2024年6月13日发(作者：)

投资者情绪对股票价格的影响研究 篇一

摘要

传统金融学理论的理论框架，以理性的投资者为基础。随着理论的广泛运用，人们渐渐发现这些理论不能对金融市场中正在发生的种种异象的原因进行诠释。行为金融学的诞生给出了相应解释，引入心理学，把投资者看做是非理性的，认为市场价格的变动会受到投资者心理的影响。投资者的决策会由于投资者情绪变化而变化。近年来，我国股市也面临着一些异常波动，在牛市时，市场情绪高涨，投资者涌入市场进一步提高了股市价格；行情不好时，投资者情绪情绪低落，进而市场价格更加下跌。

对投资者情绪指标的选择分成直接方式和间接方式，本文使用的是间接方式中的主成分分析法，选择七个消费者信心指数（CCI）、IPO数量（IPO）、市盈率（PE）、交易量（VOL）、增发量（ZF）、新增开户数（NIA）、以及换手率（TURN）为代理指标，通过主成分分析法构造投资者情绪综合指标（SENT），并构建投资者情绪综合指标对股票价格的影响的VAR模型，通过ADF平稳性检验、格兰杰因果关系、脉冲响应分析和方差分解分析进行研究，对上证指数、深证成指、创业板指三者之间的结果进行对比分析。

结果显示投资者情绪对股票价格有影响作用，具有正向的相关性。不同滞后期数的投资者情绪的影响有正负变化。三大指数对于投资者情绪的影响的反应略有不同。最后，本文从监管部门和投资者角度提供了一些建议，以促进市场运行的规范化以及投资者决策的理性化。

关键词：投资者情绪 主成分分析 股票价格 VAR模型

ABSTRACT

Traditional financial theories believe that investors are rational, but these theories cannot

explain all kinds of anomalies happening in the financial market. The birth of behavioral finance

gives the corresponding explanation. Psychology is introduced. Behavioral finance treats

investors as irrational. it is believed that market price will be affected by the investor

ors\' decisions change as investor sentiment recent years, China\'s

stock market has also been faced with some abnormal a bad market, investor

sentiment is low and market prices fall further.

Two ways is used to choose investor sentiment index：direct and indirect ways. this article

uses the indirect way, principal component analysis (pca), using consumer confidence index

(CCI), turnover rate (TURN), p/e ratio (PE), secondary (ZF), new accounts (NIA), the number of

ipos (IPO) and trading volume (VOL) as proxy indexes. Using the principal component analysis

to construct comprehensive investor sentiment index (SENT).This paper has created a VAR

model based on investor sentiment index and stock prices, then perform the ADF stationary test,

granger causality, impulse response analysis and variance decomposition ,the

results of Shanghai composite index, shenzhen component index and gem index is compared.

The results show that investor sentiment has positive effect on stock are positive

and negative influence of investor sentiment with different lag periods on stock three

major indexes reacted slightly differently to the impact of investor sentiment. Finally, this paper provides some Suggestions from the perspective of regulators and investors to promote the

standardization of market operation and the rationalization of investors\' decisions.

Keywords：investor sentiment；Principal Component Analysis；stock prices；VAR model

第一章 绪论

1.1研究背景

在现代社会，投资股票成为人们主要的投资方式之一。在Fama提出的有效市场假说中，假设参与市场的投资者足够理性。也就是说，投资者对所有市场信息能做出合理反应，人们相信，即使市场中有一些非理性投资者，也会因为套利活动迅速消除对股价的影响，这在很多人看来是存在争议的。在现实生活中，由于信息不对称以及缺乏专业知识，哪怕是在一群聪明人之中，由于从众心理、羊群效应引发股票价格异常波动也是存在的，市场投资者其实是非理性的，这也导致金融市场中存在的价格异象时有发生。之后，行为金融学理论带来一种新的切入点，认为除了企业内在价值，投资者主体行为也是影响股票价格一大重要因素。也就是说，证券市场的价格决定及其变动很大程度上受到投资者情绪的影响，传统金融学理论无法解释的股票价格异象被广泛的用行为金融学理论进行阐释。

行为金融学说是一门交叉学科，它涵盖了金融学、心理学和社会学等方面的知识，通过分析投资者情绪等心理学方面的内容来深入探究投资者个人的情绪对于投资的影响。行为金融学认为投资者未必都是理性人，认为投资者搜集信息能力不同，对风险的偏好程度不同，投资者们的主观意识参与到他们的决策过程中，起到了一定的影响。对投资者情绪的研究成为行为金融学的一个重要内容。

