一、引言

互联网作为世界上最大的信息结构,为投资者提供了多种信息获取和沟通的工具。 自诞生以来, 随着科技的发展经历多次演化,从Web1.0 时代到Web2.0 时代,从信息发布到信息交互到即时通讯, 互联网一步步将人类的生活联系在一起。 随着互联网蓬勃发展,网民的数量也越来越多,截至2018 年12 月,我国网民规模为8.29 亿。 ^① 网络逐渐成为信息的重要载体和信息传播的重要渠道。

互联网的迅速发展,伴随着信息传播媒介的不断更新。 从传统的报纸、杂志、电视等媒介发展到门户网站,进而演变到如今的微信、微博等新型媒介, 相比于传统媒介,新型媒介呈现出信息传播速度快、 传播范围广、信息交互式传播等特点。 在Web2.0 时代,投资者会选择微信、微博等新型媒介来获取和发布信息,他们不仅在证券市场上进行投资,同时会通过新型媒介将其投资决策的想法和情绪进行广泛传播。 新型媒介从根本上改变了证券市场的信息结构,进而影响投资者的投资决策,最终对资产定价产

基于新型媒介信息传播速度快、传播范围广、信息交互式传播的特点,金融机构可以利用新型媒介中传播的信息数据对资产进行定价。 2009 年发布的百发100 指数采用百度金融搜索和用户行为大数据编制股票市场指数。 在此基础上,众多策略基金成立。 其中广发百发大数据策略成长A基金的收益与上证综合指数最近6 个月的简单线性回归分析如图1 所示。

图1 广发百发大数据策略成长A(001734.OF)-简单线性回归分析^②

图1 中,广发百发大策略成长A基金的收益与指数收益呈现出一定的线性关系,表明利用百度金融搜索和其他投资者留痕的数据行为分析可以获得有效的信息,从而对资产定价产生影响。

本文主要关注新型媒介信息传播与资产定价之间的关系,致力于探究Web2.0 背景下信息新型扩散方式对资产定价的影响。 首先,本文对Web2.0 以及新型信息传播媒介两个概念进行界定。

20 世纪90 年代初, 万维网

出现, 世界进入Web1.0 时代,Web是一个可以通过互联网访问的服务器技术网络。 对于投资者而言,Web是一种可以使用个人计算机访问的系统,它最初是新闻、信息的来源,用户访问的工具是搜索引擎。 Web1.0 发展后期出现了向门户、综合网站发展的趋势。 Web1.0 时代的信息传播媒介主要是信息传递方向单一的报纸、杂志、电视等传统媒介和静态网站。 21 世纪初,随着电子商务的发展,在线服务的商业模式日益繁荣。 世界进入Web2.0 时代,blog大量涌现,维基百科出现,投资者使用网络分享经验和观点,编写大百科全书。 与Web1.0 不同,Web2.0 时期信息传播不仅仅是官方媒体在静态网站上进行信息发布,而是同时让投资者参与其中,每个用户既是信息接收人, 又是信息发布者, 转发信息随时随地一键操作, 这催生了信息辐射。 ^[1]相比于Web1.0 时期的传播媒介,blog、QQ等新型媒介更加注重交互性,以用户为中心,互联网理念由原来自上而下少数者主导的体系转变为自下而上用户集体智慧主导的体系。 ^[2] 发展到后来,智能手机和平板电脑的出现使互联网真正做到Anytime、 Anywhere和Anyway,微博、微信等新型媒介出现。 总之,Web2.0 背景下的新型信息传播媒介相比于传统报纸、杂志以及Web1.0 时期的静态网站,具有传播速度快、范围广、信息来源丰富、信息传播具有动态交互性等特征。

