摘 要：采用股吧发帖量衡量个股投资者关注度，并构建了市场整体的关注度指标以及关注度风险因子，通过对市场整体以及异质性股票的实证检验，结果发现：（1）总体关注度指标只对当期市场收益率有影响，对未来预测能力的影响并不显著，同时投机性较强的股票对关注度指标的敏感性更高;（2）在控制了现有定价因子（MKT、SMB、HML、MOM、ILLIQ）后，关注度因子仍然能够获得显著的正阿拉法收益;（3）多因子回归结果显示关注度因子对投资组合收益率有显著的解释能力，说明关注度因子能够为现有的定价模型带来增量信息。总体来看，采用个股关注度简单加权的市场总体关注度指标并不能对市场收益率进行有效预测，但是采用分组排序法构造的关注度因子却对市场收益率具有较强的解释能力。
关键词：投资者关注;投资者情绪;资产定价;风险定价;风险因子
中图分类号：F830.91 文献标识码：A 文章编号：1674-2265（2021）04-0060-09
DOI：10.19647/j.cnki.37-1462/f.2021.04.009
一、引言
有效市场理论认为投资者是理性的，但是行为金融学却指出投资者容易受到自身情绪的影响，从而使得资产价格偏离其内在价值，致使金融市场非有效。常用来衡量投资者情绪的方法包括直接调查以及利用间接指标两种，其中直接调查是调查机构直接询问被访者对经济或市场的观点，常见的有密西根大学消费者情绪指数、UBS/GALLUP投资者乐观指数等;间接指标主要是基于市场交易数据，常见的有交易量、封闭式基金折溢价、IPO、VIX、共同基金资金流入等。相对于直接调查，间接指标能够获得相对高频的数据，但是间接指标的变动可能是由于经济形势而不是情绪造成的，从而出现估计错误。Qiu和Welch（2006）[1]指出，怎样用输出变量来衡量“输入→输出”的过程，显然间接指标就是输出变量，而投资者情绪却是影响输入到输出的过程变量。但是，直接指标就一定有效吗？一方面，调查情绪往往只有月度或季度数据，无疑限制了分析的及时性和实际应用过程中的可操作性;另一方面，被调查者往往不会仔细或准确地回答问题，尤其当问题过于敏感的时候，比如“你是否失业了”“贵公司是否面临困境”等（Singer，2002）[2]。
随着互联网技术的迅猛发展，采用网络数据可以直接对投资者情绪进行衡量。相对于调查情绪，网络情绪更为高频、准确和有效。如Da等（2011）[3]最早采用谷歌搜索指数代表的投资者关注度来衡量市场情绪;Loughran和McDonald（2011）[4]通过对网络媒体信息进行文本分析，提取出投资者情绪，并对未来的股票波动进行预测。但是，鉴于很多搜索行为的发起者不一定是证券市场投资者，如可能只是关注公司的产品或者工作机会等，因此，搜索指数的噪声仍然较大。相对于搜索指数，股吧作为投资者交流的平台，其参与者几乎都是证券投资者，因此，采用股吧数据来衡量投资者关注度无疑更为准确。但由于我国股市投机氛围较重，庄股较多，股吧中散布的虚假信息也较多，因此，采用文本分析有时反而不能得到准确的信息。鉴于此，本文聚焦于股吧中个股的发帖量来对投资者关注进行衡量，既可以较准确地衡量出投资者的情绪，也可以避免文本中过多的虚假信息。本文基于个股数据构造了投资者整体关注度指标，研究了其对市场的影响，并采用分组排序法构建了基于关注度的风险因子，验证了其在股票市场中的定价能力。相对于已有研究，本文既是对行为金融学理论的有力补充，也可以为投资管理实践提供较强的现实指导。
二、文献综述
（一）行为金融学的理论基础
传统金融学假设投资者都是理性的，依照预期效用最大化来进行决策，因此，股票的价格应该等于未来全部现金流的现值。但Shiller（1981）[5]的研究表明，股价的波动远高于公司未来现金流的波动;De Bondt和Thaler（1985）[6]指出一些投资策略可以获得风险水平无法匹配的超额收益;DeLong等（1990）[7]更是认为，噪声交易者会基于情绪做出投资决策，而套利交易者会遭遇套利限制，因此，情绪变动会导致噪声交易、错误定价以及超额的市场波动。这些实证发现都和传统金融学理论相左，行为金融学则对这些异象进行了很好的解释。
