网络关注度对我国股票市场信息不对称程度的影响

王耀君 高扬

摘要：以20132016年391支股票的360搜索指数中的投资者关注度和媒体关注度的指数作为网络关注度度量指标，同时基于股票市场交易数据采用多种信息不对称计算方法构建了信息不对称性度量指标，并进一步构造了信息不对称主成分综合指标。通过建立横截面回归模型，探究投资者和媒体关注度对我国股票市场的信息不对称程度的影响作用。实证分析及稳健性检验结果表明：投资者关注度的增加会减少知情交易及信息不透明程度，从而减少了股票市场的信息不对称程度，提高了股票市场的流动性;媒体关注度对不同的信息不对称性度量指标的影响存在着不一致性。本研究通过探索投资者关注度及媒体关注度在新兴市场中的应用，对于我国证券市场监管层制定政策以及对于普通投资者优化投资策略都具有重要的参考意义。

關键词： 信息不对称;投资者关注度;媒体关注度;交易成本

中图分类号：F831文献标识码：A文章编号：1003-7217（2019）01-0044-07

一、引言

投资者以及媒体对上市公司股票的关注度作为影响股票市场发展的重要因素，对投资者的决策行为以及股票市场的交易均会产生影响，进而对股票交易市场产生影响，因此研究投资者或媒体关注度为代表的网络关注度对股票市场交易的影响具有重要的意义。已有文献主要对投资者关注度和股票收益率、波动率等市场微观结构指标之间的关系进行了研究，然而信息不对称作为股票市场存在的一种普遍现象，其存在破坏了股票市场秩序，损害了投资者利益，严重阻碍了我国金融市场的稳定健康发展[1]。

因此研究投资者及媒体关注度对股票信息不对称程度的影响有助于证券市场监管层制定政策，同时有利于投资者优化投资策略，对股票市场的健康运行和持续发展具有深远的理论和现实意义。

已有较多文献表明投资者或媒体关注度的变化可以引起股票价格以及波动率的变化，但是对于投资者和媒体关注度的变化对市场信息不对称程度的影响作用的关注较少。Jin和Myers[2]、Glosten和Milgrom[3]、Seyhun[4]以及Bank等[5]等的研究表明股票关注度的提高有助于降低信息不对称性，增强信息透明度，进而减少股票市场的波动程度。在早期的研究中，股票异常收益率、交易量、新闻数量、分析师人数等指标通常作为投资者或媒体关注度的度量，但是上述指标由于存在较大的度量偏差，在实证研究中具有一定的局限性。在近期研究中，学者们逐渐开始运用大数据的思维，采用网络搜索指数来研究投资者或媒体关注度与股票交易之间的关系。本文从股票市场的信息不对称理论出发，基于360搜索网站的子应用网页360指数构建投资者和媒体关注度指标，并进一步分析了我国股票市场上投资者和媒体关注度对信息不对称程度的影响作用。

本文在使用网页爬虫技术从360搜索网站的子应用网页360指数上获取到投资者和媒体关注度搜索量的数据，基于此探究了我国股票市场上投资者和媒体关注度对股票市场信息不对称程度的影响。研究内容主要分为三个部分：首先，基于我国股票市场交易数据采用多种信息不对称计算方法构建了信息不对称性度量指标，分别研究了投资者和媒体关注度与七种信息不对称度量指标之间的关系。其次，基于多维度信息不对称指标构建了信息不对称主成分综合指标，并通过建立面板回归模型对投资者或媒体关注度与主成分综合指标之间的关系进行了研究。最后，通过对上市公司样本数据按照主板、中小板、创业板的板块分类，然后进行了稳健性检验。

二、文献回顾

随着互联网技术的发展，信息技术的革新提高了信息的传播速度和广度，信息的获取也变得更加便捷和及时。大数据时代也催生了各行业的以数据驱动发展的模式，科学研究可以借助对网络大数据的分析建模尝试解决传统的数据分析方法不擅长解决的问题。搜索引擎在从诞生起就一直发挥着重要的作用，现已成为人们走入互联网世界的第一道门。人们不仅通过搜索引擎进行资料查找和科学研究中的文献获取，在金融市场中普通投资者通常会使用搜索引擎获取相关信息完成交易决策。所以，有研究者对搜索引擎关于股票名称的搜索频次与股票在交易市场中的表现开展了一些研究。Google是全球使用最广泛的搜索引擎，一些国外学者基于Google搜索指数对投资者或媒体的关注度与股票市场价格或收益关系进行了研究。Preis等[6]、Challet和Ahmed[7]、Tantaopas等[8]均通过实证研究发现Google搜索指数和市场预期收益之间存在正相关性，而Takeda和Wakao[9]和Bijl等[10]基于日本和美国股票市场的数据研究发现Google搜索指数与收益率之间存在负相关性。Ranco等[11]对美国股票市场的研究发现只采用Yahoo Finance搜索指数预测股价变化效果是不显著的。类似地，关于网络搜索指数与股票市场波动率或流动性等其他微观结构特征的研究也大多聚焦于Google搜索指数，并且研究表明网络搜索信息有助于预测股票市场的波动率或流动性（Ding和Hou[12]，Lu等[13]，Zhang等[14]）。在研究投资者或媒体关注度对股票市场信息不对称程度的关系方面，相关文献较少。Glosten和Milgrom[3]、Seyhun[4]以及Admati和Pfleiderer[15]等认为信息不对称导致了知情交易发生，进而使得股价波动增大、流动性变差。Amihud和Mendelson[16]指出，关注度高的股票，会吸引更多投资者参与交易，能够降低市场的信息不对称程度，提高交易股票的流动性。Seasholes和Wu[17]以及Barber和Odean[18]等的研究也发现投资者的关注度会促进小投资者产生积极净买入的行为，提高投资者参与交易的意愿。