我国资本市场发展了近三十年，与西方发达国家相比，时间较短，但也已取得了很大的成就。交易和结算网络在全国各地得到广泛使用；《证券法》等一系列法律法规在逐步建立完善；证券市场监管体制在形成与完善；证券交易的手段也处于世界先进水平。我国的资本市场发展较为快速，1992年之后证券发行不断增多，投资者数量不断增加，到2018年年底，两市上市公司达到了 3567家，市值达到了48.67万亿元。我国资本市场发展历程较短，作为新兴的资本市场，也存在一些金融异象。

我国股票市场目前还存在很多问题。首先，股市价格存在波动异常，如2015年的股市经历了前半年的一路飙升，然后是后半年的暴跌，存在暴涨暴跌的市场动荡。其次我国股市及投资者的不成熟，投资者投资理念不完善也会影响市场。此外，政府对证券市场的干预如出台政策、调整印花税税率等也很容易影响市场，引起价格波动。所以研究投资者情绪对股市价格的影响有利于我们把握经济市场发展规律，培养理性的投资者。

1.2研究意义

国内对于投资者情绪对股价影响的研究较少，主要是基于传统金融学理论研究股票收益的，缺乏对投资者情绪的关注。此外，相关研究采用的表示投资者情绪的数据较多是调查问卷数据，相关数据的选取不太贴合我国实际情况。

影响股票价格波动的因素有很多，如公司经营状况，政策与制度，投资者情绪等等。投资者情绪在不同研究中，根据研究需要不同有过不同的界定，本文就用投资者情绪表示投资者对股市未来阶段的预期与看法。投资者如果因为某些原因导致错误判断，大量涌入或涌出市场时，这个变化肯定会对其余投资者产生影响，冲击股票市场，导致股市震荡进一步扩大，噪音投资者可能因此在错误时机买入高买低卖，造成投资者的巨大损失，对市场缺乏信心。了解投资者情绪对股票价格产生的影响，有助于改善人们对股票的投资行为，有效规避股票市场大幅价格波动，也可以为政府制定相关政策提供帮助。

基于此，本文在参考国内外有关投资者情绪的模型及论述的基础上，结合我国实际，基于数据的相关性和可获得性选取七个源变量，构建投资者情绪指数利用样本时间序列数据建立VAR模型，并进行实证检验情绪对证券市场股票价格的影响，提出可行的相关建议。

第二章 理论基础与文献综述

2.1投资者情绪的度量

投资者情绪的度量是一项基础性工作。现有文献中出现的情绪度量指标较多，但没有绝对完美的衡量方式。学者根据研究需要选择不同的方式获得数据，目前主要分成两大类：直接方式和间接方式。

2.1.1直接方式

直接方式也是主观方式，即对投资者进行问卷调查，了解他们对未来股市的预期。这种方式在资本市场发达的国家比较普遍。国外学者使用较频繁的直接数据有投资者智能指数、美国个人投资者协会指数（AAII）、瑞银集团/盖勒普发布的投资者信心指数、Hadady公司开发的好友指数等。Lee、Jiang 和Indro(2002)使用投资者智能指数（II）研究投资者情绪与股市波动及超额回报的关系。国内更具权威性的直接数据来源主要有两个，一是央视二套“中国证券”栏目中的“央视看盘”的投资者情绪调查数据，它涵盖了每个交易日机构投资者和个人投资者对市场预期的判断；另一个是耶鲁——CCER中国股市投资者信心指数，数据来自针对每期市场的调查问卷。姚德权，黄学军，杨光(2010)以机构投资者情绪的实际情况为基础对 DSSW 模型进行修正, 使用“中国证券分析师指数”分析机构投资者情绪与股票收益的相关性关系。

这样通过调查直接获得的数据也有一定弊端，由于被调查者个人的相关因素、问卷的设计因素等原因，收集的数据很难保证真实性和情绪表达的准确性。在这样的情况下，有人也许会隐瞒自己的对未来股市的看法或者自己都无法把握自己对股市未来的预期形势（Baker&Wurgler，2007）。这样数据的可靠性就大大削减了。

2.1.2间接方式

另一种是间接方式，即通过市场交易数据，形成一种可以表达投资者情绪的数据，通常需要选取单个或几个变量，构造投资者情绪指数。调查问卷的数据与投资者情绪可能产生偏差，而这种方式比较客观，我国使用这种方式较多。

单一变量即单一的市场数据，Baker和Wurgler（2007）将封闭式基金折价作为替代投资者情绪的变量[11]；Kumar 和 Lee（2006）将股票市场中零股之间的买卖比例作为替代投资者情绪的情绪指标[19]；俞雅娟用上海证券交易所的成交量作为投资者情绪的代理变量，用上证指数作为样本[2]；刘维奇、刘新新分别选取个人和机构的月新增开户数作为个人和机构投资者情绪的初始替代指标[3];王美今、孙建军用看涨人数占看涨看跌总人数之比作为代理变量[7]