行为金融学认为人们的信念并不是完全理性的，容易产生过度外推（extrapolation）和过度自信（overconfidence）（Eyster等，2019）[8]，且认知限制（cognitive limits）会导致投资者无法对全部信息进行及时处理（Dellavigna和Pollet，2009）[9]。对于决策偏好，行为金融学认为人们在做决策时也难以做到完全理性，因此，前景理论（prospect theory）以及模糊厌恶（ambiguity aversion）能够比预期效用理论更好地描述人如何在不确定条件下做决策（Ingersoll和Jin，2013）[10]。总体而言，行为金融学是从微观个体行为以及产生这种行为的心理动因来解释、研究和预测金融市场的发展。这一研究视角认为投资行为其实很大程度上受投资者的情绪左右，情绪和认知偏差的存在使投资者无法做到理性预期和效用最大化，造成市场非有效和资产价格偏离内在价值，从而可能进一步导致金融市场整体产生系统性偏差（周亮，2017）[11]。因此，从21世纪初期开始，投资者情绪引起了学术界的广泛关注。
（二）投资者情绪的实证研究
早期的研究主要关注股票市场中投资者情绪的作用，发现投资者情绪能够显著影响股票的横截面收益率（Baker和Wurgler，2006;Huang等，2015）[12，13]。随后有学者将投资者情绪引入其他资本市场，Nayak（2010）[14]研究了投资者情绪对企业债券利差的影响，Simon和Wiggins（2001）[15]、Wang（2004）[16]研究了投资者情绪对股指期货市场的影响，Bahloul和Bouri（2015）[17]、周亮（2019）[18]研究了投资者情绪对商品期货市场的影响。但是，投资者情绪对资产收益的影响方向却有不同的研究结果，Ben-Rephael等（2012）[19]、文凤华等（2014）[20]等学者认为投资者情绪对资产收益有正向影响;Aissia（2014）[21]的研究却表明投资者情绪是资产收益的反向预测指标;周亮（2017）[11]发现投资者情绪对短期股票指数有反方向影响，对跨期的股票指数有正方向影響。
對股市投资者情绪的度量主要包括：采用市场调查等方式获取消费者对市场涨跌看法的直接指标法（Lemmon和Portniaguina，2006;余佩琨和钟瑞军，2009）[22，23]，以及采用如基金资金净流入、换手率、新增投资者开户数等客观指标来反映投资者情绪的间接指标法（Delong，1990;Baker和Wurgler，2006;池丽旭等，2012）[7，12，24]。由于商品和债券市场的信息数量要少于股票市场，因此，对这两个市场投资者情绪的度量，大体可以归类为基于市场自身的数据（Simon和Wiggins，2001）[15]及基于交易者的数量（杨阳和万迪昉，2010;陈标金和谭莹，2017）[25，26]两种。随着互联网的迅猛发展，很多学者通过微博、财经论坛等社交媒体来提取投资者情绪指标（Da等，2015;Dimpfl和Kleiman，2016;易洪波等，2015）[27-29]。
（三）简要述评及创新之处
综上可以看到，国内外学者对行为金融学尤其是投资者情绪的测度及影响方面进行了大量的研究，并得到了很多一致的结论，正如Baker和Wurgler（2007）[30]所指出的，投资者情绪会影响股票价格，这是毫无异议的，唯一存在争论的是如何去度量投资者情绪以及量化它的影响。随着互联网的发展，相对于传统的直接调查和间接指标，用投资者的网络行为来衡量投资者情绪更为直接和准确，因此，越来越多的研究聚焦于互联网大数据的挖掘。但是，网络数据也存在噪声，如搜索行为可能并不是由投资者发起、文本信息包含大量虚假信息等，因此，本文拟聚焦于投资者在金融论坛的发帖行为，用发帖数量来衡量投资者关注度，并研究其对股票市场的影响。相对于已有的研究，本文的主要创新之处在于：一是利用大数据挖掘技术，聚焦于投资者的发帖行为，通过投资者关注度的变化能够更准确地衡量出投资者情绪;二是利用个股投资者关注度数据，构造出了投资者关注度定价因子，并通过资产定价模型验证了该因子的有效性，补充和完善了现有资产定价理论。
三、研究设计
（一）投资者关注度的构建