随着市场微观结构理论的不断完善，不少学者对非对称信息的度量方法进行了探索。早期的研究一般将买卖价差作为衡量市场信息不对称程度的指标[19]。随后，Huang和Stoll[20]认为做市商会通过增大价差来弥补他们与知情交易者进行交易后造成的损失，提出把有效价差分解为逆向选择成本和做市商可实现收益两个部分。因此，有效价差和已实现价差之间的差值可以作为逆向选择成本的估计值。在进一步的研究中心，Huang和Stoll[21]建立了基于交易方向指示变量、价格变化和交易规模的交易成本模型，将交易成本分解为订单处理成本、逆向选择成本和存货成本三部分并估计各成分的大小。类似模型的文献还有Glosten和Harris[22]、Madanvan等[23]等。此类模型分析并度量了逆向选择成本和交易成本，并且发现由于知情交易的存在，逆向选择成本与交易成本存在显著的日内效应[24]。上述度量信息不对称程度的方法存在的一个共同点是均需要获得高频逐笔交易数据，然而在某些情况下研究者所考察的样本时段内的日内高频逐笔交易数据无法获取，或者当研究涉及多个国际市场时，高频逐笔交易数据无法同时获得。但是，相对而言高频分时交易数据较容易获取，而且高频分时交易数据并不依赖报价数据和交易数据之间的匹配性，所以本文采用了基于日内高频分时交易数据的买卖价差估计方法。除了基于交易数据构建价格模型来实现信息不对称度量方法之外，Chang和Wang[25]基于行为金融学中的反向交易和隐蔽交易理论提出了四种度量知情交易的概率估计方法。此外，换手率和Amihud非流动性指标也被作为度量非对称信息的补充方法，二者均与交易成本中的逆向选择成本相关[2628]。

因此，本文采用的信息不对称指标包括基于交易成本测度的报价价差、日内HighLow估计、逆向选择成本、HS模型测度、PCL度量、TURNOVER和Amihud流动性指标等。

（二）数据选取

本文使用数据主要包括两部分：

1.网络关注度数据。网络关注度数据由股票投资者关注度及媒体关注度数据构成。基于Python程序编写网页数据爬虫程序，从360指数网站上抓取以股票名称为关键词的网络关注度数据。其中，媒体关注度是指媒体发布和转载的与某上市公司及其股票相关的新闻数量统计;投资者关注度是投资者利用360搜索引擎以股票名稱为关键字搜索股票相关信息的搜索频次统计。

2.A股市场交易数据及公司财务数据。A股市场股票的日度和周度历史交易数据及上市公司财务数据来自于国泰安数据库，数据内容主要包括股票开盘价、收盘价、最高价、最低价、成交量、市值、市盈率、换手率、上市公司年报等信息。

由表3结果可知，控制其他影响因素后，投资者的关注度增加将伴随更高的市场透明度，即市场信息不对称程度降低，市场流动性增强;对于媒体关注度而言，除了换手率和PCL指标之外，媒体关注度的增加会伴随着其余五种信息不对称指标值的降低。

投资者关注度增加可以减少由于知情交易造成的信息不透明程度，从而提高股票流动性，其主要原因可以从两方面来分析。一方面，基于选择性注意理论，投资者会优先分析引起他们注意的信息，并受到信息的刺激，产生相应的投资行为。因此投资者关注度越高的股票，投资者参与交易的意愿越高，市场的信息不对称程度将降低。另一方面，关注度高的股票因为信息更充分透明，减少了知情交易的发生，知情交易者之间的竞争减少了不对称信息扩散的成本，股票买卖的交易成本降低，给市场提供了更高的流动性。

