李星洲

[摘要]文章運用了行為金融學對投資者情緒的研究方法，探討投資者情緒對資產(chǎn)收益率的影響。文章闡述了投資者情緒對金融市場的影響，構建了反映投資者情緒的指標，將情緒指標輸入神經(jīng)網(wǎng)絡算法預測資產(chǎn)收益率方向，并在此基礎上構建交易策略。

[關鍵詞]投資者情緒;神經(jīng)網(wǎng)絡;資產(chǎn)收益率

[DOI]1013939/jcnkizgsc201928007

1課題介紹與文獻回顧

投資者情緒對資產(chǎn)價格的影響是金融領域最熱門、最具爭議的話題之一。傳統(tǒng)金融理論比如有效市場假說（EMH）認為市場是有效的、完善的，投資者是理性的，所有的信息都已經(jīng)反映在當前的股價上[1]。傳統(tǒng)金融理論試圖基于“市場參與者是理性”的這一觀念構建模型來理解金融市場。當投資者們收到新的信息時，他們會根據(jù)貝葉斯學習法則正確地更新他們對資產(chǎn)未來現(xiàn)金流與風險的預期，并基于新的預期做出符合主觀期望效用最大化的投資決策。然而，投資者受生活經(jīng)歷、社會背景、知識經(jīng)驗、性格偏好等主觀因素的影響，他們在投資中的行為并不完全遵守理性假設，或多或少表現(xiàn)出有限理性的特征。行為金融學認為，某些金融現(xiàn)象可以通過一些市場參與者不完全理性的模型來理解。這個領域有兩個組成部分：限制套利和心理偏差。[2]限制套利（Limit of Arbitrage） 認為理性交易者很難消除由不理性交易者造成的混亂。De Long 等（1990）的研究認為市場中同時存在理性交易者和噪聲交易者，噪聲交易者基于錯誤的主觀信念或與公司基本面無關的信息進行交易。具有隨機誤判因素的非理性交易者通過妨礙套利交易者交易導致套利者無法消除非理性行為進而影響資產(chǎn)價格。[3]心理學理論對完全理性的偏差進行了分類，投資者基于對資產(chǎn)未來收益和風險的預期進行定價時，由于過度自信、保守主義、處置效應、從眾效應等心理因素的影響，會導致投資者對資產(chǎn)價格產(chǎn)生認知偏差，從而使股票偏離基本價值。[4]因此，投資者情緒是否是影響資產(chǎn)定價的風險要素是一個非常值得進行理論探討和實證研究的問題。

早在1936年凱恩斯時期，就已經(jīng)有研究人員分析了投資者情緒是否會影響資產(chǎn)價格。在這之后，Odean（1998）通過研究了1萬個股票賬戶，發(fā)現(xiàn)投資者心理偏差會影響投資者的決策，長期持有虧損的股票投資者往往會過早地賣出獲利的股票。[5]Barber和Odean （2000）建立了“過度自信理論模型”，認為投資者會因過度自信偏差導致過度交易進而造成損失。[6]Scheinkman和Xiong（2004）的研究結(jié)合資產(chǎn)價格、交易量和波動率建立了一個連續(xù)時間均衡模型，此模型指出投資者過度自信易導致對資產(chǎn)價格的分歧，在賣空的限制下，投資者分歧容易引起投機性交易從而造成資產(chǎn)價格的泡沫。[7]Brown和Cliff （2005）通過研究得出投資者的心理偏差在繁榮和蕭條階段具有不同的表現(xiàn)，具有推動形成資產(chǎn)價格泡沫或者加劇經(jīng)濟衰退這一結(jié)論。[8]Stambaugh 等（2012）的研究則表明，投資者情緒對于長期空頭投資策略具有顯著的負面影響。[9]Bake和Wurgler（2006）指出投資者情緒對股票收益率產(chǎn)生顯著的影響，投資者情緒低迷時，具有新股、市值低、高換手率及盈利較差等一種或多種特征的股票的收益率相對較高，而投資者情緒高漲時，具有上述特征的股票的收益率則相對較低。然而，檢驗投資者情緒重要性的一個主要挑戰(zhàn)是，它不是直接可觀察的。在其影響性研究中，Baker和Wurgler（2006）構建了一個新的投資者情緒指數(shù)（BW指數(shù)），該指數(shù)匯集了六個代表的信息，并發(fā)現(xiàn)高投資者情緒強烈地預測了橫截面的低回報率。然而，投資者情緒能否預測股票價格仍是一個懸而未決的問題，Baker和Wurgler（2006）注意到，投資者情緒對市場的可預測性在統(tǒng)計上并不顯著[10]。盡管行為金融學的學者已經(jīng)進行了大量關于投資者情緒的研究，并建立了成熟的體系，但是目前鮮有研究關注利用市場情緒預測股票收益率并構建交易策略。