东方财富股吧是目前我国股市投资者最主要的交流平台，因此，本文通过设计爬虫程序，收集东方财富股吧中个股的发帖量来对个股投资者关注进行衡量。主要包括以下步骤：第一步，利用爬虫程序获取样本区间内每只个股每周的发帖数量总和;第二步，取个股周发帖数的对数差作为个股关注度的原始指标;第三步，考虑到个股关注度的极端值较多，因此，进行5%缩尾得到最终的个股关注度[Attentioni，t]（其中i表示个股，t表示时间）;第四步，采用等权重法构造出市场总体的投资者关注度指标[AttentionEWt]，同时采用市值加权法构造出关注度指标[AttentionVWt]，检验[AttentionEWt]的稳健性（两者相关系数高达0.98）。
我国股市可以分为主板、中小板、创业板及科创板等板块，相对于其他板块，在创业板发行上市的大多是科技型企业，这些企业规模普遍较小，所处行业发展较快，估值普遍较高，更容易受到投资者情绪或者市场关注度的影响。科创板虽然与创业板较为相似，但是上市时间过短，数据量过小，因此，本文选择创业板上市公司作为分析对象。由于创业板2009年10月30号才上市，到2010年12月31日上市公司数量只有160余家，因此，本文的样本区间为2011年1月—2019年8月。相对于日数据的波动频繁以及月数据的相对滞后，周数据的稳定性及可操作性更强，因此，本文最终选择了样本区间的所有周数据进行分析，共443周。
图1报告了创业板指数与[AttentionEWt]在样本区间的走势图，可以看到，在2015年6月创业板指数达到牛市顶点时，投资者关注度也达到了阶段性高点;而在随后的反弹高点处（2015年12月），投资者关注度同样处于阶段性高点;在近期的一个小高点处（2019年4月），投资者关注度同样达到了一个小高点。说明从走势上看，投资者关注度与市场指数间存在着一定的关联性。但是，从图1也可以看出，两者之间的走势也存在着很多不相吻合的地方，如2017年8月和2017年10月相继出现了关注度的最小值和最大值，而创业板指却没有明显的波动。因此，要更深入地探究投资者关注度与市场指数间的关系，需要建立更准确的实证模型。
（二）模型设计与数据描述
1. 投资者关注与指数收益率。为了检验投资者关注度对市场指数的影响，本文设计了如下模型：
其中[Rt+k]为市场指数收益率，k表示对市场收益率的向前预测，其中，k=0表示投资者关注度对市场指数收益率当期的影响，k=1表示投资者关注度对市场指数下一期收益率的影响，依次类推，本文实证中对k分别设定为0、1、2、3;[Controli，t]代表一系列控制变量，参考周亮（2017）[11]等学者的研究，采用工业增加值（IVA）、CPI、M2增速、SHIBOR利率（采用7天利率的周平均值）、期限利差（Spread，用10年期国债收益率与1年期国债收益率的差值表示）等作为控制变量。表1报告了各变量的描述性统计情况，可以看到，指数收益率、等权重关注度和市值加权关注度的均值均接近于0，中位值均大于0，而偏度显示三个序列均为左偏，下尾更长。
2. 投资者关注与股票异质性。投资者关注除了会对股票指数产生影响之外，还会对异质性股票产生不同的影响。本文采用总体关注度分析其对异质性股票的影响差异，根据不同特征（比如根据市值、估值、波动率等指标）将所有股票按照从小到大的顺序分为10组，对每组股票采用等权重的方式构造投资组合，并将（1）式中的[Rt+k]替换成不同异质性股票组合的收益率，考察[β]系数在不同分组中的差异，结果见图2。
除此以外，相对于其他很多学者的研究，本文所研究的投资者关注度指标是基于个股数据获得的，因此，可以直接利用个股数据分析投资者关注对股票收益及股票特征的影响。表2报告了不同程度投资者关注下股票特征的变化情况，从1到10依次表示投资者关注从最低到最高的分组，最后一行表示最高组与最低组间的差异，括号内为t检验值。借鉴Da等（2015）[27]等学者的研究，本文选择了如下股票特征进行分析：（1）规模（Scale）。采用股票流通市值来表示。（2）估值（Value）。采用市净率来衡量，如果市净率小于0，则缩尾到0。（3）市场贝塔（StockBeta）。市场贝塔主要用来衡量股票的系统性风险，通过过去一年个股周收益率和市场指数周收益率计算得到，计算公式为[βi=cov（Ri，RM）var（RM）]，其中[Ri]为个股收益率序列，[RM]为市场指数收益率序列，cov和var分别表示计算协方差和方差。（4）股价（Price）。采用股票的前复权收盘价格来表示。