張?zhí)祉?，杜天?/p>

（武漢大學(xué)經(jīng)濟與管理學(xué)院）

1 研究背景

探討國際原油價格的影響因素一直是國際能源經(jīng)濟領(lǐng)域的重要課題。原油作為一種重要的國際大宗商品，在全球經(jīng)濟運行中扮演著重要角色[1]。在過去的國際大宗商品波動影響因素研究中，學(xué)者們通常強調(diào)宏觀經(jīng)濟變量，如貨幣政策[2]或者地緣政治風(fēng)險因素[3]。然而，行為金融理論強調(diào)傳統(tǒng)金融學(xué)中的理性人假設(shè)并不準(zhǔn)確，市場情緒會對金融市場產(chǎn)生重要影響[4]。同時，隨著國際原油市場金融化程度的提高，一些研究指出投資者情緒可能導(dǎo)致金融投機行為，從而影響國際原油價格[5]。因此，從金融理論角度來看，市場情緒應(yīng)被視為影響國際原油價格波動的因素之一。

在測量投資者情緒方面，傳統(tǒng)研究主要采用直接調(diào)查法或利用市場數(shù)據(jù)構(gòu)建情緒的替代指標(biāo)，然而這些方法往往面臨著高成本和滯后性等不足。近些年，隨著計算機自然語言處理技術(shù)的不斷成熟，研究者們開始關(guān)注社交網(wǎng)絡(luò)上的文本數(shù)據(jù)。這些非結(jié)構(gòu)化的文本數(shù)據(jù)被認(rèn)為能夠反映市場情緒，并被視為良好的金融市場預(yù)測指標(biāo)[6]。社交媒體平臺如推特（Twitter）和臉書（Facebook）上市場情緒已成為交易決策中重要的考慮因素。2013年，美國證券交易委員會宣布上市企業(yè)可以利用社交媒體平臺發(fā)布關(guān)鍵信息，隨后國際投資者們開始利用社交媒體來收集信息以做出投資決策。現(xiàn)有研究強調(diào)社交媒體在提取投資者情緒方面的重要性。根據(jù)M Baker和J Wurgler[7]研究，投資者情緒可以分為兩種類型。第一種涉及理性交易者的情緒，而第二種則與非理性交易者或噪音交易者相關(guān)。在信息決策方面，相比于遵循隨機游走行為的噪音交易者情緒，理性投資者情緒往往更準(zhǔn)確地反映市場的信息?；谕铺氐耐顿Y者情緒與那些關(guān)注、追蹤當(dāng)前趨勢及隨后變化的知情投資者更密切相關(guān)。因此，基于推特的情緒能夠反映知情投資者的情緒[8]。

豐富的互聯(lián)網(wǎng)數(shù)據(jù)資源和先進的計算機文本處理技術(shù)為探討投資者情緒對國際原油價格的影響提供了新的可能性。本文關(guān)注社交媒體上發(fā)布的文本數(shù)據(jù)并進行文本挖掘，將其作為投資者情緒的代理指標(biāo)，以探究投資者情緒對國際原油價格的影響?，F(xiàn)有研究大多通過文本挖掘的手段獲取相關(guān)文本的情感得分和可讀性等指標(biāo)，但是研究者們針對投資者情緒在大宗商品市場方面的相關(guān)研究相對較少，已有研究大多基于傳統(tǒng)的結(jié)構(gòu)化數(shù)據(jù)作為衡量指標(biāo)。本文旨在該研究方向拓展，并綜合考慮非結(jié)構(gòu)化文本數(shù)據(jù)和市場情緒之間的關(guān)系，以揭示投資者情緒對國際原油價格的影響方式和機制。本文將文本主題分類的結(jié)果與情感分析模型相結(jié)合，利用門限廣義自回歸條件異方差（TGARCH）模型來探討投資者在不同語境下的情感表達對國際原油價格的影響。

2 投資者情緒測量

2.1 研究方法

心理學(xué)研究強調(diào)個體的情緒對于信息處理和決策具有重要影響。兩種主要的情緒衡量方法為愉悅度-喚醒度方法和認(rèn)知評價方法。前者是一種二維情緒測量方法[9]，后者強調(diào)情緒可以通過個體對特定情境的評價或認(rèn)知反應(yīng)來進行區(qū)分[10]。本文主要使用這兩種情緒衡量方法來測量投資者情緒。