；鲁训法，黎建强以新开交易账户数为代理变量，利用ARMA—GARCH模型研究了投资者情绪与收益率之间的关系[4]。上述的单一变量都有代表性不足的问题，所以学者提出了主成分分析法，主成分分析法由Brown、Cliff首先开始运用于构造情绪指数，之后，Baker、Wurgler对这种方式进行更全面的讨论和检验，使得主成分分析法受到广泛认可，成为投资者情绪的主流研究方法，常用的间接数据有IPO数量、IPO首日收益、换手率等等。蒋玉梅、王明照选取了五个能间接反映国内股票市场投资者情绪的指标，它们分别是新增投资者开户数、封闭式基金折价率、IPO发行数量和首日收益率以及市场换手率，然后采用主成分分析法构建情绪综合指数，间接、客观地测量情绪。

间接方式是以交易数据为根据研究市场与理论之间的偏差的，但是这些交易数据未必就是投资者情绪影响下产生的，或者可以说，市场数据受到的影响因素众多，难以厘清相互的关系。尽管主成分分析法可以对投资者情绪进行“提纯”，也无法避免这个不足之处。例如共同基金现金流也会出现由于基金业绩评价的偏差导致的代理问题，封闭式基金折价率也体现代理成本。

2.2投资者情绪对股票价格的影响

2.2.1国外研究成果

国外学者大多采用先建模再进行实证分析的方式来研究，且已经证实投资者情绪对股价有一定预测能力。

Baker 和 Wurgler（2006）发现投资者情绪有显著的横截面效应，这与传统理论有所不同，对于一些特定股票，即小型股、年轻股、高波动性股、非盈利股、非派息股、极端成长型股和问题股，由于它们在投资者情绪高涨时吸引乐观看涨者和投机者且对套利者没有吸引力，所以导致它们后续的回报率与投资者情绪呈负相关关系。Baker 和 Wurgler（2007）研究发现封闭式基金折价是很好的情绪代理变量，能有效反映股票市场中投资者情绪的变化。Kumar 和 Lee（2006）运用零股之间的买卖比例股票市场之间的相互关系展开研究，研究发现零股买卖比例是很好的情绪代理变量，尤其对小盘股、低盘股等股票的收益影响相较于其他股票而言更大。Lee、Jiang 和 Indro（2002）研究发现投资者情绪变化与市场波动呈负相关，与超额收益存在正相关关系，表明情绪不只是影响小型股的个人投资者现象。stambaugh等人（2012）使用BW情绪指数发现投资者情绪对于长期投资策略的利润的影响并不显著。

2.2.2国内研究成果

刘维奇、刘新新（2014）研究发现，投资者情绪在情绪极度低的市场中的影响不大。此时，市场趋于理性。由于中国的个人投资者队伍在发展，素质也在逐步提高，个人投资者也正在向着一个理性的方向发展，并对市场有一定预测能力。机构投资者的情绪有预测后市的能力，滞后的机构投资者情绪与收益有正向相关性[3]。姚德权，黄学军，杨光（2010）通过应用GARCH模型对中国沪、深两市机构投资者情绪及其波动与股票收益间关系进行实证分析，发现机构投资者也是噪声交易风险的来源之一，中国机构投资者的情绪与同期股票收益呈正相关 ,情绪波动与股票收益负相关。同时，中国机构投资者的情绪波动没有形成系统风险[1]

。俞雅娟（2012）发现投资者情绪是影响证券价格波动的重要因素，而证券价格波动又会导致投资者情绪变化，此外投资机构的杠杆效应的推动会使投资者情绪被放大，一定程度上影响整个金融市场[2]。蒋玉梅、王明照（2010）对投资者情绪对股价影响的总体和横截面效应都进行了研究，发现情绪与短期市场收益正相关，与长期收益负相关，情绪对市场收益具有一定的解释作用和预测能力，从横截面来看，股票收益对于情绪的敏感度存在差异，股息率、有形资产率、价格、市净率、市盈率、等特征值低的股票更容易受到情绪影响[9]。鲁训法，黎建强(2012)研究发现股市收益率是投资者情绪变化率的一个显著影响因子。黄世达、王镇(2015)通过构建基于投资者情绪的条件资产定价模型，并根据 Avramov和Chordia两步回归分析框架，证实了投资者情绪因素在我国的股票交易中的重要性。张强,杨淑娥,杨红(2007)使用GARCH-M(1,1)理论模型，研究发现机构投资者情绪是影响股市的系统因素，但个人投资者的影响并不显著。王美今，孙建军(2014)发现投资者情绪变化沪深两市的均衡收益影响显著, 且显著地反向修正沪深两市的收益波动。王国臣等人研究冻结资金对股价波动性有加剧作用，且该作用与投资者情绪变化正相关。

