本文基于德国市场谷歌搜索数据构建FEARS情绪指数,揭示其对个人投资者交易行为及股票市场收益的显著影响。FEARS指数反映市场悲观情绪,指数越高,投资者买入减少、卖出增加,且与股市收益呈负相关;情绪冲击对市场影响短暂但对投资者组合配置具持续影响,非专业投资者更易受情绪波动影响
报告作者:吴先兴
发布机构:天风证券股份有限公司
发布时间:2020年10月14日
主题:基于谷歌搜索数据的投资者情绪指数(FEARS)构建与分析,及其对德国个人投资者交易行为和股票市场收益的影响研究。
本报告基于Dimitrios Kostopoulos, Steffen Meyer 和 Charline Uhr 在《Journal of Financial Markets 2020年第49卷》发表的研究,围绕如何利用谷歌搜索量数据构建投资者情绪指数FEARS,并探究该指数对个人投资者交易行为以及整体股票市场收益的影响。报告指出,FEARS指数越高,表明市场情绪越低落,个人投资者买入活动减少、卖出交易增多,且FEARS与市场收益呈显著负相关,市场收益则呈现一定的反转效应。
报告预计此情绪指数为理解市场动态及投资者行为提供了新的数据支撑和实证依据,为基于非传统数据构建情绪指数及其投资应用提供了经验参考。
研究承接Baker and Wurgler (2007)及Tetlock (2007)等前期投资者情绪相关文献,强调投资者情绪对资本市场收益具有预测作用。非经济事件(如体育赛事、天气)对价格也存在影响。本文采用德国市场超过10年、逾10万投资者的交易数据,结合谷歌搜索数据构建FEARS指数,旨在分析投资者情绪与个人投资者交易行为的互动关系。
基于Da et al.(2015)方法,作者对德国经济相关德语搜索词进行筛选及标准化处理,步骤如下:
此构建流程确保FEARS指数聚焦于与市场收益波动负相关、在经济负面情绪反应突出的词汇,形成实时反映投资者恐慌情绪的指标。
图1展示了具体构建步骤和计算公式,图示层次清晰,逻辑严密。
通过与大型经纪商合作获得交易账户日交易记录。样本覆盖101,223个投资者,15,800,000笔交易,交易总额达1,134亿欧元。买入占52.9%,卖出占47.1%。投资者平均年龄53岁,男性占83%,59%为已婚。博士学历占7%,显著高于德国全国水平,显示样本投资者相对较为专业化。
图2 提供了详细投资者结构统计,体现样本在专业程度和人口结构上的代表性与偏差。
定义标准化买卖不平衡度以捕捉个人投资者交易倾向:
此定义有助于明确衡量每日交易偏离其周期性基准的买卖行为变化。
交易证券按德国安全交易法被分为1至5等级风险类别,以区分高低风险资产交易行为。基于此,买卖不平衡度指标扩展为对高风险与低风险证券分别计算,便于分析情绪对不同风险资产的影响差异。
图3列示了不同风险级别资产的交易分布信息,丰富了风险维度的考量。
提出关键假设:
运用时间序列回归:
TMi,t=α+β1FEARSt+β2L6(FEARSt)+γCi,t+εi,tTM为交易度量指标,FEARS指数及其6日滞后,C为控制变量向量(详见图4)。该模型设计能够捕捉情绪变化对交易行为的即时及滞后影响,控制投资者特质和宏观变量影响,确保结果稳健。
回归显示,当FEARS指数升高(情绪低落),个人投资者买入交易显著减少。以成交额计算的买卖不平衡度下降约0.0198,统计显著(5%水平)。滞后项亦显示显著负向影响,表明情绪冲击对交易行为有持续效应。
图5以表格形式详列回归系数及其显著性,清晰体现情绪指数的负向影响。
构建Herfindahl-Hirschman Index (HHI)衡量投资组合集中度(越低越分散),并设置学历(博士/教授)、经验及性别哑变量以分析特征差异。
结果显示:
图6展示了情绪与投资者特征交互作用的回归结果,数据支持对投资者异质性的深入理解。