在行為金融學(xué)領(lǐng)域，有許多研究文獻提出了測量投資者情緒的方法。隨著文本挖掘技術(shù)的不斷進步，研究者注重從文本數(shù)據(jù)來測量投資者情緒。在文本信息挖掘過程中，通常需要使用分詞技術(shù)、情感分析和主題聚類模型等方法。對于文本信息的提取，研究者們通過詞典法或有監(jiān)督的機器學(xué)習(xí)方法對文本中的情感信息進行量化。詞典法通常需要預(yù)先設(shè)定詞典，然后利用字符串匹配方法統(tǒng)計文本數(shù)據(jù)中相關(guān)詞語的出現(xiàn)頻率。在金融文本方面，一種常見的詞典是E Henry[11]構(gòu)建的金融詞典，將常見的具有情感屬性的詞語分為正面和負(fù)面兩類。然而，S M Price等[12]發(fā)現(xiàn)Henry詞典中負(fù)面詞匯較少。另一種是C Hutto和E Gilbert[13]基于社交媒體數(shù)據(jù)構(gòu)建的VADER情感詞典，它可以根據(jù)社交媒體的常用語言習(xí)慣為文本打分，包括積極情緒、消極情緒和中性情緒。根據(jù)分類學(xué)，Henry和VADER詞典屬于愉悅度-喚醒度衡量方法，能夠分析文本的情感極性。用于衡量投資者情緒的另一個詞典是由加拿大國家委員會創(chuàng)建的NRC詞典，它不僅可以計算文本的情感極性，還可以計算情緒類別的具體得分，包括憤怒、期待、厭惡、恐懼、喜悅、悲傷、驚喜、信任等情感評價（Mohammad等，2010）。

主題模型本質(zhì)上是基于詞袋模型的無監(jiān)督機器學(xué)習(xí)聚類算法，目前應(yīng)用最廣泛的是隱含狄利克雷分布（LDA）模型。LDA模型最初由潛在語義分析（LSA）模型發(fā)展而來。LSA模型使用向量表示詞語和文檔，并利用向量之間的關(guān)系來描述詞語和文檔之間的關(guān)聯(lián)[14]。然而，LSA模型無法解決詞語多義性的問題，因此T Hofmann[15]在LSA模型的基礎(chǔ)上提出了概率潛在語義分析（PLSA）模型。PLSA模型與LDA模型的基本思想類似，即每個文檔可能包含不同的主題，主題是關(guān)于詞語的概率分布，文檔是關(guān)于主題的概率分布。D M Blei 等[16]在PLSA模型的基礎(chǔ)上引入了隱含LDA模型，用于描述主題和詞語之間的關(guān)系，從而減少了參數(shù)數(shù)量，解決了PLSA模型可能出現(xiàn)的過擬合問題。

2.2 數(shù)據(jù)與指標(biāo)構(gòu)建

本文搜集來自推特英文推文的文本數(shù)據(jù)，將文本分析測量結(jié)果作為投資者情緒的衡量指標(biāo)。通過分析英文推文的文本數(shù)據(jù)，可以更好地把握投資者情緒對國際原油市場的影響。本文通過推特API接口獲取了2012年1月1日至2022年6月30日的推文，共計126個月、3834天的數(shù)據(jù)；使用關(guān)鍵詞搜索，從推特的推文數(shù)據(jù)庫中抓取與國際原油市場相關(guān)的推文文本及相關(guān)數(shù)據(jù)，關(guān)鍵詞的匹配規(guī)則設(shè)置為“(crude oil) OR (american oil) OR (wti)”，即包含以上三組關(guān)鍵詞中任意一組的推文將被抓取下來；同時剔除了轉(zhuǎn)推的數(shù)據(jù)、被推特標(biāo)記為廣告以及非英語的推文，最終獲得5449331條推文。

推文來自946209位不同的發(fā)布者。根據(jù)J Kim等[17]的方法，本文刪除了發(fā)文量排名前100的發(fā)布者的推文數(shù)據(jù)，這些發(fā)布者的人均發(fā)文量超過3000條。該過程共刪除了660232條推文數(shù)據(jù)。因此，本文最終使用的文本數(shù)據(jù)庫由來自946109位發(fā)布者的4781106條推文數(shù)據(jù)組成，平均每位發(fā)布者在樣本期間內(nèi)發(fā)布了5.05條推文。本文首先對推特推文的文本數(shù)據(jù)進行數(shù)據(jù)清洗，使用了Gensim[18]提供的停用詞詞典，這有助于減少冗余的文本數(shù)據(jù)，并且可以加快模型的訓(xùn)練過程。