对于媒体关注度指标而言，除TURNOVER和PCL之外，其余信息不对称度量指标均与交易成本相关。媒体关注度越高，即媒体发布的信息越多，投资者获取相关信息的成本就越低，投资者获取的信息越充分。因此，投资者参与交易的数量增多，市场的信息不对称程度降低。而对于TURNOVER和PCL指标，在控制投资者关注度变量后，媒体关注度不再与市场的信息不对称程度负相关。

（三）主成分回归结果

由于衡量市场信息不对称程度的指标较多，本节采用主成分分析构建了主成分及综合得分作为信息不对称程度的总体度量。由于前四个主成分的累计贡献率为77.17%，本节保留了前四个主成分，并以每个主成分的方差贡献率作为权数构造了一个综合指标PRIN。由于第一个主成分PRIN1的方差贡献率最高，本节分别以PRIN1和PRIN作为信息不对称程度的度量，基于方程（16）进行了回归分析，结果如表4所示。

由表4结果可知，对于信息不对称指标的第一主成分PRIN1和指标PRIN而言，投资者对股票搜索次数的增加会降低股票市场的信息不对称程度，关注度高的股票因为信息较为透明，股票买卖的交易成本降低，从而也会促使股票流动性的提高，这一结论与单个信息不对称指标的回归结果相一致。然而，媒体关注度对信息不对称指标的影响并不显著。这是由于不同的信息不对称指标与媒体关注度之间的作用关系并不一致，基于交易成本的信息不对称测度与媒体关注度负相关，而换手率（TURNOVER）和PCL指标与媒体关注度正相关。

（四）稳健性检验

本节将研究样本按照板块进行分类，分为主板市场、中小板市场以及创业板市场，基于三个不同的板块进行了稳健性检验，对方程（14）的回归结果如表5所示。

由表5结果可知，无论是主板市场、中小板市场还是创业板市场，在控制其他影响因素后，投资者的关注度增加将加大市场流动性及降低信息不对称度;对于媒体关注度而言，其与信息不对称指标呈现负相关关系。其次，基于多维度信息不对称指标构建了信息不对称综合因子，实证结果及稳健型检验的结果均表明投资者对股票搜索次数的增加，会降低股票市场的信息不对称程度;对各板块进行比较，发现中小板块的投资者更容易受到市场刺激信息的影响;但是媒体关注度对信息不对称的影响上并不显著。稳健性检验结果表明分板块的研究结果与全样本的实证结果相一致。

五、研究结论

本文在构建基于沪深两市391支股票的面板数据模型的基础上，分别采用360指数的投资者关注度和媒体关注度两个网络指数的周度数据，并且运用多种信息不对称度量方法估计了投资者关注度及媒体关注度对我国股票市场信息不对称程度影响程度，实证研究及分板块的稳健性检验结果表明：

在设定公司规模、换手率、市盈率等其它变量对关注度的潜在影响为控制变量的前提下，实证结果表明投资者关注度和股票交易的信息不对称程度呈负相关关系，投资者关注度的提高有助于减少由于知情交易等因素引起的市场信息不透明度，降低股票市场信息的不对称程度，进而提高股票的市场流动性;对于媒体关注度而言，除了换手率和PCL指标之外，其余信息不对称度量指标与媒体关注度之间呈现出负相关关系。

实证结果也验证了投资者对股票搜索次数的增加，会降低股票市场的信息不对称程度，但是媒体关注度对信息不对称的影响并不显著。

（1）在控制其他影响因素后，投资者的关注度增加，外部信息刺激会影响投资者的交易决策，使得市场透明度变高，市场信息不对称程度降低，市场流动性变高。

（2）对于媒体关注度指标而言，除TURNOVER和PCL之外，其余信息不对称度量指标均与交易成本相关。投资者对相关股票信息的获取具有一定的获取成本，媒体发布的信息越多，媒体关注度越高，投资者获取信息的成本就越低，获取信息内容越充分。

六、本文贡献

本文采用了多种信息不对称的度量方法，全面系统地探究了投资者以及媒体关注度指数的变化对信息不对称程度的影响。基于多种信息不对称指标构建了信息不对称综合因子，实证分析采用了股票分板块的稳健型检验，其结果表明投资者对股票搜索次数的增加，会降低股票市场的信息不对称程度。

本文的結果不仅揭示中国证券市场的信息反应机制，同时对于投资者和证券监管部门具有重要的实践启示。对于投资者而言，有助于为其进行投资和风险管理决策，提高投资收益;同时关注网络信息对金融市场的影响有助于监管者改进股票市场监测手段，优化市场监管绩效，为市场监管部门实施有效的金融监管提供理论支撑。

参考文献：

[1]Bagehot W. The only game in town[J]. Financial Analysts Journal， 1971， 27（2）： 1214.