（5）波动率（RangeVol）。考虑到极差波动率在度量股票风险时也能体现出较好的效果，因此，采用计算相对简单的极差波动率来衡量个股风险，计算公式为[σrng，i=14Nln2i=1N（lnhili）2]，其中[hi]为某段时间的最高价，[li]为某段时间的最低价。（6）换手率（Turnover）。采用周成交额除以流通市值来衡量。（7）动量（Mom）。借鉴Carhart（1997）[31]的构造方法，采用前12个月股票收益率（即48周）来衡量。（8）非流动性（ILLIQ）。采用Amihuid（2002）[32]的非流动性指标来衡量，计算公式为[ILLIQi=RiVoli]，其中[Ri]为个股收益率，[Voli]为个股成交量。
从表2第1列可以看出，最低投资者关注组的流通市值平均值为41.65亿，最高投资者关注组的流通市值平均值为43.69亿，最后一行显示最高最低组间差值为2.04亿，t检验值仅为1.07，说明两者之间并无显著差异，即不同投资者关注度股票间的市场规模不存在显著差异。同样可以发现，不同投资者关注度股票间的估值（BookToMarket）、市场贝塔（StockBeta）、价格（Price）和动量（Mom）并无显著差异，但是其波动率（RangeVol）、换手率（Turnover）及非流动性（ILLIQ）却存在显著差异，表现为高投资者关注度股票的波动率更大、换手率更高、非流动性更明显，波动率大、换手率高、流动性较差的股票往往是投机性更强的股票，也就说明投资者关注度越高的股票投机程度也越高，符合行为金融学的一般假设。
四、投资者关注对市场的影响
（一）投资者关注对指数收益率的影响
利用模型（1）分析投资者关注度对指数收益率的影响，表3报告了相关回归结果，其中，Panel A是采用等权重关注度[AttentionEWt]的回归结果，Panel B是采用市值加权关注度[AttentionVWt]的回归结果。其中，每个Panel均包含4列，分别是对当期[Rt]、未来一期[Rt+1]、未来二期[Rt+2]和未来三期[Rt+3]指数收益率的预测结果。由于因变量和核心解释变量[Attentiont]均为差分序列，因此，对所有自变量同样取差分序列，差分后的序列均平稳，可以直接建立回归模型，无须进行协整检验。
从表3可以看到，无论是等权重还是市值加权，投资者关注度在当期都会对指数收益率有正向影响，在未来一期影响转为负向，在未来二期和未来三期又转为正向，这与Da等（2015）[27]的研究结论较为相似。投资者关注度的短暂提高会使得当期指数超涨，未来一期指数价格因为均值回复趋势而导致收益率发生下跌，且下跌幅度会超过当期的涨幅，但是，在未来两期或三期，指数价格又会回到原有的趋势轨道。观察[Attentiont]系数的t值，只有当期系数在10%水平下是显著的，未来一期、二期和三期的系數均不显著，说明投资者关注度虽然表现出了行为金融学的某些特征，但对市场整体收益的影响并不大。从控制变量来看，只有CPI和SHIBOR对当期和未来一期的指数收益率有显著影响，且系数均为负，说明通胀越厉害、市场利率越高时，指数收益率越低，符合经济基础理论。
（二）投资者关注对异质性股票的影响
从表2初步看到，不同投资者关注的股票其特征会存在一定的差异，本节将从数理角度分析投资者关注对异质性股票的影响。具体步骤为：首先，将所有的股票按照不同特征从小到大的顺序分为10组;其次，将每组股票的收益率进行等权重加总为组合收益率;最后，按照模型（1）分析投资者关注对不同组合收益率的影响（由于表3中只有当期收益率的系数显著，因此将k取0）。由于等权重关注度与市值加权关注度的影响差异不大，因此，图2中只汇报了等权重关注度的分析结果（市值加权关注度的分析结果可以向作者索取）。图2展示了关注度回归系数[β]的变动情况，可以看到，规模分组（Scale）的[β]系数变动趋势并不明显，先是增大，随后又发生了下跌;估值分组（Value）在第7组前基本保持着上涨的趋势，但从第8组开始又转向了下跌;市场贝塔分组（StockBeta）和价格分组（Price）均没有表现出明显的趋势;波动率分组（RangeVol）前面组别变动幅度较小，但是在第10组发生了极其明显的上涨;换手率分组（Turnover）、动量分组（Mom）和非流动性分组（ILLIQ）均保持了较为明显的上涨趋势。总体来看，投资者关注度对规模、估值、市场贝塔和价格四个特征分组的股票敏感性较小，而对波动率、换手率、动量和非流动性特征分组的股票敏感性较大，即对投机性较强的股票敏感性更大。