在進行LDA主題模型建模之前，本文對清潔后的文本數(shù)據(jù)進行了分詞。分詞的結(jié)果構(gòu)成詞袋模型，為后續(xù)的LDA模型訓(xùn)練提供基礎(chǔ)。本文選取的分詞工具是S Bird等[19]根據(jù)來自推特數(shù)據(jù)訓(xùn)練的推文分詞工具。Blei等（2003）提出的LDA模型屬于貝葉斯概率選擇模型，其假定一個文本庫中的D篇文檔主要在討論T個主題，每篇文檔d中存在Nd個詞語，且每篇文檔的詞匯，如第d篇文檔的第n個詞Wd,n都由主題生成。每個主題都有一個對應(yīng)的不同詞語的概率分布。每篇文檔d都被視為一個關(guān)于T個主題的多項式分布θ(d)，每一個主題zt都被視為一個關(guān)于詞語集合W的多項式分布φ(t)。假定θ(d)和φ(t)具有共軛狄利克雷分布。典型的狄利克雷分布如下：

LDA模型文檔生成過程中，本文采用了廣泛使用的Gibbs采樣方法[16]，最終獲得每條推文主題分布θ(d)以及每個主題對應(yīng)的詞語分布θ(t)。主題數(shù)量T在LDA模型的成功估計中起著關(guān)鍵作用。本文通過計算不同主題個數(shù)下的連貫性得分來確定T的數(shù)值，以量化主題文本對人類的可理解性和可解釋性。為了在主題數(shù)量和連貫性得分之間取得平衡，本文通過拐點原則進行選擇。該方法意味著可以繪制連貫性得分作為主題數(shù)量的函數(shù)，并使用曲線拐點來確定最佳的主題數(shù)量。在獲得指定主題數(shù)量以及狄利克雷分布的超參數(shù)α和β之后，訓(xùn)練得到的LDA模型能夠提供每篇文檔的主題概率分布，并為每個主題生成一個詞語的概率分布。一旦模型擬合完成，每個推文將根據(jù)其在θ(d)中最高概率的主題上被歸類，分配規(guī)則如式（2）所示。

本文采用了詞典法對推文進行情感分析。既考慮了愉悅度-喚醒度方法衡量的情感極性，即情緒的正面或負(fù)面以及濃烈程度[20,21]，又測量了認(rèn)知評價法測度的投資者情緒；使用NRC詞典來測量投資者情緒的極性，并計算不同情緒類別的具體得分；為了進行穩(wěn)健性檢驗，使用VADER詞典返回的綜合情感得分來代表文檔的情感極性；采用公眾每天在推特上的發(fā)文量作為衡量其對國際原油市場關(guān)注度的代理指標(biāo)；同時借鑒Antweiler與Frank（2004）的方法，計算每天推文中情緒得分的標(biāo)準(zhǔn)差，用作衡量投資者分歧程度的代理指標(biāo)。

根據(jù)主題模型的要求，本文需要設(shè)置LDA模型中兩個狄利克雷分布的超參數(shù)α和β，以及最優(yōu)主題數(shù)量T；使用Gensim庫從語料庫中學(xué)習(xí)α和β的不對稱先驗。對于主題數(shù)量T的選擇，本文估計了主題數(shù)量從1到20的LDA模型，并計算了Cv連貫性指標(biāo)。通過繪制主題數(shù)量與連貫性得分并采用拐點原則，本文認(rèn)為當(dāng)主題數(shù)量達到7個時，進一步增加主題數(shù)量無法顯著提高連貫性分?jǐn)?shù)，反而可能導(dǎo)致模型過擬合。由于計算量較大，主題數(shù)量選擇的模型擬合過程采用并行運算。在擬合了LDA模型之后，得到7個主題及其對應(yīng)的代表性詞匯和概率分布，將每個主題中概率排名前10位的詞匯整理成7個主題，分別命名為價格動態(tài)、能源期貨、國外交易、進出口、北美能源、外匯市場、原油運輸。

