投资者关注频率对股票交易活动的影响——基于SSM-APPs用户行为数据的研究

来源 :重庆大学 | 被引量 : 0次 | 上传用户:zyyafeng621214
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
以有效市场假说为基础的经典金融学理论认为信息应当及时、准确地在股价中反映。这意味着所有公开可得的信息都能够被理性的投资者充分关注和处理,进而作为投资决策中的一种信号输入,产生无偏的投资行为并最终确定均衡的资产定价;同时,信息活动是资本市场最基本的活动,其支撑着市场的有效运行。然而,行为金融学的有关研究基于认知心理学理论指出,个体的注意力是一种稀缺的认知资源。由于信息成本和个体关注能力的局限,投资者只能选择性地获取并处理有限的资产信息,进而导致投资决策和行为产生偏差。因此,从行为金融视角研究投资者的选择性关注行为,及其对交易活动的影响,有助于从学术上理解投资者真实的信息获取决策和交易决策,进而从市场微观结构的角度为理解交易直接导致的一系列市场异象提供新的思路和视角。
  当前,移动互联网技术的发展普及掀起了全民上网的热潮,并将信息传播的范围和效率发挥到人类社会有史以来的极致。与此同时,证券服务类移动应用软件(Security Service MobileApplications,SSM-APPs)整合了资本市场的信息供给和需求,为个人投资者提供了低成本、全天候和高效率的移动信息服务,并且已经成为投资者跟踪市场动态、获取公司新闻以及管理投资的重要工具之一。然而,这些先进的信息通信技术(Information and Communication Technologies,ICTs)反而加剧了海量的信息供给和投资者有限的信息关注和处理能力之间的矛盾。中国不仅拥有全球最大的移动互联网用户规模,而且A股市场中个人投资者的比例也远高于其他国家或地区的资本市场。因此移动互联网技术对中国A股市场中个人投资者的信息获取模式和交易活动的影响不能被忽视。为此,本文基于个人投资者对SSM-APPs的使用,研究了市场层面的投资者关注频率指标的构建,以及该指标所反映的投资者选择性信息获取行为的鸵鸟效应,并深入考察了投资者关注频率对市场整体交易活动的影响。具体而言,本文的研究内容包括:
  第一,基于易观大数据公司的易观千帆(Easy View Thousand Sails,EVTS)数据库中2016年1月1日至2018年12月31日期间,中国内地市场上307个SSM-APPs的163,814个用户行为日观测数据,分析了投资者对SSM-APPs的使用存在的星期效应、月度效应和时间趋势等特征,并进一步利用活跃用户规模加权的方法从SSM-APPs的启动次数和在线时长两个角度构建了市场层面的投资者关注频率,同时剔除了上述日历效应和时间趋势的影响,为后续的实证分析提供指标基础和技术前提。本文对投资者关注频率指标的建立不仅刻画了投资者对智能移动设备的使用行为,而且首次从频率维度对投资者获取金融信息花费的平均时间和精力进行了有效度量。
  第二,考察了投资者关注频率体现的投资者对金融信息选择性关注的鸵鸟效应,发现市场坏的信息会显著降低以SSM-APPs的用户启动次数和在线时长度量的投资者关注频率。当前期市场收益为负,或者前期市场收益的波动较高时,投资者会减少通过SSM-APPs获取金融信息的行为,以刻意避免额外的坏市场信息带来的消极心理效用。本文的发现验证了投资者选择性关注的信息效用假说和鸵鸟效应,即坏的市场信息会给投资者带来消极效用,导致他们非理性地降低对后续金融信息的获取,就像鸵鸟遇到危险时把头埋在沙子里一样。
  第三,研究了投资者关注频率对市场整体层面股票交易活动的驱动影响。本文发现,一方面,投资者关注频率与市场整体的交易量在短期和长期趋势上都存在类似的波动性特征;另一方面,本文构建的两个投资者关注频率指标对市场交易量及换手率都表现出了明显的驱动效应,即投资者关注频率会显著促进市场交易活跃度的提升。本文还考察了投资者关注频率对个人投资者净买入交易的影响,研究发现,投资者关注频率会显著增加个人投资者的净买入交易。这意味着投资者的选择性关注在时间上的局限同样会导致交易行为的偏差,促使他们在获取更多市场信息或者资产组合信息的情况下,净买入更多的股票。
  最后,本文进一步考察了投资者关注频率指标在不同的市场行情下对市场整体交易活动驱动的非对称性效应,以充分揭示投资者信息获取频率导致的投资行为偏差。本文发现,相比于高收益、牛市周期和高情绪的好市场行情阶段,投资者关注频率对交易量的边际驱动影响在低收益、熊市周期和低情绪为代表的坏市场行情阶段更强。然而,以百度搜索量指标度量的投资者关注度对市场整体交易活动的边际驱动效应在坏的市场行情下更弱,或者没有明显差异,说明数量维度和频率维度度量的投资者关注度存在本质的区别。本文的研究进一步支持了信息的享乐效用假说和鸵鸟效应假说,表明在好的市场行情下,单位投资者关注频率会带来更多的愉悦感,进而降低其对交易决策和行为的边际驱动影响。换句话说,在好的市场行情下,投资者通过SSM-APPs获取信息的享乐动机高于交易动机。