本文从时间、技术、社会三个方面对新型媒介进行界定。 在时间方面,与Web1.0 相比,出现时间较晚的Web2.0 可以被称为新型媒介;在技术方面,新型媒介信息传播速度更快,应用领域更加宽广,技术上更加先进;在社会方面,新型媒介打造了人与人交互的环境,例如微信朋友圈,一旦有人使用,就会吸引更多人使用, 从而对社会造成新的影响。 _[3] Web1.0 出现在Web2.0 之前, 从时间维度来讲, Web1.0 似乎更加“传统”。 Web1.0 时代,投资者更多的是从各个网站上获取信息,被动地接收信息。 相比于传统媒介( 报纸、 杂志、 电视等), 本文将Web1.0 时期的媒介定义为“旧媒介”。 相比于传统媒介和旧媒介,新型媒介具有一些独特的传播特点: 即时性、交互性、虚拟性、个性化和海量共享性。 ^[4]

与过去信息传播方式不同,在新型媒介背景下, 影响资产价格的信息通过传统媒介或者新型媒介渠道传递给投资者,投资者在接收信息之后,可以选择通过新型媒介渠道将信息再次转发,也可以经过投资者先验信息处理之后二次发布。 初始信息经过数量众多的个体源分析、整理、打包、发布,信息交互式传播,从而对资产定价产生影响。 在投资者通过新型媒介进行信息获取、处理、传播的过程中,也留下了数不胜数的投资“痕迹”,通过分析这些“痕迹”, 可以获得大量的投资信息。 除此之外,Web2.0 背景下,随着科学技术的发展,云平台的出现,计算机的处理能力与数据存储能力得到巨大的提升,投资者逐渐掌握处理海量数据的能力,新型媒介下的大数据思维与方法的运用给投资者带来了新一轮财富增长的机会。 资产定价的方式方法是投资者需要关注的方向,通过研究新型媒介背景下信息扩散的原理,剖析信息对资产价格的影响方式,从而提取出有效的信息,对资产定价理论进行扩充,提升资本市场价格发现的效率与效果,这是本课题研究的目的。

二、文献回顾

国内外学者对于媒体、信息传播与资产定价的研究主要集中于信息传播媒体对资产定价的影响、 信息传播方式对资产定价的影响两个方面。

(一) 信息传播媒体对资产定价的影响

Dyck等研究了媒体报道对资产价格的影响,发现股票价格对媒体强调的盈利类型的信息最具反应性;对于分析师较少的公司以及媒体更可信的公司, 这种效应更强;可供选择的公司信息来源越少,对信息的需求就越大,报纸的声誉就越差。 ^[5]

Bushee等考察商业报刊在资本市场中是否扮演着信息中介的角色,研究了在公司财报发布期间媒体对公司信息环境的影响,发现媒体报道的增加降低了信息不对称的程度,并促进了小型和大型交易。 ^[6]同样以商业报刊作为研究对象,Drake等主要研究商业报刊在会计信息定价中的作用,发现媒体对年度盈利报告的报道减轻了对现金流错误定价的影响,商业报刊在促进市场有效地将会计信息纳入股价方面发挥了重要作用。 ^[7]

张维等通过建立多期的、意识偏见和构饰偏见并存的投资者具有学习行为的计算与实验模型来研究媒体偏见对投资者决策和资产价格的影响,发现媒体偏见和媒体竞争对资产价格都具有较大的影响,随着媒体竞争和媒体偏见程度增加,投资者对资产价格预期的波动逐渐减小。 ^[8]

Rogers等利用内幕交易文件公开的过程来调查媒体报道是否影响证券市场,研究发现在内幕交易消息发布后的几分钟内,媒体传播对价格和交易量的反应方式产生了明显的影响。 ^[9]

胡国强等采用企业被媒体报道次数来研究媒体关注如何通过资本市场错误定价影响企业投资者行为,结果显示媒体关注在资本市场错误定价影响中同时具有信息功能与情绪功能,但两种功能的作用机制不同,其中媒体的信息功能主要通过缓解公司股票低估来实现,媒体的情绪功能主要通过加剧股票高估来实现。 ^[10]