確定每篇文檔的主題后，根據(jù)日期和主題進行分組，對交易日k下的主題t，分別統(tǒng)計推文的數(shù)量nk,t，情感得分平均值scorek,t，以及投資者情感極性的標(biāo)準(zhǔn)差diverk,t，分別作為投資者關(guān)注度、投資者情緒以及投資者分歧的代理指標(biāo)，如式（3）所示。

3 實證研究

3.1 模型設(shè)定

本文采用門限廣義自回歸條件異方差模型（TGARCH）來檢驗投資者情緒對國際原油收益率的影響。TGARCH模型中包含杠桿效應(yīng)，考慮到模型簡潔性以及系數(shù)更易解釋性，本文構(gòu)建TGARCH(1,1)模型來探究投資者情緒對國際原油收益率的影響，如式(4)～(6)所示。式(4)加入了投資者情緒變量作為影響因素，式(5)討論了區(qū)分主題的投資者情緒變量的影響。由于金融市場收益率通常呈厚尾分布，本文在TGARCH(1,1)模型中假設(shè)誤差分布為學(xué)生t分布。

式(4)中的scorei,t表示5個投資者情緒的代理指標(biāo)，包括投資者關(guān)注度（num_tweets）、投資者情感極性（score_nrc_polarity）、投資者恐懼情感得分（score_fear）、投資者期待情感得分（score_anticip）和投資者分歧（diver_nrc_polarity）。式(5)中的表示區(qū)分主題的投資者情感得分，重點考慮“價格動態(tài)”“國外交易”以及“外匯市場”等主題。

本文采用PP檢驗和ADF檢驗方法來檢驗時間序列變量的平穩(wěn)性，相關(guān)變量具有平穩(wěn)性。為了節(jié)約篇幅，單位根檢驗沒有在正文中報告。為了驗證本研究建立的模型的合理性，需要對式(4)和式(5)構(gòu)建的AR(1)過程擬合的殘差序列進行ARCH效應(yīng)檢驗。本文采用ARCH-LM檢驗來驗證ARCH效應(yīng)，檢驗結(jié)果表明，本文建立的TGARCH(1,1)模型是合理的。

3.2 實證研究結(jié)果

針對式(4)～式(6)的估計結(jié)果如表2所示。從表的(1)列的結(jié)果可以發(fā)現(xiàn)滯后一階的WTI對數(shù)收益率具有顯著的負(fù)向影響。情感極性指標(biāo)對同期WTI原油對數(shù)收益率呈顯著的正向影響，這表明投資者情緒處于正面情感時，WTI原油收益率傾向于上升。

表2 TGARCH(1,1)實證結(jié)果

考察個體評價的具體情感可以發(fā)現(xiàn)，“期待”和“恐懼”情感得分對國際原油收益率有顯著的正向和負(fù)向影響。這表明投資者的“期待”情緒會推高國際原油市場收益率，而“恐懼”情緒會帶來市場收益率下降，但“恐懼”情緒的影響更為顯著，其回歸系數(shù)的絕對值更大。本文通過穩(wěn)健性檢驗發(fā)現(xiàn)，利用認(rèn)知評價法計算的情緒得分與情感極性的影響方式并不完全一致。投資者關(guān)注度和投資者分歧變量的回歸系數(shù)在統(tǒng)計意義上并不顯著。然而，系數(shù)的方向與一些先前的理論或?qū)嵶C結(jié)果是一致的。用新聞媒體文本情緒衡量的投資者分歧可能導(dǎo)致市場收益率下降[22]。盡管這兩個變量的系數(shù)在統(tǒng)計意義上不顯著，但本文討論不同話題下各個變量的影響方式時具有異質(zhì)性，即在某些特定話題下，投資者關(guān)注度和投資者分歧對當(dāng)期原油收益率具有統(tǒng)計和經(jīng)濟意義上的顯著影響。

條件波動率的系數(shù)γ在統(tǒng)計上具有顯著性，這表明WTI原油收益率的條件波動率受到波動率滯后項的影響。同時，非對稱系數(shù)項系數(shù)β顯著為正數(shù)，這表明正向沖擊和負(fù)向沖擊對原油市場收益率的影響是非對稱的，并且對于壞消息的反應(yīng)要大于好消息。

