有限关注与股市异常特征、羊群效应

唐 勇，洪晓梅，朱鹏飞

[1.福州大学经济与管理学院，福建 福州350116；

2.金融数学福建省高校重点实验室（莆田学院），福建 莆田351100；3.福建省金融科技创新重点实验室，福建 福州350116]

一、引言

金融市场异象频发对金融研究范式提出了新要求，传统金融所强调的“理性范式”在解释金融系统一系列复杂的演化特征时缺陷逐渐显现。并且，现代通信和传播技术实现了全球范围内的信息共享与交互，汹涌而来的信息为金融市场研究提供了新的数据支持，但也对投资者形成了挑战，从浩如烟海的信息中迅速而准确地获取所需信息愈发困难（向诚和陆静，2018[1]）。而行为金融兴起，突破了传统金融理论研究的窠臼，借鉴心理学研究成果，从投资者自身出发审视价格行为，为理解股票市场提供了新的视角：投资者的理性是受到约束的，是有限的。故基于行为金融视角探究投资者认知、价值取向与股票市场的关系，顺应了科学研究范式的转换趋势，彰显了强大的生命力（李心丹，2005[2]）。

传统金融假设投资者拥有无限的认知资源。然而，现实中注意力是一种有限的认知资源。Simon（1971）[3]指出，当今经济社会的信息富裕问题引起了注意力的稀缺，导致了注意力的贫穷。纳入投资者注意力的分析框架可以追溯到20 世纪，Miller（1977）[4]和Merton（1987）[5]等人进行了相关研究。后续研究采用广告支出、媒体新闻、交易金额（向诚和陆静，2018[1]）等作为注意力的代理变量，研究其与金融市场的关系。

市场上的有限关注在很大程度上取决于认知及心理作用，因此如何将其进行量化成为专家学者一直 以 来 重 点 关 注 的 问 题（Miller，1977[4]；Merton，1987[5]；Wu 等，2017[6]；Ding 等，2018[7]）。以往研究中（刘锋等，2014[8]；邵新建等，2015[9]；刘志雄等，2017[10]），基于媒体报道和网络搜索的投资者关注代理变量起着举足轻重的作用。投资决策过程中，股市投资者利用不同渠道获取信息所产生的注意力可能存在差异：媒体新闻的发布以及网络搜索的利用满足了投资者被动和主动两种不同场景的信息内容获取需求；与此同时，明晰和准确量化二者的信息覆盖范围也成了一个难题。基于上述差异，本文将有限关注指标的来源主体区分为媒体和投资者。

媒体作为资本市场的信息中介，通过搜集、整理和发布信息，影响投资者认知局限约束下的行为选择，进而引起股价变化。情感因素是分析媒体报道对股价产生影响的一个重要研究主题，Wu 等（2017）[6]和Ding 等（2018）[7]的研究均提供了证据表明：媒体性质、媒体报道语气会影响投资者的交易行为，媒体的情绪会传染给投资者，股票价格随着市场情绪变化而偏离它的基本价值水平。此外，媒体的新闻发布数量能够对投资者获得信息的能力产生影响，且与资产价格之间关系显著。刘锋等（2014）[8]通过实证研究，得出了媒体对特定股票的关注会放大投资者关注对股票收益的影响程度的结论。邵新建等（2015）[9]则系统考察了媒体报道数量影响证券发行定价的内在机制。刘志雄等学者（2017）[10]研究发现：负面新闻数量能够在较长时间内影响白酒板块的股价。Ben-Rephae 等（2017）[11]着重探讨了新闻报道数量和机构关注之间的显著相关关系。