俞庆进等利用百度指数代表投资者关注度,实证检验百度指数与创业板股票市场的关系,研究发现百度指数与市场指标具有显著相关性,投资者的有限关注对股票市场产生影响。 ^[11]类似的,赵龙凯等研究了百度搜索量与股票收益率关系,通过研究搜索量与规模、换手率、账面市值比交叉分组后的股票平均收益率,发现关注度与同期股票收益率有正相关关系,高关注度组股票的平均收益率显著大于低关注度组股票,同时关注度并不能完全被另外三个变量解释。^[12]

近年来,国内外学者也在研究Web2.0 背景下的新型信息传播媒介对于资产定价的影响。 金雪军等收集东方财富网股吧发帖数据,采用文本挖掘的方法,研究中小投资者在股票论坛的讨论是否会对股票的收益率与成交量产生影响。 ^[13] 乔智等采用新浪股吧上证指数吧数据、东方财富股吧上证指数吧数据进行研究,通过股吧发贴量构建个人投资者情绪代理指标,研究个人投资者情绪与股市收益之间的关系。 ^[14] 熊熊等采用东方财富股吧发贴数据研究股吧发贴量、 评论量等特征变量与股票市场成交量、收益率等特征变量之间的关系。 ^[15] 石善冲等通过对微信文本进行语义分析构建投资者的情绪指标,研究投资者情绪对股票市场的影响,研究发现基于微信文本挖掘的投资者情绪对股票的成交量、收盘价、收益率等有重要影响。 ^[16]同样的,邓屹人以微信平台为研究对象,研究微信公众号信息传播对大盘指数的影响。 ^[17]

(二) 信息传播方式对资产定价的影响

Banerjee提出了一个顺序决策模型,在这个模型中,每个决策者在做出自己的决策时都会查看以前的决策者所做的决策,研究结果表明,优化个体选择的决策规则具有羊群行为特征。 ^[18] Welch简化了信息扩散方式,假设研究个体逐一获得信息并进行决策,形成了一种相对简单的“直线型”信息扩散方式,并且也发现这样的信息扩散方式会引起投资者的羊群效应,从而对资产定价造成影响。 ^[19]

Lux通过建立金融市场信息扩散的蚁群模型研究信息扩散方式对资产价格的影响,在这个模型中, 信息会在股市上传播,资产高估或低估是由于投机者对均衡的微小偏差作出放大反应。 ^[20]

应尚军等在股票市场仿真模型基础之上,将复杂的股票市场行为分为分形结构特征变量和稳定性变量两个方面,研究信息规则扩散方式下对资产价格的影响,结果表明二者存在一定的相关性。 ^[21]

Hoffmann等研究了环状传播网络的特征,并与无标度信息传播网络进行比较,发现信息传播结构的差异,将导致收益率结构发生不同的变化。 ^[22]

Hein等研究了不同通信网络拓扑结构对人工股票市场仿真结果的影响,发现交易者在网络中的空间位置和网络拓扑结构影响价格构建过程的结果,同时还发现信息传播无规律性程度越高,股市波动性也越高。 ^[23]

Ozsoylev等关注稀疏且具有幂律度分布的网络,提出了一个大型信息网络理性预期均衡模型,对网络属性与资产定价之间的关系进行深入分析。 研究发现,在金融市场中,信息通过交易员的信息网络逐渐扩散到资产价格中;信息冲击的逐渐扩散,最初只被一小部分交易人群观察到,随着时间的推移,可能导致与公共新闻无关的价格大幅波动。 ^[24]

张永杰等采用关于个股网络开源信息内容含量的数据,研究开源信息对资产定价的影响,利用基于搜索引擎的文本语义挖掘算法,构建网络开源信息模型,研究发现,开源信息内容指标对异常收益率的解释力随个股不同而表现出较大差异。 ^[25]

冯绪研究了复杂网络中,信息扩散对资产价格的影响,通过计算实验建模的方式,发现个体间的交互式信息传播与信息传播中的变异将会影响非知情者的信息甄别能力,从而影响到资产定价。 ^[26]