2.3文献综述小结

由于国家间市场发展历程、相关政策制度以及投资者群体等方面的差别，在进行研究过程中，国内外学者出于不同的角度和出发点，选择的投资者情绪代理变量及其衡量方式不尽相同，得出的结论有时是截然相反的。

国外的研究起步较早，对于金融市场发展中的异象建立了一系列的理论模型进行解释，国内证券市场起步较晚，发展还不够完善，国内相关研究大多借鉴国外的模型和理论，缺乏结合我国市场实际的研究。

目前的研究中最重要的还是投资者情绪的测量，以测量出的投资者情绪来分析投资者对股市的预测以及投资者情绪对股市价格的总体效应和横截面效应等问题。投资者情绪的衡量没有统一标准，在目前的方法中，直接的问卷方式很难保证对投资者情绪的反应的真实性和准确性，间接方式中各项指标是根据研究者经验选取的，存在和投资者情绪的关联也存在不够密切的问题，国内研究中使用的数据也比较单一，本文还是会采用多个情绪代理变量合成的情绪指标通过主成分分析法，争取能获得能更好的反映投资者情绪的数据。

第三章 研究设计

3.1 情绪源指标的选取

根据对相关文献的研究，可以发现单一的代理变量在描述情绪时较片面，而利用主成分分析法构造情绪综合指标的方法对情绪的描述更为全面客观，目前主成分分析法是研究投资者情绪的一种重要方法，本文也将采用主成分分析法构建反映投资者情绪的综合指标。

在进行情绪代理变量的选取时，首先要了解代理变量的含义以及该变量与投资者情绪之间的相关性，此外，结合我国股市特征以及反应投资者情绪的不同方面，本文选择投资者信心指数、沪深市场IPO数量、增发量、新增开户数以及上证指数、深证成指、创业板指各自的市盈率、换手率、交易量这七个代理变量进行投资者情绪的主成分分析，研究对象是样本区间为2007年-2018年上证指数、深圳成指和创业板指数。试图发现投资者情绪对这三大指数的影响及其区别。

（1）消费者信心指数（CCI）

消费者信心指数这个指标可以反映消费者信心的强弱程度。它通过调查消费者对经济发展水平、就业情况、物价以及消费意愿等方面的态度，获取人们的未来预期。它量化了人们对于目前市场整体情况的了解与对未来市场的预期。它能预测经济走势和消费趋向，我们可以以此为依据对经济周期变化进行监测。国内外研究发现消费者信心指数一定程度上反映着投资者情绪，所以本文把消费者信心指数作为代理变量之一。数据来自东方财富网。

（2）上月新增开户数（NIA）

新增开户数使用的是两市一级市场每月新增账户数量。我国资本市场处于不断发展中，新增开户数可以反映场外投资者参与证券交易的意愿。在投资者情绪高涨时期，会有新的投资者涌入，新增开户数可以体现投资者的情绪。此处为了方便统计，使用新增开户数的对数。数据来自国泰安金融数据库。 （3）交易量（VOL）

交易量是一段时间内的成交数量，它可以反映股票市场的供求关系，交易量越大，体现投资者对股市持有较乐观的态度，所以参与市场较积极，交易频繁。所以交易量大小与投资者情绪有一定的联系。我国证券市场处于发展阶段，随着相关法规的完善以及市场的不断发展，成交量会不断上升，本文选取月成交量与月流通市值之比作为代理变量之一。数据来自wind数据库。

（4）市盈率（PE）

市盈率是股价与每股收益的比，与股票的投资价值负相关。在很多研究中都使用了市盈率这个变量，市盈率能反映股市的热度和泡沫，而投资者情绪过于高涨是产生泡沫的原因，所以这两者之间存在着一定关系。本文选用市盈率作为代理变量之一，数据来自wind数据库。

（5）换手率(TURN)

换手率体现了股票在投资者间转手买卖的频率，反应股票的流通性。换手率高，说明股票交易越频繁，流动性越高。一般认为股票流通越频繁，投资者情绪越高涨。本文换手率为指数的月换手率，数据来自wind数据库。

（6）增发量(ZF)

增发量是每月沪深一级市场中股票增发家数，增发是企业常见的融资方式，它也一定程度上反映了投资者情绪。数据来自wind数据库。

（7）IPO数量(IPO)

IPO数量是每月沪深一级市场中首次公开发行股票的家数，可以反映投资者情绪。数据来自wind数据库。

3.2方法介绍和步骤设计

在进行实证研究时，为了避免遗漏信息，我们会选择尽可能多的指标来表现一个研究对象的各个方面，但是随着指标的增加，也给研究带来了难度，多个变量间可能存在共线性。对此，Hotelling在1933年提出的主成分分析法可以有效的避免这些问题，它通过原始变量的少数线性组合来解释原始变量的大部分信息。如果变量间的共同成分占比较大，提取少量主成分就能实现包含原始变量中大部分信息，这样就达到了降维和提取信息的目的。大量研究表明，主成分分析法构造的指标可以很好的解决研究问题。