随着互联网成为直观的信息研究工具，“股民”和“网民”高度耦合，投资者搜索相关股票的关键词后，继而产生相应的浏览、讨论、发布及交易行为（张谊浩等，2014[12]）。鉴于投资者网络搜索量作为有限关注代理变量的相对有效性（Da 等，2011[13]），现有研究主要从两个层面出发探讨其与资产价格的关系。Mao 等（2015）[14]、陆慧玲（2018）[15]从整个市场层面选择“牛市”“熊市”作为关键词来衡量投资者的情绪或市场行情关注度，验证了行为金融强调的情感因素在投资者行为中所起的重要作用。同时，出于投资组合的需要，单个公司的信息也是市场参与者关注的重点。Da 等（2011）[13]发现股票关键词搜索量能更及时地捕捉散户投资者的注意力，搜索量上涨预示股价走高。俞庆进和张兵（2012）[16]将百度指数作为有限关注的代理量，得出了投资者有限关注影响股票市场交易活动的结论。Aouadi 等（2013）[17]的研究表明：利用互联网获取信息有助于股票相关信息反映到价格中。Vozlyublennaia（2014）[18]证明了注意力可以改变股票回报的可预测性。张谊浩等（2014）[12]的实证结果说明，根据网络搜索构建投资组合可以获取超额收益。刘锋等（2014）[8]、Tang 等（2017）[19]的研究得出了类似结论：投资者关注度与股票收益之间为显著的正相关关系。

以往学者从投资者认知角度重点考察了有限关注与资产价格的关系，而“投资的反馈环理论”指出：股市存在“客观信息—认识—行为”的循环往复并伴随羊群行为的环形反馈系统（刘学文，2019[20]）。在该系统中，群体行为的演化趋势对于资本市场理性化建设具有重要意义（刘湘云等，2014[21]；顾荣宝等，2015[22]；Balcilar等，2017[23]；Economo等，2018[24]），若投资者所面临的信息是公开的，则其可能综合市场影响而忽略个股特质信息，致使个股收益率趋同，触发羊群行为，破坏资本市场的有效性（郑瑶等，2016[25]）。基于市场上投资者认知、预期与投资信念、价值取向之间的相互影响关系，市场潮流和大众媒体对羊群行为的重要作用得到了行为金融经典理论的肯定：经由媒体传播的信息容易形成投资者的共同知识，为投资者间的策略互动提供信息平台。刘峰等（2014）[8]和杨继东（2007）[26]均认为，媒体信息首先引起投资者关注，进而驱动其投资行为和投资 策 略。 Shiller（2015）[27]和 Bikhchandani 等（1992）[28]的观点一致：文化因素对投资者非理性行为具有显著作用，媒体存在信号效应，加剧经济金融活动中的跟风现象。

以上研究尚存在一定不足。（1）行为金融学研究包括三个层次：有限理性个体、群体行为、非有效市场（李心丹，2005[2]）。以往研究大多只考虑单个层次或者两个层次之间的关系，缺乏完整考虑三个层次之间的交互作用。（2）现有研究鲜有从多个主体、多个信息层面来考察不同类型的有限关注与股票市场表现之间的关系，且尚缺乏从定性、定量相结合的角度评估媒体报道与股票市场羊群行为之间的联动模式。（3）在数据处理及方法选择上，主要采用单一的指数名称作为关键词，没有考虑到成分股对指数系统的影响，损失较多的搜索数据及较大的信息量；并且，主要选用静态数据模型进行实证研究，忽视了各变量样本期间内信息传导的时变特征。

基于以上认识，本文可能的创新点在于：（1）尝试系统地研究行为金融的三个层次，立足于有限关注，将其置于股市异常特征①本文所考察的股市异常特征包括股票市场异常收益及其波动两个方面。和羊群效应的研究框架中，全面考察它们之间的多维联动关系，作为以往单个或两两分析的有益补充；（2）在媒体和投资者双重有限关注视角下，基于不同层面的信息，揭示行为金融三个层次间信息流的传导路径、方向和联动模式，定性与定量相结合来考察媒体关注对股票市场羊群行为的重要作用；（3）基于大数据挖掘技术，充分考察成分股关注对指数关注的重要作用，从收益率与波动两个方面构建三个层次的信息传导关系模型，测度它们联动关系的强度、规模及其在不同场景下的异化现象。