(三) 文献评述

总体来看,现有研究主要集中在媒介对资产定价的影响以及信息传播方式对金融市场、投资者行为的影响。 在Web2.0 背景下,已有学者对新媒介信息传播与资产定价的关系进行研究。 关于新型媒介,现有研究主要集中在股吧论坛,对于微信平台的研究尚不充分。 2017 年腾讯公司推出的微信指数是一个新的集合用户在微信上搜索、浏览、点赞等行为数据,呈现关键词热度的指数,蕴含丰富的资产定价意义的信息内容。 因此,本文试图利用微信指数数据来研究新型信息传播媒介(微信)对中国股票资产定价的影响。

三、研究设计

(一) 微信指数指标体系的构建

近三年,在典型社交应用软件使用率上,微信朋友圈的使用率最高。 ^③ 微信指数是微信官方提供的基于微信大数据分析的移动端指数,是将投资者在微信搜索的文章、公众号的文章及朋友圈公开转发的文章的阅读、转发等数据进行指数化。 具体方法为:在微信移动端微信指数小程序内搜索关键词即可得到该关键词7 日、30 日和90 日的热度。

根据微信官方说明,微信指数显示的热度情况来源于用户对微信搜索、公众号文章以及朋友圈公开转发文章形成的综合分析。 微信指数构建时参考WCI微信传播指数构建方式,WCI构架方式如下。

建立如下指标:R为总阅读数;R/N为平均阅读数;Rmax为最高阅读数;Z为总点赞数;Z/N为平均点赞数;Zmax为最高点赞数;Z/R为平均点赞率。

WCI指标体系如图2 所示。

其中各个指标权重如表1 所示。

根据以上指标,构建WCI指数的计算公式^④ :

以上是WCI指标体系的构建方式,参考其构建的微信指数包括用户对微信搜索、公众号文章以及朋友圈公开转发文章的阅读、转发等数据,与先前学者构建的百度搜索引擎搜索量指标相比,微信指数指标体系包含信息更加完善,符合Web2.0 时代信息传播交互性、动态性等特征。

(二) 模型

国内已有学者通过构建信息传播模型,研究信息传播方式对股票市场、投资者行为的影响。 张永杰等采用关于个股网络开源信息内容含量的数据, 利用基于搜索引擎的文本语义挖掘算法,构建网络开源信息模型, 研究开源信息对资产定价的影响。 ^[25]本文基于网络开源信息模型,构建复杂网络扩散模型,进一步探索新型媒介背景下信息扩散方式对资产定价的影响。

1.利用微信指数替代百度搜索引擎。 本文采用反映投资者阅读、点赞等情况的微信指数替代网络开源信息模型的百度搜索量指数,来衡量Web2.0 背景下个股网络开源信息内容含量。

2.使用资产日收益率的绝对值(AR)替代超额收益率绝对值(AER)。 本文与网络开源信息模型的研究重心不同,研究新型信息传播媒介对资产定价的影响,将资产日收益率的绝对值(AR) 作为资产定价的结果。

3.无需考虑日期对关键词检索结果的影响。 网络开源信息模型中,百度关键字的搜索,需要加入日期才能获取某一天股票的网页发布数量。 微信指数发布的是具体某一天关键词的热度,无需考虑日期对于关键词检索结果的影响。

基于以上改进,本文建立了复杂网络扩散模型, 如下所示:

模型1: ${\mathrm{A}\mathrm{R}}_{\mathrm{t}}^{\mathrm{i}}={\alpha }_1^{\mathrm{i}}+{\beta }_1^{\mathrm{i}}{\mathrm{v}\mathrm{o}\mathrm{l}}_{\mathrm{t}}^{\mathrm{i}}+\epsilon (1{)}_{\mathrm{t}}^{\mathrm{i}}$