为了更准确地观察投资者关注对异质性股票的影响，表4报告了不同特征股票分组下，投资者关注度对10-1组合收益率（即最高组和最低组的收益率之差）的回归分析结果，控制变量和模型（1）一致。Panel A报告了等权重关注度的回归系数，Panel B报告了市值加权关注度的回归系数，可以看到与图2相似的结果，规模、估值、市场贝塔和价格四个特征下的投资者关注度对10-1组合收益率的[β]系数并不显著，而换手率、波动率、动量及非流动性四个特征下的[β]系数显著为正，其中数值和显著性最高的均为非流动性特征，其系数高达0.0263，t值也高达3.4，说明非流动性对投资者关注最敏感。
五、投资者关注作为定价因子
（一）定价因子及描述性统计
常见的风险定价模型包括CAPM模型、Fama-French三因子模型、加入动量因子的四因子模型、加入非流动性因子的四因子模型，以及将这五个因子都涵盖在内的五因子模型。本文选择这五个因子来研究关注度因子的有效性，其中FF三因子（MKT、SMB和HML）数据来自锐思数据库;动量因子（MOM）和非流动性因子（ILLIQ）采用10组分组法，利用第10组的组合收益率减去第1组的组合收益率进行构建;关注度因子的构造方法与MOM和ILLIQ类似，将关注度最高组（第10组）的组合收益率减去关注度最低组（第1组）的组合收益率，得到投资者关注度因子（ATT）。
表5报告了6个因子的描述性统计结果以及因子间的相关系数矩阵。可以看到，在样本区间内，市场因子收益率仅为0.01%，且t值不显著;其他五个因子均能获得显著的正收益率，t值均在5以上，收益率最高的是非流动性因子，其周均收益率高达0.88%，最小的是规模因子，但是也有0.29%。从相关系数来看，除了规模因子（SMB）与估值因子（HML）、SMB与MOM、HML与MOM的相关系数均超过了0.6，其他因子间相关系数均不大;关注度因子（ATT）除了与市场因子（MKT）保持一定的正相关性外，与其他四个因子均是负相关关系，且数值均不大。因此，初步看来，ATT因子不同于目前常用的定价因子。
（二）因子回归分析
为了更准确地判断关注度因子是否不同于现有的定价因子，即是否能够为资产定价模型提供增量信息，采用各因子模型对ATT因子进行回归，模型如公式（2）所示：
回归结果如表6所示，可以看到，动量因子和非流动性因子对ATT因子的回归系数均不显著，MKT、SMB和HML三因子的回归结果均是显著的，其中，MKT和HML的回归系数显著为正，而SMB的回归系数显著为负。无论采用哪种模型，Alpha系数均是显著为正的，说明ATT因子包含了三因子甚至五因子所无法解释的部分，能够为资产定价模型带来增量价值。此外，模型的R2均小于0.2，也说明ATT因子与现有的风险因子具有显著的差异性。因此，在接下来的分析中采用ATT和其他风险因子共同为投资组合进行定价研究。
（三）因子定价能力分析
本文采用关注度分组来研究因子的定价能力，即按照关注度从低到高的顺序将所有股票分为10组，并分别对每组的等权重投资组合收益率进行因子回归，模型如公式（3）所示：
其中，[Rt]为各投资组合的收益率，回歸结果见表7。从第1列可以看到，不同关注度分组下投资组合的平均收益率并没有显著的变化趋势，除了第9组和第10组外，其他组合的收益率均值均小于0;从第2列收益率的标准差看，随着关注度的升高，投资组合的风险不断上升，最低关注度组的标准差仅为3.74%，但最高关注度组的标准差达到5.84%。第3到9列报告了因子定价回归结果，可以看到，除了市场因子、非流动性因子和关注度因子在绝大部分投资组合下的回归系数显著外，规模因子回归系数仅在第1、9和10组显著，而估值因子和动量因子的回归系数在绝大部分组合下均不显著。除了第3组和第7组外，其他组合的[α]系数均不显著，说明因子模型能够很好地对组合收益定价。这从R2也可以看出，所有投资组合的R2均在0.9以上，模型拟合效果很好。从系数的变化趋势来看，无论[α]系数，还是MKT、SMB、HML、ILLIQ和MOM的系数，均没有明显的趋势变化，但是ATT的系数却具有明显的上涨趋势，从最低组的-0.2445到最高组的0.7555，说明ATT因子对不同关注度组合的影响存在着显著差异。因此，总体来看ATT因子是具有显著定价能力的。