二、模型方法与研究思路

（一）模型设定

1.A-CCK模型

本文采用A-CCK 模型来检验市场上升和下降过程中非对称的羊群行为（Chiang 等，2010[29]）：

其中为t 时刻Nt种资产收益率横截面绝对偏离度，Ri,t和Rm,t分别为资产i及市场组合的收益率。D为虚拟变量，若Rm,t＜0，D=1，否则D=0。当γ2显著为负时，市场中存在羊群效应。

2.溢出指数测度

Diebold和Yilmaz（2012）[30]采用广义方差分解构建溢出指数，模型如下：

Xt为协方差平稳过程的N 维列向量，式（2）（3）分别为其VAR过程及移动平均形式；εt～(0,∑)，∑为协方差矩阵。系数矩阵Ai服从如下递推公式：Ai=Φ1Ai-1+Φ2Ai-2+…+ΦpAi-p，A0为单位阵，且i＜0时，Ai=0。

方差贡献为Xi受到外部冲击时，其H 步预测误差方差中由Xj所解释的比例θij(H)。其中，σii为∑的第i对角线元素，ej为选择列向量，第j个元素为1，其余为0。采用行加总的方式进行标准化处理，即：

方向性溢出指数用于衡量某个变量与其他变量之间的信息溢出关系：

（3）Snet(H)=St0(H)-Sfrom(H)衡量了特定变量的净溢出水平。

3.DCC-GARCH模型

DCC-GARCH 模型具有估计大规模相关系数矩阵的优势（Engle，2002[31]），具体形式如下：

Rt为动态相关系数矩阵，hi,t由单变量GARCH模型计算所得，为标准化残差的无条件方差协方差矩阵，εt-m为标准化的残差向量，αm 和βn 为DCCGARCH模型的参数。该模型估计步骤分两步：第一步对各变量建立GARCH 模型并估计；第二步根据第一步的结果估计DCC-GARCH模型的系数以及变量间动态条件相关系数。

（二）研究思路

本文基于媒体、投资者双重有限关注视角以及不同层面的信息差异来构建有限关注指标，从收益率与波动两个方面探究有限关注在股票市场投资行为以及异常特征中的重要作用。具体研究思路如下。

步骤1，变量构建。计算股票市场异常收益率。采用差异化的方法处理不同层面的关键词数据，提取和保留不同类型关键词的信息差异。借鉴“看涨指数”的定义，采用相对量的形式计算市场行情关注度；各公司的百度指数取对数后，进行主成分分析，得到公司层面信息的关注度。同时，式（1）结合滚动窗口技术来计算市场上的羊群效应强度。

步骤2，运用溢出指数模型探讨有限关注、群体行为与股市异常收益间的信息溢出关系，计算样本期内的方向性静态溢出指数，借助滚动窗口考察动态溢出效应。

步骤3，根据公式（5）测算动态条件相关系数，分析各变量间的波动相关性。

步骤4，改变羊群效应强度计算窗口的长度以及动态溢出指数滚动窗口的长度，以此来考察本文结论的稳健性。

三、实证结果分析

（一）数据选取和变量描述

本文各变量数据区间为2012 年1 月6 日至2018年12 月21 日，此区间共含357 个周交易数据。选用沪深300 指数作为股票市场研究样本，收益率数据采用对数收益率，通过当周收益与前八周的收益平均值之差来计算异常股票收益（刘锋等，2014[8]；Ben-Rephael，2017[11]），即本文所有股价数据来源于同花顺iFinD数据库。

故第一类市场行情关注度，采用在市场层面考虑带有情绪特征的关键词，借鉴看涨指数的定义（Mao等，2015[14]；陆慧玲，2018[15]），以“牛市”“熊市”作为关键词，变量计算见公式（6）。