模型2: ${\mathrm{A}\mathrm{R}}_{\mathrm{t}}^{\mathrm{i}}={\alpha }_1^{\mathrm{i}}+{\beta }_1^{\mathrm{i}}\mathrm{W}{\mathrm{C}\mathrm{I}}_{\mathrm{t}}^{\mathrm{i}}+\epsilon (1{)}_{\mathrm{t}}^{\mathrm{i}}$

模型3: $A{R}_t^i={\alpha }_2^i+\beta (1{)}_2^i{\mathrm{v}\mathrm{o}\mathrm{l}}_t^i+\beta (2{)}_2^{i}WC{I}_t^i\epsilon (2{)}_i^i$

其中:AR为股票日收益率的绝对值;WCI为微信指数;vol为股票成交量。 由于微信指数无法表达投资者的情绪,数值上无法分辨指数值蕴含的信息属于悲观或者乐观情绪,因此本文将收益率进行绝对化,从而研究信息对资产定价影响程度。

(三) 数据

本文选取深圳证券交易所中小板按代码从小到大排序前100 支股票中的79 支。 关于样本数据选择有如下几点说明:

1.之所以选择中小板市场股票,主要是由于主板市场上公司营业范围较广,使用微信搜索的结果包含更多的噪音,例如搜索工商银行,搜索出的文章大多数是关于银行信用卡等。 之所以不选择创业板股票,是因为2014 年5 月16 日之前,创业板重点扶持国家战略性新兴产业,上市必须属于规定的行业, 行业集中程度较高,样本可代表性较差。

2.之所以选择前100 只股票中的79 支,是考虑到数据充足性以及前100 只股票行业分布分散,具有比较好的代表性。 前100 只样本股票,剔除因停牌、或微信指数数据缺失导致无法获取有效信息的21 支股票后,剩下79 只股票。 行业分布情况如表2 所示。

3.样本时间区间为2017 年7 月10 日—2017 年9 月29 日,一共包含60 个交易日。 微信指数发布最长的时间为三个月,剔除节假日后共60 个交易日。

根据模型,获取三组数据,分别是股票在该区间的日收益率的绝对值AR、股票日成交金额vol以及微信指数。 其中股票的日收益率及股票日成交金额均来自于Wind资讯,微信指数数据来源于手机微信客户端。

四、数据分析与实证结果

(一) 模型回归显著性统计

根据构建的复杂网络模型以及收集的样本数据进行回归分析。 回归结果如表3 所示。

模型1 回归结果显示, 5%显著性水平下97.5%、1%显著性水平下96.2%的股票的成交量(vol)与股票收益率的绝对值( AR) 显著相关,与Wang以及赵春光等的结论一致,成交量中包含着股票收益率的信息。 ^[27-28] 对于模型2,5%显著性水平下20.3%、1%显著性水平下13.9%的股票的微信指数与收益率绝对值显著相关,结果表明微信指数中包含部分影响股票收益率的信息。 模型3 回归结果显示,5%显著性水平下12.7%、1%显著性水平下5.1%的股票的成交量和微信指数与股票收益率的绝对值显著相关。 此外,在5%显著性水平下只有2 支股票其收益率和成交量及微信指数不存在显著相关关系,在1%显著性水平下只有3 支股票不存在显著关系,结果表明成交量及微信指数是影响股票收益率的关键因素。

在模型3 的回归结果中,仅微信指数显著的股票个数为0,表明微信指数并不能包含全部影响股票收益率的信息。 这可能是因为用户信息来源丰富,微信只是投资者众多信息来源中的一种,因此微信指数并不能完全反映投资者对于股票的全部关注度。

(二) 个股分析

为了更加客观、准确地考察股票收益率与股票成交量、微信指数的关系,本文选取三只股票为代表

进行进一步分析。 第一只股票选取宁波华翔,该股票代表上述回归结果中微信指数和成交量均显著的股票(第Ⅰ类)。 第二只股票选取天康生物,代表上述回归结果中成交量显著而微信指数不显著的股票(第Ⅱ类)。 第三只股票选取黑猫股份,它代表了成交量与微信指数均不显著的股票(第Ⅲ类)。 对选取的三只股票进行模型1、模型2、模型3 回归分析, 回归结果如表4 所示。