因此，在文章中，構建了一個預測分歧指標來度量投資者情緒，以解釋股票市場的預期回報，宏觀經(jīng)濟指標的真實值和預測值作為輸入數(shù)據(jù)，進而使用機器學習方法來預測標普500指數(shù)的收益率方向。

文章的其余部分組織如下：第二部分解釋了研究使用的數(shù)據(jù)和方法。第三部分介紹了研究搭建的模型，并進一步討論了模型的結(jié)果。最后一部分將對這項研究進行總結(jié)。

2數(shù)據(jù)介紹與方法說明

本研究使用的數(shù)據(jù)來自費城聯(lián)邦儲備銀行。費城聯(lián)邦儲備銀行（Federal Reserve Bank of Philadelphia）在專業(yè)預測調(diào)查（Survey of Professional Forecast）中提供不同經(jīng)濟變量的預測。本研究中使用的預測變量包括以下幾點。

（1）美國商業(yè)指標，其中包含11個變量：名義國內(nèi)生產(chǎn)總值（NGDP）、國內(nèi)生產(chǎn)總值價格指數(shù)（PGDP）、企業(yè)稅后利潤（CPROF）、失業(yè)率（UNEMP）、工業(yè)生產(chǎn)指數(shù)（INDPROD）、房屋開工率（HOUSING）、3月國債利率（TBILL）和穆迪Aaa評級企業(yè)債券收益率（BOND）。

（2）實際國內(nèi)生產(chǎn)總值及其組成部分，其中包含8個變量：實際國內(nèi)生產(chǎn)總值（RGDP）、實際個人消費支出（RCONSUM）、實際非住宅固定投資（RNRESIN）、實際住宅固定投資（RRESINV）、實際聯(lián)邦政府消費支出和總投資（RFEDGOV）、實際州和地方政府消費支出和總投資（RSLGOV）、私人存貨投資的實際變化（RCBI）以及商品和服務的實際凈出口（REXPORT）。

（3）消費物價通脹率（CPI）。

（4）實際GDP下降概率（RECESS）。

每個變量包含個人預測和個人預測的中位數(shù)。在每個個人預測文件中，各列為不同的季度或年度預測，并且每列的根名稱都用“1”到“6”（季度預測）或“A”和“B”（年度預測）標記。數(shù)字“1”表示進行專業(yè)預測調(diào)查的季度之前的季度的預測。數(shù)字“2”表示進行調(diào)查的當前季度的預測。數(shù)字“3”至“6”分別代表本季度后第一、第二、第三和第四個季度的預測。字母“A”和“B”代表本年度和下一年度的年度預測。

本研究的最終目的是利用機器模型算法預測未來股價方向的變化。本研究使用神經(jīng)網(wǎng)絡算法（ANN）來構建模型，神經(jīng)網(wǎng)絡是一個受構成動物大腦的生物神經(jīng)網(wǎng)絡啟發(fā)的計算系統(tǒng)。人工神經(jīng)網(wǎng)絡（ANN）建立在一組稱為人工神經(jīng)元的節(jié)點上，這些節(jié)點模擬生物神經(jīng)元的大腦。每一個連接，就像生物大腦中的一個突觸，都將信號從一個人工神經(jīng)元傳遞到另一個神經(jīng)元。人工神經(jīng)元接收信號，進行處理，然后發(fā)送給其他人工神經(jīng)元[11]。