第二类公司层面关注度中，由于公司新闻内容几乎不涉及股票代码，股票简称作为媒体关注度的关键词更准确；且在考虑投资者关注度时，股票简称作为关键词更符合我国投资者的行为特征（张谊浩等，2014[12]）。先采用取对数的方法得到各成分股的关注度（俞庆进和张兵，2012[16]），如公式（7），而后通过主成分分析进行降维，得到沪深300 指数关注度（任武军，2018[33]）。

其中，bullt、beart分别为关键词是“牛市”和“熊市”时的第t 周百度指数②百度指数的频率为日，文中周数据为日数据的加总，由于非交易日关注度影响的是下一交易的日股票价格，故将第t周周末百度指数计入第t+1周的百度指数中。本文采用周数据的原因在于：股票交易时间短，而关键词搜索在一天内都可以进行，故关注度日数据的改变不一定能够马上反映在当天股价上，而周数据能够充分反映一段时间内关注度所起的作用。，为市场行情关注度。NameIndexi,t为第t 周股票i 的百度指数，为公司层面关注度③所用成分股为下文研究羊群效应中挑选的样本股。以往研究采用直接对搜索量取自然对数的形式，本文在此基础上+1是因为个别股票部分时期搜索量数据为0。，采用主成分分析方法处理n个成分股关注度④各主成分累计方差贡献达到73%和特征值大于1的基础上，利用特征值对各主成分序列进行加权。，得到沪深300指数关注度，剔除因节假日等因素导致的数据不匹配的7个数据。

表1 变量描述性统计表

将沪深300成分股作为研究羊群行为的样本股⑥由于移动窗口长度的需要，用于考察羊群效应的样本股数据区间延伸为2011 年3 月15 日至2018 年12 月21 日，剔除该时间以后上市的成分股以及不存在百度搜索数据的股票后得到207只。。按照A-CCK 模型设定中的公式（1）计算γ2来表征羊群行为强度，定义为HBI：当γ2＜0 时，HBI=|γ2|，否则HBI=0。HBI 越大，表明市场上羊群效应越强（顾荣宝，2015[22]）。本文以132 个（约6 个月）观测值为移动时间窗口宽度来考察羊群行为演化过程，移动的步长为一天，日羊群行为强度平均后得到每周的强度。各变量描述性统计结果如表1 所示，各序列均平稳，均存在自相关和ARCH效应。

ABRt绝对值越大，代表收益率异常现象愈显著。正值表明收益率的增加趋势，负值则表示当期收益率的下降趋势。趋近于0 则代表，相比之下，当周收益率的变化较小，异常现象不明显。图1①图中数据间隔为364天（约一年）。表明，大部分时间ABRt处于-0.05 至0.05 之间，股票市场收益率日常波动幅度较小。而在2015 年“股灾”前后，出现了最大和最小的两个ABRt，2014 年12 月5 日当周股票市场投资热情高涨，ABRt达到0.0896，在2015年6月19日则为-0.1589。

图1 股票市场异常收益率走势图

图2②、MedA对应左边坐标轴，即公司层面关注度对应右边坐标轴，即市场行情关注度。表明，相对来说，投资者更关注公司层面的信息，而媒体报道更多的则是基于市场行情。市场行情关注中，两条线绝大部分时间位于0 之上，即同一时刻“牛市”作为关键词的媒体发布量和投资者搜索量都要大于“熊市”，这与过往的研究（陆慧玲，2018[15]）结论一致：我国股市上存在“波丽安娜效应”③波丽安娜效应（Pollyanna principle），或积极偏向，即人总是看重和追求好的一面，摒弃坏的一面。。与此同时，媒体关注度自2015年呈现下降趋势，“股灾”不仅使得投资者情绪和市场交投低迷，而且导致媒体在极度震荡的市场中看涨情绪削减。