[2]Jin L， Myers S C. R 2 around the world： New theory and new tests[J]. Journal of financial Economics， 2006， 79（2）： 257292.

[3]Glosten L R， Milgrom P R. Bid， ask and transaction prices in a specialist market with heterogeneously informed traders[J]. Journal of financial economics， 1985， 14（1）： 71100.

[4]Seyhun H N. Insiders' profits， costs of trading， and market efficiency[J]. Journal of Financial Economics， 1986， 16（2）： 189212.

[5]Bank M， Larch M， Peter G. Google search volume and its influence on liquidity and returns of German stocks[J]. Financial markets and portfolio management， 2011， 25（3）： 239264.

[6]Preis， T.， H.S. Moat， and H.E. Stanley， Quantifying Trading Behavior in Financial Markets Using Google Trends[R]. Scientific reports， 2013， 3： srep01684.

[7]Challet， D. and B.H.A. Ahmed， Predicting Financial Markets with Google Trends and Not so Random Keywords[R]. Social Science Electronic Publishing， 2013.

[8]Tantaopas， P.， C. Padungsaksawasdi， and S. Treepongkaruna， Attention effect via internet search intensity in AsiaPacific stock markets[J]. PacificBasin Finance Journal， 2016， 38： 107124.

[9]Takeda， F. and T. Wakao， Google search intensity and its relationship with returns and trading volume of Japanese stocks[J]. PacificBasin Finance Journal， 2014， 27： 118.

[10]Bijl L， Kringhaug G， Molnár P， et al. Google searches and stock returns[J]. International Review of Financial Analysis， 2016， 45： 150156.

[11]Ranco G， Bordino I， Bormetti G， et al. Coupling news sentiment with web browsing data improves prediction of intraday price dynamics[J]. PloS one， 2016， 11（1）： e0146576.

[12]Ding， R. and W. Hou. Retail investor attention and stock liquidity [J]. Social Science Electronic Publishing， 2015， 37： 1226.

[13]Lu X， Holzhauer H M， Wang J. Online Search Frequency， Information Asymmetry， and Market Liquidity[J]. The Journal of Index Investing， 2016， 6（4）： 7181.

[14]Zhang Y， Feng L， Jin X， et al. Internet information arrival and volatility of SME PRICE INDEX[J]. Physica A： Statistical Mechanics and its Applications， 2014， 399： 7074.

[15]Admati A R， Pfleiderer P. A theory of intraday patterns： Volume and price variability[J]. The Review of Financial Studies， 1988， 1（1）： 340.

[16]Amihud Y， Mendelson H. The Effects of Beta， Bid‐Ask Spread， Residual Risk， and Size on Stock Returns[J]. The Journal of Finance， 1989， 44（2）： 479486.

[17]Seasholes M S， Wu G. Predictable behavior， profits， and attention[J]. Journal of Empirical Finance， 2007， 14（5）： 590610.

[18]Barber B M， Odean T， Zhu N. Do retail trades move markets？[J]. The Review of Financial Studies， 2008， 22（1）： 151186.

[19]Biais B， Glosten L， Spatt C. Market microstructure： A survey of microfoundations， empirical results， and policy implications[J]. Journal of Financial Markets， 2005， 8（2）： 217264.

[20]Huang R D， Stoll H R. Dealer versus auction markets： A paired comparison of execution costs on NASDAQ and the NYSE[J]. Journal of Financial economics， 1996， 41（3）： 313357.

[21]Huang R D， Stoll H R. The components of the bidask spread： A general approach[J]. The Review of Financial Studies， 1997， 10（4）： 9951034.

[22]Glosten L R， Harris L E. Estimating the components of the bid/ask spread[J]. Journal of financial Economics， 1988， 21（1）： 123142.

[23]Madhavan A， Richardson M， Roomans M. Why do security prices change？ A transactionlevel analysis of NYSE stocks[J]. The Review of Financial Studies， 1997， 10（4）： 10351064.

[24]Sandas P. Adverse selection and competitive market making： Empirical evidence from a limit order market[J]. Review of Financial Studies， 2001， 14（3）： 705734.

[25]Chang S S， Wang F A. Adverse selection and the presence of informed trading[J]. Journal of Empirical Finance， 2015， 33： 1933.

[26]張宗新， 潘志坚， 季雷. 内幕信息操纵的股价冲击效应： 理论与中国股市证据[J]. 金融研究， 2005（4）： 144154.

[27]Amihud Y. Illiquidity and stock returns： crosssection and timeseries effects[J]. Journal of financial markets， 2002， 5（1）： 3156.

[28]Brennan M， Huh S W， Subrahmanyam A. An analysis of the Amihud illiquidity premium[J]. Review of Asset Pricing Studies， 2013， 3（1）： 133176.

（责任编辑：王铁军）