主成分分析法，在一般情况下假设有n个变量X1...Xn，它们包含m个共同因子f1...fm，即：

X1a11f1a12f2...a1nfm1......Xnan1f1an2f2...anmfmn(3-1)

(3-2) 本文进行主成分分析法的步骤如下：

首先，对各个源变量进行描述性统计和相关性分析；

然后，使用spss软件进行因子分析处理相关数据，选取主成分个数，开始构造投资者情绪综合指标；

最后，以每个主成分因子的方差百分比占总百分比的比重作为权重，计算出每个源变量在情绪综合指标中的权重，得到情绪综合指标表达式。

在主成分分析构造完投资者情绪综合指标以后，通过使用eviews软件建立投资者情绪与股市价格的VAR模型，进行脉冲分析和方差分解分析，进一步分析两者的关系。

第四章 实证分析

4.1上证指数的投资者情绪综合指标的构建

本文将选用上文中提到的消费者信心指数、市盈率、交易量、增发量、换手率、新增开户数以及IPO数量七个源变量，使用spss软件进行主成分分析，构造出上证指数的投资者情绪综合指标。

4.1.1描述统计和相关性分析

本文的七个变量中既有客观指标也有主观指标，既有单个市场的指标也有沪深一级市场的指标。首先，对原始的七个变量进行描述统计，如表4-1。

表4-1 源变量描述统计分析

变量

CCI

PE

VOL

ZF

TURN

NIA

IPO

个案数

144

144

144

144

144

144

144

最小值

97.00

8.98

0.05562

1.00

0.0706

12.53

0.00

最大值

124.00

51.47

0.15433

170.00

1.0009

16.00

54.00

平均值

107.2580

18.4121

0.09717

27.9028

0.257960

13.9138

15.3056

标准差

6.50562

10.16176

0.020004

25.07313

0.1915223

0.74520

13.18575

从表4-1的描述统计分析中可以发现换手率最小值7.06%，最大值达到100%，均值也较高是25.79%，说明市场存在较大的波动。上月新增开户数的对数最小值是12.53，最大值是16，两者差距很大，而且最多开户数的月份在2007年，2007年和2015年的新增开户数都处于较高阶段，这和当时证券市场存在严重泡沫的情况相吻合，在这期间市盈率也处于较高阶段，体现了投资者的投机心理，一定程度上反应了投资者情绪。

表4-2 源变量相关性矩阵 CCI

VOL

PE

TURN

ZF

NIA

IPO

CCI

1

-0.332**

0.052

0.025

0.147

VOL

1

PE

1

TURN

1

-0.053

0.599**

-0.119

ZF

1

0.150

0.237**

NIA

1

0.269**

IPO

1

0.239** -0.490**

-0.237** 0.705**

-0.230** -0.249**

-0.457** 0.001

0.353** -0.694** 0.713**

注：**表示在0.01相关性显著

从表4.2可以看出各个情绪变量间都存在一定的相关性，存在正相关性的，也有负相关性的，其中正相关性的较多，说明各个变量间的关系较复杂。其中可以看到市盈率和上月新增开户数有较高的相关性，市盈率一般用来比较不同股票的估价高低与否，能反映市场泡沫，当市盈率过高说明市场存在泡沫，更多投资者涌入市场，因此新增开户数也提高了，两者存在正相关关系，符合市场实际情况。

4.1.2.主成分分析法构建投资者情绪综合指标

接下来，利用选出的投资者情绪代理变量的标准化数据，使用spss软件通过主成分分析法提取主因子，构造投资者情绪综合指标。投资者情绪可以被这样构造出来的指标更全面、更准确地反映。由表2可以发现，所有变量间存在一定相关性，但各个变量在情绪变化时存在正向或反向的变动。

首先，进行KMO和Bartlett检验，结果如下表：

表4-3 KMO和Bartllet检验

KMO取样适切性量数

Bartlett球形度检验

近似卡方

自由度

显著性

0.659

444.627

21

0.000

数据KMO值为0.659，大于0.5，Bartlett球形度检验卡方值444.627，p值小于0.01达到显著性水平。KMO值大于0.5就可以进行主成分分析，说明投资者信心指数，交易量、市盈率、增发量、新增开户数、换手率以及IPO数量这七个指标可以进行主成分分析。对这些可以体现投资者情绪的变量进行主成分分析，得到下表初始特征值方差百分比。