图2 关注度走势图

从公司层面来看，投资者关注度的低点大多出现在春节前后，这与现有研究（Dellavigna 等，2005[34]）中注意力的分配与工作日、月份相关的观点一致。图2 表明，2014 年以来，市场投机氛围过热，投资者公司层面关注度呈现上升趋势④在此期间，出现负数点的时间为2015年春节。，在2015年6 月12 日达到最高点，与市场指数走势一致。更多的关注一定程度上促使市场更加有效，价格信息含量更加丰富，但从此轮“快牛”带来的惨痛教训可以看出，更多的关注也会导致各类噪声，减少市场有效性。

（二）溢出效应分析

行为金融学不同于传统金融描述经济个体的最优决策行为，而是通过研究市场上的经济动机和经济力量，试图探究真实投资决策行为（蒋军锋和殷婷婷，2015[35]）。投资者学习能力是有限的观点反映了投资者学习能力约束对其选择的影响，投资者之间的相互学习和模仿，可能引发从众心理，导致证券价格出现系统性偏差。有限关注、羊群效应与异常收益之间在不断地信息交换过程中形成了双向互动关系，其相互作用机制亟待考察。此部分将三者置于同一框架下研究信息溢出的方向和水平，探究信息的传导过程。

1.信息传导的静态溢出效应分析

采用VAR 模型的最优滞后阶数，预测期数为40⑤本文分别对预测期数5,10,20,30,40,50,70进行实证检验，发现预测期数大于40时，溢出水平与40时相近，故认为预测期数为40时，信息溢出基本完成。，根据公式（4）计算样本期内有限关注、羊群效应与异常收益率的静态溢出指数，标准化后，得到方向性溢出指数。为便于分析，可将媒体和投资者市场行情层面关注度视为“看涨指数”，用于表征情绪（Mao等，2015[14]），媒体公司层面关注度则反映了媒体报道数量。由表2中可得如下结论。

（1）同一层面的关注度之间关系更为紧密，媒体情绪受到投资者情绪的溢出水平为12.2811，前者对后者的溢出值为9.2724；投资者公司关注对媒体公司报道数量产生了高达32.3170 的溢出效应。对于投资者公司层面关注度来说，同一主体和同一层面关注度之间的信息传导效率更高。上述结果表明：媒体关注能通过引导投资者注意力的分配，对其获得重要信息的能力产生影响。

（2）相比媒体关注而言，投资者关注的相关指标作为有限关注的代理变量更加有效。相比同一层面的媒体溢出效应而言，投资者情绪和公司关注对市场羊群效应、异常收益的溢出水平以及其受到的羊群效应和异常收益率的溢出水平均更高，投资者关注相关指标与市场变量联系更加紧密。

（3）投资者心理、情绪可以引起决策行为偏差，羊群估值分别受到投资者情绪与关注的溢出水平为7.1771 和18.8474。投资者在公司层面的关注度与羊群现象联系更加紧密，可能的原因在于：羊群效应的产生源于收益率分散度指标的减小，当各公司收益率与市场收益趋同时，极有可能是因为投资者个人的观念与市场上多数人一致，在同一时期加强了对特定公司的关注。而媒体信息具有公开性，容易形成市场上的共同知识，驱动投资策略互动。通过本文研究发现，媒体情绪与媒体报道数量能够影响市场上的羊群行为。

（4）异常收益率对媒体和投资者情绪存在显著影响，溢出水平分别为13.1920、21.7919；其对投资者公司层面关注度的溢出水平为17.7454，市场出现异常时，投资组合的不确定性增大，投资者将调整注意力的分配情况；而媒体报道数量的作用在于披露相关公司信息，故异常收益率对其影响有限。与此同时，行情关注度相比公司关注度对异常收益率的溢出效应更强，此类信息更容易导致投资者估值错位，增加资产价格时变性和跳跃性。投资者市场行情关注度和公司层面关注度对异常收益率的溢出水平分别为15.7735 和0.5864，在一定程度上实证结果佐证了以往研究结论：有限关注的投资主体更注重的是全市场信息，而不是特定企业的信息（Peng 等，2005[32]）。