表2的(2)列報告了區(qū)分主題下的回歸結(jié)果?？梢杂^察到，在“價格動態(tài)”主題下，所有變量的系數(shù)都沒有通過統(tǒng)計學(xué)意義上的顯著性檢驗，這表明投資者對原油價格動態(tài)的情緒不足以對原油市場的收益率產(chǎn)生影響。情感極性和認(rèn)知評價情感得分的變量系數(shù)的影響方向以及顯著性與(1)列回歸結(jié)果一致。具體而言，在“外國交易”和“外匯市場”主題下，情感極性對國際原油收益率有顯著的正向影響；而只有“外匯市場”主題下，恐懼情緒對原油收益率有顯著的負(fù)向影響，其系數(shù)為-12.50，大于所有推文的恐懼情緒的系數(shù)-8.90。在“外國交易”主題下，期待指數(shù)對國際原油收益率有顯著的正向影響；在“外匯市場”主題下，期待指數(shù)也有正向影響，并在10%水平下達到統(tǒng)計顯著性。

研究發(fā)現(xiàn)，盡管“外匯市場”主題下情感極性對原油收益率有顯著的正向影響，但其恐懼情感得分并沒有顯著影響國際原油市場的收益率。二者實際運行情況為我們提供了一些有益的參考。2014—2015年推文在“外國交易”主題下情感極性和投資者分歧都出現(xiàn)了一段時間的下降，與此同時WTI原油收益率也下降；類似地，在全球新冠病毒疫情暴發(fā)之前，推文討論“外匯市場”主題時的恐懼情緒達到頂峰，此時WTI收益率急劇下跌，隨后恐懼情緒開始下降，WTI原油收益率也開始回升。

此外，在(1)列中投資者關(guān)注度和投資者分歧對收益率的影響并不顯著。然而，通過分主題的回歸結(jié)果可以看出，針對不同主題，投資者關(guān)注度和投資者分歧對原油收益率的影響是不同的。具體來說，在“外國交易”主題下，每日發(fā)布的推文數(shù)量對原油收益率有正面且顯著的影響；而在“外匯市場”主題下，投資者分歧對收益率的影響方式并不一致。研究結(jié)果表明，針對“外國交易”主題的投資者分歧會推高WTI原油收益率，而針對“外匯市場”主題的投資者分歧則會降低收益率。此外，非對稱系數(shù)項系數(shù)β顯著為正數(shù)，這一結(jié)果表明杠桿效應(yīng)的存在，即負(fù)面沖擊對原油收益波動的影響更大。

本文實證結(jié)果表明，區(qū)分主題的投資者情緒變量能夠提供新的信息，特別是投資者對“外國交易”和“外匯市場”的討論對國際原油收益率有顯著的影響。這些研究結(jié)果對行為金融學(xué)領(lǐng)域的一些理論提供了新的經(jīng)驗證據(jù)支持。

3.3 穩(wěn)健性檢驗

本文對TGARCH(1,1)模型進行穩(wěn)健性檢驗，限于篇幅，相關(guān)表格無法在正文中報告。本文使用經(jīng)過社交媒體數(shù)據(jù)訓(xùn)練的VADER詞典計算投資者的情感極性和投資者分歧。投資者情緒變量對國際原油對數(shù)收益率的影響方式以及估計系數(shù)的統(tǒng)計顯著性未發(fā)生明顯變化。在“外匯市場”主題下，投資者關(guān)注度對收益率的影響變?yōu)樵?0%的顯著性水平下具有負(fù)效應(yīng)，而在“外國交易”主題下，投資者分歧指標(biāo)變得不顯著。然而，這些變量系數(shù)的符號方向仍與基準(zhǔn)回歸結(jié)果一致。最后，TGARCH模型的系數(shù)經(jīng)過檢驗未發(fā)現(xiàn)明顯變化，杠桿效應(yīng)項的系數(shù)β仍為正且顯著，從而證明了杠桿效應(yīng)的存在。這些穩(wěn)健性檢驗結(jié)果進一步支持了本文的研究結(jié)論。