表4-4 初始特征值矩阵

成分

合计

1 2.939

初始特征值

方差的%

41.983

累计%

41.983

提取平方和载入

合计

2.939

方差的%

41.983

累计%

41.983 2

3

4

5

6

7

1.606

0.937

0.763

0.407

0.183

0.165

22.939

13.382

10.900

5.816

2.621

2.359

64.922

78.305

89.204

95.020

97.641

100.00

1.606

0.937

0.763

22.939

13.382

10.900

64.922

78.305

89.204

前两个主成分的特征值大于1，但是它们的累计贡献率只有64.922%，因此本文选取前四个成分，它们的特征值均大于0.7，这样选取的主成分使累计贡献率达到89%，能包含绝大部分信息，从而较全面地反映投资者情绪的变化情况。结合碎石图可以看到，横纵坐标分别表示组件号和特征值，观察其中线段的坡度，坡度越陡说明该因子的影响效果更大。

图1 主成分分析：碎石图

图中可以看见前四段线的坡度较陡，说明前四个因子的影响比较大，这和总方差表中结论相符合。结合碎石图也验证了这四个主成分构成的投资者情绪指标可以很好的解释七个源变量的变动情况。

因子负荷矩阵如下表所示：

表4-5 成分矩阵

CCI

1

0.450

2

0.213

3

-0.703

4

0.483 PE

VOL

ZF

TURN

NIA

IPO

0.831

-0.787

0.084

0.676

0.929

0.318

-0.438

-0.387

0.667

-0.512

0.028

0.716

-0.026

0.018

0.553

0.349

0.098

-0.068

-0.107

0.133

0.475

0.093

0.040

-0.515

旋转成分矩阵以后得到如下结果，见表4-6。

表4-6 旋转后的成分矩阵

CCI

PE

VOL

ZF

TURN

NIA

IPO

1

0.103

0.889

-0.495

-0.047

0.901

0.809

-0.074

2

0.092

0.100

-0.658

0.144

-0.168

0.353

0.933

3

0.977

0.150

-0.279

0.010

-0.085

0.263

0.016

4

0.002

-0.267

-0.180

0.980

0.021

0.158

0.086

从以上两张表中可以发现，旋转后的矩阵两端较集中，更好的解释了主因子，我们可以看到第一个因子与换手率关系密切，第二个因子主要是IPO数量的影响，第三个因子是消费者信心指数影响更大，第四个因子与增发量有密切关系。这体现了四个主成分对投资者情绪的不同影响。

根据确定的主成分进行构建投资者情绪综合指标，首先，根据初始矩阵得出成分得分系数矩阵，它体现了各个源指标在主成分中的权重，就可以得到四个主成分的表达式；然后，把各个主成分方差贡献率占总的方差贡献率之比作为各个主成分的在综合指标中的权重；最后，算出各个源指标在综合指标中的权重，得到投资者情绪综合指标。

根据提取的四个主成分，需要计算出各个因子的系数，得分系数矩阵如下表：

表4-7 成分得分系数矩阵

CCI

PE

VOL

ZF

TURN

NIA

1

-0.125

0.348

-0.113

0.029

0.445

0.294

2

-0.167

0.016

-0.378

-0.142

-0.234

0.095

3

0.980

-0.016

-0.056

-0.005

-0.196

0.059

4

-0.005

-0.231

-0.041

0.943

0.130

0.123 IPO -0.141 0.764 -0.192 -0.173

令四个主成分分别是F1、F2、F3、F4，构造的主成分分别是：

F1=-0.125CCI+0.348PE-0.113VOL+0.029ADD+0.445TURNOVER+0.294NIA-0.141IPO

(4-1)

F2=-0.167CCI+0.016PE-0.378VOL-0.142ADD-0.234TURNOVER+0.095NIA+0.764IPO

(4-2)

F3=0.980CCI-0.016PE-0.056VOL-0.05ADD-0.196TURNOVER+0.059NIA-0.192IPO (4-3)

F4=-0.005CCI-0.231PE-0.041VOL+0.943ADD+0.130TURNOVER+0.123NIA-0.173IPO (4-4)

然后把各个主成分方差贡献率占总的方差贡献率之比作为各个主成分在综合指标中的权重构建投资者情绪主成分综合模型：

1234FF1F2F3F4(4-5)

1234123412341234

投资者情绪综合指标:

SENT=(0.41983F1+0.22939F2+0.13382F3+0.109F4)/(0.41983+0.22939+0.13382+0.109)

(4-6)

通过计算可以得到SENT=0.4706F1+0.25715F2+0.15F3+0.1221F4 (4-7)

4.1.3投资者情绪指数与股票市场走势：

构造完投资者情绪指数以后，将投资者情绪指数进行了标准化处理以后作图，得到的走势如图所示，同时将上证指数走势图描绘出来，见图2

投资者情绪与上证指数走势图7,000.006,000.005,000.004,000.003,000.002,000.001,000.000.0021.510.50-0.5-1-1.52007/8/12008/10/12009/12/12012/4/12007/1/12008/3/12009/5/12010/7/12011/2/12011/9/12012/11/12013/6/12014/1/12014/8/12015/3/12015/10/12016/5/12016/12/12017/7/12018/2/1收盘点位投资者情绪指数图2 投资者情绪与上证指数走势图