为了使研究结果更稳健，表8采用Fama-French的分组方法，将所有股票按照规模和估值分为S/H（小规模高估值）、S/M（小规模中估值）、S/L（小规模低估值）、B/H（大规模高估值）、B/M（大规模中估值）和B/L（大规模低估值）六组，再对每组构造等权重组合，利用模型（3）检验风险因子对组合收益率的定价能力。从表8可以看到，风险因子的定价能力较强，表现为除了S/H和S/L组的[α]系数显著外，其他四组的[α]系数均不显著，且所有组合的R2均在0.95以上（除S/L组为0.8）。从风险因子来看，MKT回归系数在所有组合中均显著，SMB和HML的回归系数也在绝大部分组合中显著，ILLIQ回归系数仅在S/H和S/L组显著，MOM回归系数在S/H、B/H和B/L组显著，而ATT回归系数在S/M、S/L和B/L组显著。所以综合来看，ATT因子具有一定的定价能力，尤其是在低估值的股票组合中表现得更为明显（S/L和B/L组的回归系数极为显著），而且对小规模股票的定价能力一般为正，而对大规模股票的定价能力一般为负。综合表7和表8来看，采用投资者关注来构造定价因子，能够对现有的资产定价模型进行一定的补充。
六、结论与讨论
基于2011年1月—2019年8月的创业板上市公司数据，通过设计爬虫程序挖掘出创业板个股每周在东方财富网的发帖量，从而获得个股的投资者关注信息，并分别采用等权重法和市值加权法构造出市场整体的投资者关注度指标，以及采用定价因子的构造方法构造了关注度因子。通过对市场整体以及异质性股票的实证检验，结果发现：市场总体的关注度指标只对当期的指数收益率有影响，对未来的预测能力并不显著，同时投机性较强的股票（包括波动率、换手率、动量和非流动性较大的股票）对总体关注度指标的敏感性更高;关注度因子与常见的定价因子间的相关性并不高，且在控制了现有定价因子（MKT、SMB、HML、MOM、ILLIQ）后，关注度因子仍然能够获得显著的正阿拉法收益，说明关注度因子不同于现有的定价因子;利用多因子模型对不同投资组合的收益率进行回归，发现关注度因子对投资组合的收益率有显著的解释能力，能够为现有的定价模型带来增量信息。
本文的研究结论既是对行为金融理论的有力补充，也对投资者、金融机构和金融监管层具有较为重要的现实价值：首先，对于投资者而言，一方面应尽量避免个人情绪影响到投资决策，如严格执行交易规则、坚持价值投资等;另一方面也可以关注与情绪相关的变量，短期内可以利用其他投资者的不理性行为获利，如买入投资者关注度更高的股票，长期则应避免在市场情绪高涨时入市。其次，对于金融机构而言，可以充分利用其规模优势和研究优势，通过大数据或人工智能技术，监控并追踪投资者情绪的变化情况，并以此为基准开发相关金融产品，既为投资者提供了更广泛的投资产品，也可以为市场提供更多的流动性。最后，对于监管层而言，应紧密监测投资者情绪变动情况，可以将投资者情绪作为系统性金融风险的一个前瞻指标，通过对其监测和引导，为防范和化解金融风险提供数据支持。
参考文献：
[1]Qiu L，Welch I. 2006. Investor Sentiment Measures[R].Working Paper，Brown University.
[2]Singer E. 2002. The Use of Incentives to Reduce Nonresponse in Household Surveys [R].Working Paper，University of Michigan.
[3]Da Z，Engelberg J，Gao P J. 2011. In Search of Attention [J].Journal of Finance，66（5）.
[4]Loughran T，McDonald B. 2011. When is a Liability not a Liability？ Textual Analysis，Dictionaries，and 10-Ks [J]. Journal of Finance，66（1）.