表2 有限关注、羊群效应与异常收益的静态溢出指数

2.信息传导的动态溢出效应分析

根据公式（4），以180 个数据的观测区间为滚动窗口计算标准化的方向性动态溢出指数，预测期数为40，分别判定每个窗口的最优滞后阶数。此部分以投资者公司层面关注度为分析重点①篇幅所限，文中选择最具代表性的有效关注代理变量进行分析。投资者公司层面关注度作为有限关注代理变量存在有效性和广泛性（俞庆进和张兵，2012[16]；刘锋等，2014[8]），与此同时，静态溢出指数测度表明其在整个研究框架中具有重要作用，对外溢出水平达到53.2322，受到的溢出水平为64.4511，在系统中扮演重要角色，故以其为有限关注指标的分析重点。，考察三个层次间信息溢出的时变特征。

由图3 可得如下结论。（1）媒体在股票市场上既是信息中介，也是情绪载体。2017 年1 月至9 月，媒体信心处于历史低值，但对投资者公司关注度的溢出水平在此期间达到最大；而在后续的8 个月中，媒体看涨情绪激增，但其溢出水平却呈现下降趋势。可见，媒体情绪对投资者公司层面关注度的影响是不对称的，负面情绪的作用更显著。（2）来自同一主体的变量间关系密切，投资者作为独立的决策个体在不同时期对待信息所分配的注意力会被情绪左右，该实证结论与静态溢出效应相同。2015 年“股灾”初期，投资者的敏感化和情绪化显著影响了其自身对股票市场的关注程度。（3）市场应重视媒体工具在信息准确而有效扩散过程中的重要作用，提高运行效率。2015 年“股灾”阶段的媒体报道数量高于样本期平均水平，大量的公司负面新闻对投资者公司关注的溢出效应在初期较弱，而后呈现上升趋势。出现此现象的原因在于：市场上信息的竞争性披露是常态，媒体报道数量越多，越能引起投资者的关注（邵新建等，2015[9]）；与此同时，媒体存在信息效应，能够减少投资者的信息不对称（阳丹和夏晓兰，2015[36]），但公司层面特质信息融入股票价格存在滞后性。

图3 各关注度对投资者公司层面关注度的动态溢出指数图

此外，由图4 可以看出，投资者公司层面关注度对股票市场羊群效应和异常收益率的净溢出水平在2015 年“股灾”初期为负值，说明此段时间羊群效应和异常收益率对投资者公司关注产生的溢出水平高于后者对前者的影响。熊市中利空消息被强化，投资者争相抛售股票，即使根据处置效应持有亏损股票，市场的微量上涨也会成为投资者抛售股票的机会，而指数负回报会被视为“坏消息”，引起人们对相关指数的极大关注（Vozlyublennaia，2014[18]）。投资者公司层面关注度对异常收益率的净溢出值总体上呈现上升的趋势，影响作用不断增强。

“股灾”时期，羊群效应对异常收益率产生的净溢出水平最高达67.7245，可见在此期间投资者不理性的跟风行为是市场震荡的重要原因。“股灾”之后，羊群效应对异常收益率的净溢出水平位于0 刻度线之下，即在正常的市场状态下，股票市场收益率表现可以成为市场上的共同知识，驱动投资者之间的投资策略互动，形成市场上的跟风行为。

图4 投资者公司层面关注度、羊群效应

与股市异常收益的动态净溢出指数图

（三）动态条件相关性分析

通过溢出指数的测度结果可以较好地理解有限关注、羊群效应、股市异常收益间的信息溢出过程，但无法判定当某个变量变化时所引起的其他变量的变动情况。故此部分运用DCC-GARCH模型通过动态条件相关系数进一步考察三者之间的波动相关性。

