,验证社交媒体信息的时间结构及情绪分布特征,确保后续情绪分析的合理性和代表性。,13]
该表对样本特征有全面刻画,验证数据质量和用于实证的基础合理性。,11]
报告并非以估值为主要目标,未提供目标股价或估值区间,但通过多维情绪指标使用固定效应面板回归模型实证投资者情绪对股价收益的预测能力。关键模型为:
[ Y_{it} = \alpha + \sum_{j=0}^5 \beta_j \mathrm{Emotion}{jit} + \gamma Y{i,t-1} + \zeta X_{i,t-1} + \delta_t + \delta_i + \epsilon_{it} ]
此模型突出识别投资者情绪对收益率的影响,尤其强调开市前的情绪预告能力,同时控制典型价格趋势影响,确保情绪变量的附加解释力度。
报告中并非专门论述风险管理策略,但隐含风险包括:
报告中有部分基于样本筛选(比如最少十条消息门槛、剔除机器人),但未详细讨论潜在的策略应对或事件驱动风险,属于研究局限的一部分。,3,6-7,24]
综合来看,报告认真且详细,但因应实证约束,研究结论需结合情绪理论与市场结构细节谨慎解读。未来研究可进一步探索动态因果机制、机构投资者情绪交互作用等。,23-24]
本研究通过严谨的数据收集和深度学习情绪分析方法,开创性地将社交媒体投资者的多维情绪状态映射至个股每日收益变化,成功验证了线上情绪指标与实验室中情绪表现的一致性,并展示了其在市场预测上的价值。
主要贡献包括:
图表1的情绪分布与发布时段特征强化了数据的真实性和投资者行为的实时性;描述统计及回归结果揭示了情绪和股价的内在联动及异质性影响机制。整体报告提出了社交媒体情绪数据作为投资者心理测量工具的显著潜力,为未来金融市场的短线波动预测和行为路径研究提供了坚实基础。
本分析严格基于报告页码与内容:,36-39]
此分析兼具理论归纳、数据解析和方法学阐释,清晰呈现原报告主要逻辑与细节,有助于理解行为金融领域中情绪与资产价格的微观交互机制。
2404.03792.pdf