上图中构造的投资者情绪与上证指数收盘价有十分相近的变化趋势，股市价格在20072018/9/1年至2008年期间经历了暴涨暴跌，以及2015年也达到了一个峰值，与此类似，投资者情绪指数在2007至2008年有剧烈的增长和下降，2015年也呈现出一个明显的高峰，与股市走势相呼应。股市上升时，投资者情绪高涨，股市下跌时，投资者情绪低落。这可以证明构造的投资者情绪能很好的反应实际情况，可以用于研究。

4.1.4 建立VAR模型

下面将用Eviews软件，通过建立VAR模型，分析投资者情绪指标SENT对股票价格R的影响。

首先，对数据进行平稳性分析，只有平稳的数据才能进行VAR模型的构建；然后，确定滞后阶数；再利用Granger模型分析两变量间是否存在因果关系。模型建立以后，利用脉冲响应分析和方差分解分析，

4.1.4.1 平稳性检验

检验结果显示了ADF检验统计量及其概率值和检验的临界值，结果如表所示：

表4-8 投资者情绪SENT的ADF平稳性检验

ADF检验值

标准值

1%水平

5%水平

10%水平

T统计量

-2.189

-4.024

-3.442

-3.145

P值

0.492

表4-9 指数收盘价R的ADF平稳性检验

ADF检验值

标准值

从上表可知，ADF值-2.189、-2.227分别大于三个水平下的临界值，数据并不平稳。在取一阶差分以后，结果如下表，检验值-9.959、-11.168小于三个水平的临界值，所以获得平稳的数据。所以接下来的步骤都在一阶差分数据的基础上进行。

表4-10 SENT一阶差分ADF平稳性检验

ADF检验值

T统计量

-9.959

P值

0.000

1%水平

5%水平

10%水平

T统计量

-2.227

-4.024

-3.442

-3.145

P值

0.471

标准值

1%水平

5%水平

10%水平

-4.024

-3.442

-3.145

表4-11 R一阶差分ADF平稳性检验

ADF检验值

标准值

1%水平

5%水平

10%水平

T统计量

-11.168

-4.024

-3.442

-3.145

P值

0.000

首先考虑滞后阶数，滞后阶数足够大能使结果更精确，但会影响到自由度，通过Eviews软件确定最合适的滞后阶数，数据如下表：

表4-12 确定滞后阶数

Lag

0

1

2

3

4

5

LogL

-929.120

-911.957

-895.99

-892.647

-884.977

-882.563

LR

NA

33.581

30.773

6.350

14.340*

4.443

FPE

2486.777

2054.897

1727.838

1744.521

1654.477*

1693.462

AIC

13.495

13.304

13.130

13.140

13.087*

13.110

SC

13.537

13.431

13.342*

13.437

13.468

13.576

HQ

13.512

13.355

13.216*

13.261

13.242

13.230

由上表可以看出，AIC准则与SC准则选择结果是不同的，但三个准则标*的数值所对应的阶数都是4阶的，所以本文建立滞后四阶的VAR模型。使用软件EViews10.0输出相应结果如下。

表4-13 VAR模型估计结果

DR(-1)

DR

0.023615

(0.09146)

[0.25820]

DR(-2) 0.276731

(0.10445)

[2.64932]

DR(-3) -0.165387

(0.11093)

DSENT

0.000364

(5.7E-05)

[6.34450]

0.000286

(6.5E-05)

[4.36775]

-3.11E-05

(7.0E-05)

DSENT(-3)

DSENT(-2)

DSENT(-1)

DR

-97.76213

(149.471)

[-0.65406]

-90.022

(150.338)

[-0.59880]

368.9147

(151.060)

DSENT

-0.249806

(0.09365)

[-2.66744]

-0.343010

(0.09419)

[-3.64154]

0.149524

(0.09465) [-1.49093]

DR(-4) -0.133016

(0.10695)

[-1.24374]

C -8.200736

(21.9498)

[-0.37361]

[-0.44730]

-0.000128

(6.7E-05)

[-1.91418]

-0.012556

(0.01375)

[-0.91300]

DSENT(-4)

[2.44218]

423.5271

(133.952)

[3.16179]

[1.57983]

0.081756

(0.08393)

[0.97414]

从上表中，可以发现，构造的VAR模型中，对于价格一阶差分数据，投资者情绪一阶滞后和二阶滞后产生的是负向影响，三阶滞后和四阶滞后产生的是正向影响，且四阶滞后的系数较大达到了423.5。