其他文献
针对电影彩色化面临着上色质量和时序稳定性的双重挑战,提出一种带有循环结构的生成对抗网络,可用于电影的自动彩色化,不需要任何参考帧和人工干预。该网络基于经典的条件生成对抗网络:生成器用于生成彩色图像,完成彩色化任务;鉴别器用于鉴别真伪,提升生成器性能。引入循环结构和时序一致性损失,用于整合时序信息,解决上色的稳定性问题。实验结果表明,该方法在保证单帧图像上色的同时,可以有效减少生成的电影序列中的闪烁
提出一种基于快速无偏分层图抽样的MapReduce负载平衡方法。将聚类算法融合到MapReduce连接操作中,提出MapReduce并行聚类连接算法的实现方法;根据聚类结果动态调整抽样率的无偏分层图抽样算法,从而实现连接操作目标数据的准确、平衡抽样。通过合成数据集和真实数据集下的数据处理实验,与Hash连接算法及基于NS抽样的聚类算法进行对比,验证了所提出的算法方案在不同数据倾斜程度下都具有良好的
信息物理融合系统(Cyber-Physical systems, CPS)是由信息系统和物理系统融合而成,从而引入了信息系统中普遍存在的安全隐患。传统信息系统的入侵检测算法专注于检测的准确率而忽略算法的复杂度和实时性,不适用于CPS。为了解决CPS入侵检测的实时性问题,提出一种结合相关性特征选择的堆叠极限树集成算法(CFS-SET)。针对CPS中数据特征众多的特点,使用基于相关性的特征选择算法(C
为了更加准确地揭示恶意程序在异质传感网络中的传播规律,考虑异质传感器节点的移动性,基于扩展经典传染病理论而提出具有不同恶意程序潜伏期的延迟HSEIRD(Heterogeneous Susceptible-Exposed-Infected-Recovered-Dead)模型。计算得出该模型的稳定点,并使用下一代矩阵算法,得到该模型的基本再生数。进行数值模拟,以验证不同恶意程序潜伏期和自由移出率对异质
提出一种基于KL散度的结构化剪枝方法,用KL散度来衡量通道之间的差异性,并定义通道的重要因子,通过删减重要因子较小的通道来进行结构化剪枝。在CIFAR-10和CIFAR-100数据集上,对ResNet进行结构化剪枝,并对比几种较为先进的硬剪枝方法,发现KL散度能发掘出卷积层中的冗余通道,剪枝后精度可能不会下降太多,在减少10%~30%网络参数与浮点运算的情况下,甚至比原始网络准确率要高0.4到0.
基于深度学习的图像超分辨率重建算法不能很好地处理现实生活中有多种复杂噪声干扰的低分辨率图片,提出一种双向的生成对抗网络,引入下采样网络及重建网络联合学习的方法。下采样网络模拟生成现实生活中有复杂噪声及受运动干扰的低分辨率图片,重建网络将模拟生成的低分辨率图片恢复为细节清晰的高分辨率图片。实验结果表明,该算法能够重建出视觉效果良好的超分辨率图像,在Set5、DIV2K等通用测试集上,其客观评价指标(
为了获得利益,在线评论当中有很多伪造的评论,酒店领域的评论也不例外。由于酒店领域的评论只有少部分的标注数据,这给深度学习技术的应用带来了困难。提出一种融合酒店消费领域的专业知识和基于文本卷积神经网络的方法。该方法对数据进行增强,用无监督学习方法获得aspect情感信息,利用卷积神经网络识别虚假评论。实验结果表明,该方法的识别效果比传统方法有显著的提升。
针对云计算在运算过程中资源利用率低以及节点负载不均衡的问题,提出一种改进狮群优化算法的云计算资源调度策略。针对传统狮群算法易早熟收敛陷入局部最优以及算法收敛精度低的问题,通过余弦扰动因子以及双高斯变异函数对算法进行改进。数值仿真实验结果表明,改进后的狮群优化算法较好地平衡了算法的全局勘探能力和局部开发能力,提高了算法的全局收敛精度。建立云计算资源调度数学模型,并通过改进后的狮群算法对模型进行优化。
2017年党的十九大报告指出“中国特色社会主义进入了新时代”,中国经济由高速增长正式转向高质量发展阶段。毋庸置疑的是,深入落实创新驱动发展战略是实现中国经济高质量发展的根本保障。而中国当下面临的现实是,科技发展水平总体不高,科技对经济增长贡献率与发达国家还存在较大差距,国家创新能力不强已经成为中国经济社会发展的“阿喀琉斯之踵”。从区域层面上看,增强区域创新能力是提升国家创新能力和建设创新型国家的必由之路。金融作为现代经济的核心,在改善资源配置效率、降低交易成本、防范和化解风险等方面具有重要作用。技术创新活
针对现有模糊C均值(FCM)聚类算法存在的对初始参数敏感、迭代速度慢,以及对噪声鲁棒性差等问题,提出将蚁群优化算法(ACO)与直觉模糊聚类相结合的方法用于分割脑部MR图像。该算法采用自适应蚁群优化算法获取初始聚类中心与聚类个数作为直觉模糊聚类的初始值,将融入了局部空间信息和犹豫度的直觉模糊聚类算法应用于含噪声脑部图像及脑肿瘤图像进行分割。实验结果表明该算法能够有效抑制噪声干扰且保存图像细节,相较于