表3 关注度间的平均相关系数

采用公式（5）计算投资者心理、行为与股票市场异常收益间的动态条件相关系数①根据作者的多次尝试，第一步中选用效果最好的GARCH（1,1），分布选用正态分布，均值方程含有均值，为ARMA（0,1）过程，第二步中DCC-GARCH模型参数估计结果此处不再列举，如有需要可向作者索取。，利用平均相关系数②本文平均相关系数采用条件相关系数取绝对值后的平均值，能更加直观地看出相关性的相对强弱，公式为考察关注度间波动关系的强弱。表3可得，同一层面的信息之间关系更为紧密，媒体和投资者在市场行情层面、公司信息层面的关注度上平均相关系数分别为0.4386、0.2833。市场行情关注度间关联更紧密的可能原因在于：相比全市场信息，单个公司的信息容易被注意力受限的投资者选择性忽略；并且，单个公司的关注度变动对沪深300 指数关注度产生的影响有限。从同一主体来看，投资者在两个层面关注度的相关系数达0.3232，这表明投资者在信息处理时更注重考虑多个层面的信息，对股市某一层面的看法是看待其他层面信息的重要参考，这与本部分第（二）小节溢出指数测度的研究结论一致。与此同时，跨主体、跨层面的关注度之间关联性较弱。

表4 说明，市场行情层面的关注度与异常收益率的平均相关系数更大，看涨指数变化对股票市场指数的冲击更显著。这表明：投资者倾向于将注意力分配到全市场的信息层面而不是特定公司信息层面，这和本部分第（二）小节溢出指数测度所得结论一致。并且，投资者相比媒体而言无论是在市场行情层面还是公司信息层面的关注度与异常收益率的平均相关系数均更大，媒体关注度变动对股票收益的影响程度相比投资者关注度而言更弱，这与以往研究（刘锋等，2014[8]）结论一致。

表4 关注度与股市异常收益率的平均相关系数

图5 展示了投资者公司层面关注度、羊群效应与股市异常收益间的波动相关关系。

（1）投资者公司层面关注度的变动与羊群效应关系密切，二者相关系数大部分时间维持在0.2，关注度波动的增加预示羊群强度的变化。依据过往学者（胡金焱和宋唯实，2018[37]）的观点，由于风险厌恶，投资者希望获得与他人相同的信息，在分配关注时，会增强对资产选择的羊群效应。因此，2015 年“股灾”时，二者相关系数激增，投资者公司层面关注度在此期间呈现下降趋势，抛售所持资产的态势严重。

（2）注意力理论认为注意力是有限的，对某一股票的高度关注，必然带来股票收益的异常变化（饶育蕾等，2014[38]）。投资者关注与股市异常收益率的条件相关系数大部分时间为正，即投资者关注度的波动能够显著地引起股票市场收益率的变化，二者关联性的最高点出现在2014年12月，过热的投机氛围吸引了投资者注意力，促使市场指数急速攀升。

图5 投资者公司层面关注度、羊群效应与股市异常收益的动态条件相关系数图

（3）羊群效应与异常收益率间的波动相关关系以负相关居多，由于羊群效应只有在大量投资者采取相同或相似的投资策略时出现，故正常的市场状态下二者相关系数较小且较为稳定。2015 年7 月，二者负相关值激增，最低为-0.3209。而相关关系出现正值仅在“股灾”后个别时期，且最大为0.2032。可见，股市下降时羊群行为产生的影响强于股市上升时状况，这一非对称特征也得到学者们（顾荣宝和蒋科学，2012[39]）的验证：我国股票市场“慢涨快跌”的特点显著。

四、稳健性检验

此部分从两个方面考察本文实证结果的稳健性：（1）基于不同的羊群效应持续时间；（2）考虑溢出指数的不同滚动窗口长度。

（一）不同羊群效应持续时间的溢出效应分析

投资者行为随着时间的推移是不断演化的，关于羊群现象的持续时间学术界暂无定论。本文以200 个观测值为移动时间窗口宽度计算羊群效应强度来考察实证结果的稳健性①所得新的羊群效应强度的ADF 值为-1.7289，在10%的水平下显著，除羊群效应变量外，其余变量与计算方式同前文。由于篇幅限制，此处不对动态溢出指数的结果进行罗列，如有需要可向作者索取。，静态溢出指数测度结果如表5，动态条件相关系数估计结果如图6 所示。