在表4 中,宁波华翔在用模型3 估计时的拟合优度高于模型1 和模型2。 这说明对于第Ⅰ类股票,成交量和微信指数共同解释收益率效果更好。 天康生物和黑猫股份这两只股票,使用模型3 估计的拟合优度低于模型1,单独使用模型2 回归的拟合优度为负值,这说明微信指数指标无法单独解释第Ⅱ类和第Ⅲ类股票的收益率。

在第Ⅱ类股票中,1%显著性水平下有24 支、 5%显著性水平下有22 支股票的微信指数与成交量显著相关,但与股票的绝对收益率不显著。 我们选取其中具有代表性的景兴纸业进行分析。 景兴纸业微信指数与成交量、股票收益率关系如图3 所示。

图32017 年7 月10 日—2017 年9 月29 日交易日期间景兴纸业微信指数与成交量、股票收益率关系

在图3 中,景兴纸业微信指数与成交量拟合效果较好,与收益率拟合效果较差。 其原因在于投资者利用微信获取的信息进行股票交易,因此微信指数对成交量产生显著影响,但是对于股票收益率的影响并不会在股票成交当天反映出来,存在滞后性。

通过以上分析发现,微信指数在一定程度上可以反映股票收益率的变化。 说明投资者可以从微信上获取股票相关信息,投资者的阅读、点赞等行为会影响股价变动。 虽然在典型的社交应用中,微信朋友圈的使用率最高,但研究结果显示,微信指数并不能反映股票收益率包含的全部信息,换句话说,投资者对股票信息的获取并不完全来自微信。 此外,研究发现,微信指数包含了成交量的信息,而部分信息并不反映在成交当天的股票收益率上。

五、结论与展望

(一) 结论

本文采用总阅读数、平均阅读数、最高阅读数、 总点赞数、平均点赞数、最高点赞数、平均点赞率等数据构建微信指数指标体系,以网络开源信息模型为基础建立复杂网络扩散模型,研究Web2.0 背景下新型信息传播媒介对资产定价的影响。 研究结果表明,Web2.0 背景下,新型媒介信息扩散方式(投资者阅读、点赞等行为) 确实会影响资产定价。 微信指数指标对资产定价的影响随着个股的不同有着不同的解释力。 虽然微信指数在一定程度上可以反映股票收益率的变化,但总体来说,微信指数对收益率的影响较小,微信指数并不能包含影响股票收益率的全部信息。 同时,相比于网络开源模型,复杂网络扩散模型对于成交量中额外信息的发现能力更强。

(二) 展望

本文选取深交所中小板79 只股票作为研究样本,未来研究可以将样本扩充到整个A股市场,结果可能更有说服性,更有意义。 本文选取微信这一新型媒介进行研究,生活中新型媒介种类繁多,未来的研究可以着眼于微博、QQ等新型媒介,建立新、 旧媒介综合指标体系,从总体上研究信息传播媒介对于资产定价的影响。

注释

① 数据来源:CNNIC中国互联网络发展状况统计报告。

② 数据来源:Wind资讯。 图1 中横坐标为上证综合指数收益(%),纵坐标为广发百发大数据策略成长A基金收益(%)。

③ 2016、2017、2018 年微信朋友圈使用率分别是是83.4%、 87.3%和83.4%。 数据来源:CNNIC中国互联网络发展状况统计报告。

④ 数据来源:清博微信传播指数WCI( V11.0)。 http://www.gsdata.cn/site/usage。

⑤ 表4 中P代表模型回归结果中用于判定假设检验结果的一个参数,P值是当原假设为真时所得到的样本观察结果或更极端结果出现的概率。 根据P值大小可以判断回归结果是否显著,当P小于显著性水平(5%或1%) 时, 说明回归结果显著,当P大于显著性水平时,则说明回归结果并不显著。

参考文献