如圖1所示，一個神經(jīng)網(wǎng)絡有m個輸入數(shù)據(jù)且每個輸入數(shù)據(jù)都帶有權重W，人工神經(jīng)元的輸出由一個帶有輸入m和權重W的激活函數(shù)計算。每一個人工神經(jīng)元有一個閾值，只有當激活函數(shù)發(fā)出的聚合信號超過閾值時，才會發(fā)送該信號。通常，不同的層可以對其輸入執(zhí)行不同類型的轉(zhuǎn)換。信號從第一層（輸入層）傳輸?shù)阶詈笠粚樱ㄝ敵鰧樱逸斎雽雍洼敵鰧又g可能存在多個層。

首先選取數(shù)據(jù)來輸入神經(jīng)網(wǎng)絡。應用OLS回歸來挑選變量，并選取P值小于01且通過顯著性檢驗的變量。OLS回歸中的因變量是標普500收益率，解釋變量是前一個時期經(jīng)濟指標的真實值、每個時期經(jīng)濟指標的預測中位數(shù)值以及每個經(jīng)濟指標不同時期的預測分歧。預測分歧是基于Güntay和Hackbarth（2010），Lopez-Salidoet 等（2017）和Bordalo 等（2018）的研究而構建的捕捉情緒的變量[12-14]。在經(jīng)濟形勢較好時，投資者就會表現(xiàn)出過度自信，認為以后的經(jīng)濟形勢會更好。因此，投資者愿意提供更多的資金，對利息要求較低，更多的項目可以融資成功。然而，實際情況往往沒有投資者預想得那么好，當投資者意識到真實情況時，他們便會緊縮信貸，導致大量的項目融資失敗。投資者會進一步認為經(jīng)濟形勢要比想象得還差，因此更加嚴厲地緊縮信貸，進而導致經(jīng)濟蕭條。因此，宏觀經(jīng)濟的循環(huán)內(nèi)生于情緒波動，進而導致了資產(chǎn)價格的變動。由于在經(jīng)濟衰退和經(jīng)濟繁榮期間，人們對未來經(jīng)濟預期的分歧可能會較大，導致實際值與預測值的差變大，因此預測的分歧可能會在這些時期急劇增加。因此，認為預測分歧可以衡量市場情緒，并將預測分歧定義為經(jīng)濟變量的個人預測值的標準差，其數(shù)學表達式定義為FD=std（FV），其中FD是某個變量的預測分歧（Forecast Dispersion），F(xiàn)V是某個變量的個人預測值序列。

3模型結(jié)果與討論

首先將使用OLS回歸挑選出合適的預測變量和預測分歧變量，其中，以“STD“為結(jié)尾的變量如NGDP4STD代表著變量NGDP4的預測分歧。

在經(jīng)過OLS回歸后，NGDP1， NGDP4STD， NGDP5STD， NGDP6STD， NGDPASTD， NGDPBSTD， PGDP2STD， CPROF4，CPROFA， UNEMP3， UNEMP4， UNEMPB，INDPRODB， INDPRODB， HOUSING5， HOUSING5STD， HOUSING6STD， HOUSINGBSTD， TBILLB， TBILL4STD， TBILLBSTD， BONDA，RGDP2， RGDP5， RGDP3STD， RGDP4STD， RGDPBSTD， RCONSUM6STD，RCONSUMBSTD，RNRESIN1STD， RRESINV6， RRESINVA， RRESINV2STD，RRESINV3STD，RSLGOV5STD，RSLGOVBSTD， RCBI1STD，RCBIBSTD， REXPORTA， RSLGOV5STD 和RSLGOVBSTD總計41個變量通過了統(tǒng)計檢驗，因此將這些變量歸一化后作為輸入數(shù)據(jù)輸入ANN模型中。神經(jīng)網(wǎng)絡的最終輸出是一個二元制變量，1表示標普500指數(shù)的收益率為正，0表示標普500指數(shù)的收益率為負。本研究使用反向傳播演算法訓練神經(jīng)網(wǎng)絡的12層網(wǎng)絡（其中10個為隱藏層），每層包含2個節(jié)點。最后一層的激活函數(shù)為“sigmoid”函數(shù)，第一層和所有隱藏層的激活函數(shù)是“tanh”函數(shù)。另外，神經(jīng)網(wǎng)絡中的批尺寸為50，迭代次數(shù)為300次。