采用向量自回归模型(VAR)分析FEARS指数和德国DAX指数的日对数收益间的关系:
{DAXt=α1+β1L6(FEARSt)+γ1L6(DAXt)+λ1Ct+εtFEARSt=α2+β2L6(FEARSt)+γ2L6(DAXt)+λ2Ct+εt结果表明:
图7具体展示了VAR模型估计的系数和动态反应情况。
引入月度固定效应替代年度固定效应,控制季节性,结论方向、强度和显著性均保持稳定,证明研究结果对季节效应稳健。
图8显示引入月度效应后的回归结果。
采用未经年度均值调整的买卖不平衡度指标,减少因去均值可能引入的噪声。结果保持一致,FEARS上升依然导致卖出增加。
图9展示了不同计算方式的结果对比。
剔除活跃度极低的自动交易账户,只使用储蓄计划及限价订单数据,测试模型。结果显示自动交易买卖行为不受FEARS影响,且无反转效应,有效排除自动化交易对结果的干扰。
图10呈现自动交易子样本回归结果。
研究表明:
这是一次利用非传统大数据(网络搜索量)有效捕捉投资者心理、并实证验证其对行为与市场反馈影响的创新研究,具备理论和实际应用价值。
图1:FEARS指数构建流程
详细罗列了关键词的筛选、数据下载、标准化处理、滚动回归筛选和指数计算五步流程。该图以流程图方式呈现,辅助理解全文关键指标构建逻辑,强化FEARS指数的科学性和系统性。
图2:投资者数据描述
呈现了样本投资者的年龄、性别、学历、婚姻状况等基本属性,显示样本的专业性(7%博士学历)和结构特征,为后续实证具有代表性打下基础。
图3:不同风险水平交易分布
展示风险等级1至5的资产交易分布比例,为区分风险资产买卖行为提供基础。显示投资者在不同风险等级资产的买卖行为差异及权重差异。
图4:控制变量列表
列明回归模型中包含的控制变量,如投资者信息、市场条件和时间效应,体现模型对多维因素的全面控制,增强结论可靠性。
图5:FEARS对投资者交易行为的影响
展示模型回归结果。FEARS指数的正向变动导致买卖不平衡度负向变动,说明市场悲观情绪加强与买入减少及卖出增加的负相关关系,具有统计及经济双重显著性。
图6:不同投资者特征分类下情绪影响
多维表格展示交互项系数,揭示不同投资者特征下情绪敏感度差异。组合更分散、教育经验更强的投资者对情绪敏感度较低,体现投资者异质性对市场行为的深刻影响。
图7:FEARS指数与股票市场收益关系
反映VAR模型的估计结果,FEARS指数显著负相关于DAX收益。价格短暂下行后出现反转,个人投资者卖出行为无反转,凸显投资者行为与市场价格的时间差及情绪影响机制。
图8-10:稳健性检验结果图
分别展示引入月度效应、不调整均值的买卖不平衡指标与自动化交易样本回归结果,均证实主要结论稳健,突出研究严谨性和内在逻辑一致性。
本报告为学术实证分析报告,不涉及具体估值模型或目标价设定,重点放在情绪指数构建及行为金融实证验证。因此无估值方法讨论。
报告未专门列出投资风险,但从内容可推断以下几点风险隐含:
报告对这些风险均无直接缓解措施或发生概率估计,但通过稳健性检验及数据广泛性部分缓解了上述担忧。
总体来看,报告分析严谨,结果清晰,但应注意非传统数据应用的局限性和复杂市场因素的多面影响。
通过对本文的深入解读,可以明确,谷歌搜索量数据所构建的FEARS投资者情绪指数有效反映了德国股票市场投资者的悲观情绪动态。该指数与个人投资者交易行为密切相关:
图表和数据清楚展现了情绪指标构建、投资者特征及市场表现间的内在联系,体现了非传统大数据在金融行为研究中的巨大潜力。
总体而言,本研究为金融市场投资者情绪的量化测度提供了创新且实证可靠的路径,并揭示了情绪如何通过影响个人投资者交易行为而间接作用于市场价格动态,具有重要的学术和实务启示价值。
备注:本文报告节选自天风证券公开发布的研究报告,详尽数据及风险提示请参阅完整版,投资者应结合自身情况审慎决策。
谷歌搜索量和个人投资者交易行为.pdf