4 主要結(jié)論與建議

本文采集社交媒體平臺推特上的推文對國際原油市場的評價文本數(shù)據(jù)，利用LDA模型和情感分析的方法構(gòu)建了區(qū)分主題的投資者情感指標(biāo)。一是投資者關(guān)注度，用于衡量每個主題下投資者對該主題討論的關(guān)注程度；二是投資者情感極性，用于評估投資者對特定主題的情感傾向；三是投資者的“恐懼”情感得分，用于衡量投資者在特定主題下表達的負(fù)面情感；四是投資者的“期待”情感得分，用于衡量投資者在特定主題下表達的正面情感；五是投資者分歧指標(biāo)，用于衡量投資者在特定主題下的意見和情感差異程度。通過構(gòu)建這些區(qū)分主題的投資者情感指標(biāo)，本文旨在深入了解投資者情緒對國際原油市場的影響。在測量基礎(chǔ)上，本文建立TGARCH(1,1)模型，探討了投資者情緒與WTI原油收益率之間的同期關(guān)系，以揭示投資者情緒對國際原油市場的影響。

研究結(jié)論：首先，通過LDA模型的聚類結(jié)果，確定推文中存在的“價格動態(tài)”“能源期貨”“國外交易”“進出口”“北美能源”“外匯市場”和“原油運輸”7個主題。本文區(qū)分主題的投資者情緒指標(biāo)在統(tǒng)計分布和時間趨勢上并不完全相同，這意味著區(qū)分主題的投資者情緒指標(biāo)能夠提供更多的信息。其次，通過構(gòu)建TGARCH(1,1)模型，發(fā)現(xiàn)國際原油市場存在杠桿效應(yīng)，即市場對不利消息的反應(yīng)要大于對利好消息的反應(yīng)。同時，還發(fā)現(xiàn)投資者的情感極性和期待情緒得分對WTI原油收益率有正向且顯著的影響，而投資者的恐懼情緒得分對原油收益率有負(fù)向且顯著的影響，但投資者關(guān)注度和投資者分歧對收益率的影響并不顯著。然而，研究發(fā)現(xiàn)，區(qū)分主題的投資者情感指數(shù)表現(xiàn)出異質(zhì)性。一是在“價格動態(tài)”主題下，投資者情感對WTI收益率沒有顯著影響；二是在“外國交易”主題下，投資者關(guān)注度、情感極性、期待情緒得分以及投資者分歧均對收益率具有正向且顯著的影響；三是在“外匯市場”主題下，投資者情感極性和期待情緒得分對WTI原油收益率有正向且顯著的影響，而恐懼得分和投資者分歧對收益率有負(fù)向且顯著的影響。通過使用不同的測量方法，包括更換情感字典和使用含有特定情緒的推文占比等方法，本文的實證研究結(jié)果得到了穩(wěn)健性的驗證。

本文的研究結(jié)論為市場主體在風(fēng)險管理方面提供了一些有益的啟示，特別是在利用社交媒體文本數(shù)據(jù)測量投資者情緒與WTI原油收益率之間的關(guān)系方面具有一定價值。這一研究強調(diào)了社交媒體文本所蘊含的有價值信息，尤其是區(qū)分主題的投資者情緒波動。對此，本文提出如下建議。

首先，研究者和投資者應(yīng)該更加重視國際和國內(nèi)社交媒體文本信息，因為它們可以為決策者提供有關(guān)市場情緒和預(yù)測價格走勢的重要線索。通過深入了解投資者情緒的不同主題和波動性，管理者可以更好地理解市場的情緒動態(tài)，并相應(yīng)地調(diào)整風(fēng)險管理策略。通過監(jiān)測社交媒體平臺上隱含的投資者情緒，管理者可以更及時地捕捉市場情緒的變化，并據(jù)此制定相應(yīng)的決策。其次，利用社交媒體文本數(shù)據(jù)測量投資者情緒還可以作為一種補充的預(yù)測工具，幫助管理者預(yù)測國際原油價格走勢。通過分析投資者情緒與WTI原油收益率之間的關(guān)系，管理者可以獲得額外的信息和見解，從而更準(zhǔn)確地預(yù)測原油價格變動趨勢，并據(jù)此進行相應(yīng)的投資決策和風(fēng)險管理。此外，研究者和投資者應(yīng)該充分認(rèn)識到社交媒體文本數(shù)據(jù)中潛在的價值，并將其納入風(fēng)險管理和決策過程中。通過關(guān)注區(qū)分主題的投資者情緒波動以及其他相關(guān)指標(biāo)，管理者可以更好地把握市場情緒并做出相應(yīng)的決策，從而提高投資效果和風(fēng)險管理能力。