[5]Shiller R J. 1981. Do Stock Prices Move Too Much to be Justified by Subsequent Changes in Dividends？ [J]. American Economic Review，71（3）.
[6]De Bondt W F M，Thaler R. 1985. Does the Stock Market Overreact？ [J].Journal of Finance，40（3）.
[7]DeLong J B，Shleifer A，Summers L H，Waldmann R J. 1990. Noise Trader Risk in Financial Markets [J].Journal of Political Economy，98（4）.
[8]Eyster E，Rabin M，Vayanos D. 2019. Financial Markets where Traders Neglect the Informational Content of Prices [J].Journal of Finance，74（1）.
[9]Dellavigna S，Pollet J M. 2009. Investor Inattention and Friday Earnings Announcements [J].Journal of Finance， 64（2）.
[10]Ingersoll J E，Jin L J. 2013. Realization Utility with Reference-Dependent Preferences [J].Review of Financial Studies，26（3）.
[11]周亮.投資者情绪及其对股票市场的影响研究[J].湖南财政经济学院学报，2017，（3）.
[12]Baker M，Wurgler J. 2006. Investor Sentiment and the Cross-Section of Stock Returns [J].Journal of Finance，61（4）.
[13]Huang D，et al. 2015. Investor Sentiment Aligned：
A powerful Predictor of Stock Returns [J].Review of Financial Studies，28（3）.
[14]Nayak S. 2010. Investor Sentiment and Corporate Bond Yield Spreads [J].Review of Behavioral Finance，2（2）.
[15]Simon D P，Wiggins R A. 2001. S&P Futures Returns and Contrary Sentiment Indicators [J].Journal of Futures Markets，21（5）.
[16]Wang C. 2004. Futures Trading Activity and Predictable Foreign Exchange Market Movements [J].Journal of Banking&Finance，28（5）.
[17]Bahloul W，Bouri A. 2015. Profitability of Return and Sentiment-Based Investment Strategies in US Futures Markets [J].Research in International Business and Finance，36（2）.
[18]周亮.投资者情绪对商品期货价格及波动率的影响研究——以螺纹钢期货为例 [J].武汉金融，2019，（6）.
[19]Ben-Rephael A，Kandel S，Wohl A. 2012. Measuring Investor Sentiment with Mutual Fund Flows [J].Journal of Financial Economics，104（2）.
[20]文凤华，肖金利，黄创霞.投资者情绪特征对股票价格行为的影响研究 [J].管理科学学报，2014，（3）.
[21]Aissia B D. 2014. IPO First-Day Returns：Skewness Preference，Investor Sentiment and Uncertainty Underlying Factors [J].Review of Financial Economics，23（3）.
[22]Lemmon M，Portniaguina E. 2006. Consumer Confidence and Asset Prices：Some Empirical Evidence [J].Review of Financial Studies，19（4）.
[23]余佩琨，钟瑞军.个人投资者情绪能预测市场收益率吗 [J].南开管理评论，2009，（1）.
[24]池丽旭，张广胜，庄新田，宋大雷.投资者情绪指标与股票市场——基于扩展卡尔曼滤波方法的研究 [J].管理工程学报，2012，（3）.
[25]杨阳，万迪昉.投资者情绪对我国金属期货市场的影响 [J].系统工程，2010，（11）.
[26]陈标金，谭莹.信息、交易者情绪与中国农产品期货价格波动 [J].金融经济学研究，2017，（2）.
[27]Da Z，Engelberg J，Gao P. 2015. The Sum of all FEARS Investor Sentiment and Asset Prices [J].Review of Financial Studies，28（10）.
[28]Dimpfl T，Kleiman V. 2019. Investor Pessimism and the German Stock Market：Exploring Google Search Queries [J].German Economic Review，20（1）.
[29]易洪波，赖娟娟，董大勇.网络论坛不同投资者情绪对交易市场的影响——基于VAR模型的实证分析[J].财经论丛，2015，（1）.
[30]Baker M，Wurgler J. 2007. Investor Sentiment in the Stock Market [J].Journal of Economic Perspectives，21（2）.
[31]Carhart M M. 1997. On Persistence in Mutual Fund Performance [J].Journal of Finance，52（1） .
[32]Amihuid Y. 2002. Illiquidity and Stock Returns Cross-Section and Time-Series Effects [J].Journal of Financial Markets，5（1）.