訓練數(shù)據(jù)集包含1981年第三季度至2008年第四季度的數(shù)據(jù)，測試數(shù)據(jù)集包含2009年第一季度至2018年第二季度的數(shù)據(jù)。在訓練數(shù)據(jù)集上的模型準確率達到了8882%，在測試數(shù)據(jù)集上的預測準確率達到8358%。根據(jù)預測，本研究構建了如下圖所示的季度交易策略。

策略實現(xiàn)了51236%的累計收益率，超過了標普500指數(shù)的累計收益率35010%。

相比于其他研究的預測，使用宏觀經(jīng)濟指標和情緒指標作為神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)，從而預測資產(chǎn)收益率方向的方法表現(xiàn)稍好。Tsai和Chou （2009） 使用人工神經(jīng)網(wǎng)絡和決策樹算法預測臺灣交易所的股票，在測試數(shù)據(jù)集上得到了8108%的準確率。[15]Neto 等（2010） 使用了人工神經(jīng)網(wǎng)絡預測了巴西國家石油公司的收益率方向，并在測試數(shù)據(jù)集上得到了83%的準確率。[16]Kara 等（2011） 使用了人工神經(jīng)網(wǎng)絡和支持向量機算法預測伊斯坦布爾交易所的股票收益率方向，并在測試數(shù)據(jù)集上得到了7574%的準確率。[17]Oliveira等（2013）在研究中添加了大量的財務變量（市盈率、凈資產(chǎn)收益率、賬面市值比和利潤率等）和技術變量（股票收盤價、開盤價、最高價、最低價和成交量等）作為輸入數(shù)據(jù)，并在測試數(shù)據(jù)集上得到了9362%的準確率。[18]因此，如果添加一些財務指標和技術指標并結(jié)合情緒指標作為輸入數(shù)據(jù)，或許可以提高模型的預測準確率進而提升交易策略的累計收益率。

4結(jié)論

綜上所述，本研究試圖了解股票市場的投資者情緒，找出既能捕捉投資者情緒又能顯著影響股票收益的變量。本研究將宏觀經(jīng)濟變量真實值、預測值與預測分歧相結(jié)合，運用神經(jīng)網(wǎng)絡模型預測標普500指數(shù)的價格變動方向，并在此基礎上，構建了基于預測的交易策略。然而，這項研究仍有局限性。雖然訓練數(shù)據(jù)集的預測精度達到8882%，但測試數(shù)據(jù)集的預測精度下降到了8358%左右。此外，費城聯(lián)邦儲備銀行（Federal Reserve Bank of Philadelphia）提供的數(shù)據(jù)是一個季度的時間序列，因此交易策略無法捕獲每日的股票回報。并且值得注意的是，并非本研究中的所有變量都可以使用，僅基于該模型構建能夠盈利的交易策略也并不完全可靠。因此，方法與模型仍然存在改進的空間，添加新的財務變量與技術變量和將該模型與其他方法相結(jié)合可能會得到更好的結(jié)果。

參考文獻：

[1] MALKIEL， BURTON GThe efficient market hypothesis and its critics[J]. Journal of Economic Perspectives， 2003， 17（1）：59-82

[2]THALER R Chapter 18 a survey of behavioral finance[J]. Handbook of the Economics of Finance， 2003，1（3）：1053-1128

[3]LONG J B D， SHLEIFER A， SUMMERS L H， et al Noise trader risk in financial markets[J]. Journal of Political Economy， 1990，98（4）：703-738

[4] BLOOMFIELD R JBehavioral finance[J]. SSRN Electronic Journal， 2006， 11（3）：429–437

[5] ODEAN TDo investors trade too much[J]. Social Science Electronic Publishing， 1998， 89（5）：1279-1298

[6] BARBER B M，ODEAN TTrading is hazardous to your wealth： the common stock investment performance of individual investors[J]. The Journal of Finance， 2000， 55（2）：773-806

[7] JOSE SCHEINKMAN， XIONG WHeterogeneous beliefs，speculation and trading in financial markets[J]. Lecture Notes in Mathematics（Springer-verlag）， 2004， 1847（1）：223-233

[8] BROWN G W ， CLIFF M TInvestor sentiment and asset valuation[J]. The Journal of Business， 2005， 78（2）：405-440

[9]STAMBAUGH R F ， YU J ， YUAN YThe short of it： investor sentiment and anomalies[J]. Journal of Financial Economics， 2012， 104（2）：288-302（下轉(zhuǎn)P15）