表5 不同羊群效应持续时间的影响的静态溢出指数

图6 不同羊群效应持续时间的影响的动态相关系数图

可以看到，羊群效应计算窗口长度的改变，使得静态溢出指数值有轻微变动，但变化幅度很小。窗口为200 个观测值的羊群强度对股票市场异常收益率产生的溢出水平更高。与此同时，窗口的改变对于动态条件相关系数图的走势几乎没有影响。总体来说，各变量的溢出表现以及波动相关关系与前文的主要实证结论是基本一致的。

（二）不同溢出指数滚动窗口长度下的检验

本部分基于动态溢出指数滚动窗口长度的选择角度考察上述实证结果的稳健性，由于数据量的限制，在上文180 个观测值的基础上增加52 个（约一年），故本部分中动态溢出指数窗口长度为232，计算方式同前文中的溢出效应分析。

图7 窗口长度180的动态净溢出指数图

图8 窗口长度232的动态净溢出指数图

从图7、8 可以看到，更长的动态溢出指数窗口长度的选择使得各变量之间的溢出水平增大，但溢出方向基本不变。两幅图中，投资者有限关注对羊群效应在2018 年3 月之后的溢出水平走势有所差异，其余时间走势基本相同，溢出的表现与前文的主要实证结论基本一致。

五、结束语

本文立足有限关注，将其置于股市异常特征和羊群效应的研究框架中，全面考察行为金融三个层次之间的多维联动关系，通过溢出指数测度和DCC-GARCH 模型从收益及其波动两个方面构建三个层次间的信息传导关系模型，考察有限关注作为独特视角解释市场异象的可行性，测度行为金融三个层次间信息流的传导路径、方向和联动模式，主要结论如下。

（1）从收益率角度来看，媒体报道数量和媒体情绪都会引起市场参与者投资心理的变化；投资者注意力的分配与月份相关，更适合作为有限关注的代理变量，其敏感化和情绪化的特点会影响公司层面关注度的分配。行情关注度相比公司关注度更容易导致投资者估值错位，增加资产价格时变性和跳跃性。指数负回报被视为“坏消息”，能够引起人们的极大关注。且“股灾”期间投资者不理性的跟风行为是市场震荡的重要原因。

（2）波动的联动关系表明，同一层面的信息之间关系更为紧密，投资者倾向于将注意力分配到全市场的信息层面而不是特定公司信息层面。关注度的波动与羊群效应密切相关，能够引起股票市场收益率的变化。而羊群效应与异常收益率间的波动相关关系以负相关居多，股市下降时羊群行为产生的影响强于股市上升时的状态。

基于媒体传递信息的重要性和投资者网络搜索获取信息的普遍性，有限关注在股票市场信息传导中扮演着重要角色，其与群体行为、市场震荡之间关系密切。

依据以上结论，给出如下相关建议。

（1）信息量的泛滥，增加了信息的广度，也带来了认知的负担，投资者被动或主动通过网络平台获取信息、提升信息处理效率时，不仅应着眼于从网络搜索所蕴含的行为金融逻辑中寻找获利机会，同时也要树立风险意识，客观看待媒体报道，保持理性预期。

（2）各上市公司拓宽信息披露渠道的同时，可以从注意力分配的“月份效应”出发，提高信息披露质量与效率。

（3）基于全市场信息更受关注的特点，媒体在发布新闻内容时应综合考虑市场情绪状况，充分发挥信息媒介的功能，适当进行舆论引导。

（4）监管部门应意识到媒体工具在信息扩散过程中的重要性，有针对性地进行舆情监控，依托大数据、云计算等，建立健全监管平台来监控市场上的非理性行为，优化监管绩效，提高资本市场运行效率，促进金融市场健康发展。