SENT和R的一阶差分数据DSENT和DR是平稳的，所以对DSENT和DR进行格兰杰因果关系检验，结果如下表显示：

表4-14 格兰杰因果关系检验

原假设

DSENT不是DR格兰杰因果

DR不是DSENT格兰杰因果

样本数 F统计量

141

3.321249

29.5577

P值

0.0394

2.E-11

原假设是情绪序列与价格序列无关，他们的F统计值分别是3.312和29.5577，对应的概率值都是小于5%，所以拒绝原假设，可见情绪变动是股票价格变动的格兰杰原因，股票价格变动是情绪变动的格兰杰原因，两者存在长期相互影响的关系。

建立VAR模型后，使用AR根图判断该模型的稳定性。AR根图如下，可以看到所有的点都在单位圆内，所以符合稳定性条件，接下来可以进行脉冲响应分析和方差分解分析。

图3 AR根图

脉冲响应函数用于衡量来自某内生变量的随机扰动项的一个标准差冲击（即“脉冲”）对VAR模型中所有内生变量当前值和未来取值的影响。

Response of DR to DSENT Innovationusing Cholesky (d.f. adjusted) Factors12080400-40-8图4 脉冲响应分析

上图反映了投资者情绪变动对证券市场价格产生的十期的影响，证券市场价格受投资者情绪一个正向冲击以后，在前三期收到了负向的影响，这样的负向影响在逐渐消退到第四期曲线成为正向影响，该影响呈上升趋势并在第四期达到峰值，之后第五期影响减弱，在六到七期中波动变成负向影响，第八期之后恢复为正向且逐渐平稳，可见投资者情绪对证券市场价格影响时间较长、情况较复杂。从长期来看，投资者情绪对市场价格存在正向影响。

下表展示对股市价格的方差分解，Period列是方差分解的时期数，SE列是股指价格的标准差，后两列分别表示指数收盘价中由自身及投资者情绪引起的相应百分比，每一行百分比之和为100%。

Period

1

2

3

4

5

6

7

8

9

10

表4-15 股指收盘价方差分解分析

S.E. DR

257.2876 84.87519

257.6970 84.65295

264.3229 85.16174

272.1825 83.52586

279.0202 79.67633

281.3903 79.98534

281.8654 80.04340

282.0690 80.06264

282.4118 80.01277

282.5856 79.93035

DSENT

15.12481

15.34705

14.83826

16.47414

20.32367

20.01466

19.95660

19.93736

19.98723

20.06965

从上表中可以发现价格的方差中由投资者引起的百分比从第一期的15.12%逐步上升，在第五期达到最高20.32%之后略有下降。长期来看，方差分解趋于20%，说明投资者情绪冲击对上证指数价格变动的贡献在20%左右。

4.2投资者情绪对深证成指价格的影响

4.2.1描述统计与相关性分析

首先，对原始的七个变量进行描述统计，如表4-16。

表4-16 源变量描述性分析

个案数 最小值 最大值 平均值

PE 144 10.86 62.34 25.5914

CCI 144 97.00 124.00 107.2580

VOL 144 0.05 0.18 0.0817

IPO 144 0.00 54.00 15.3056

ZF 144 1.00 170.00 27.9028

NIA 144 12.53 16.00 13.9138

TURN 144 0.1793 1.0028 0.436989

标准差

11.17484

6.50562

0.02227

13.18575

25.07313

0.74520

0.18901

该指数的换手率最小值是17.9%，最大值是100.28%，这说明市场不同时期的活跃程度有很大区别，市盈率最小值10.86，，最大值62.34，市盈率过低说明股票价值被低估，过高显示市场存在泡沫，这体现了这十多年来，深证市场价格存在较大的波动。

表4-17 源变量相关性矩阵

CCI

VOL

PE

TURN

ZF

NIA

IPO

CCI

1

-0.035

0.157

-0.132

0.025

0.353**

0.147

VOL

1

-0.491**

-0.192*

-0.418**

-0.421**

-0.512**

PE

1

0.447**

0.128

0.681**

0.269**

TURN

1

0.168*

0.478**

-0.022

ZF

1

0.15

0.237**

NIA

1

0.269**

IPO

1

注：（1）**表示在0.01相关性显著

（2）*表示在0.05相关性显著

表4-17体现了，各个变量间都存在一定相关性，与上证指数结果类似，这也是做主成分分析的必要条件，其中既有正相关性，又有负相关性存在，正相关较多，交易量与其他变量都是负相关，市盈率与新增开户数相关性较高。

4.2.2 主成分分析

然后对七个变量进行KMO和巴特利特检验，结果如表4-18所示，KMO检验数值为0.643大于0.5，显著性为0.00小于0.01是显著的结果，可以进行因子分析。

表4-18 KMO和Bartlett检验

KMO取样适切性量数

Bartlett球形度检验

近似卡方

自由度

显著性

0.643

294.492

21

0.000

下面开始对七个源变量进行主成分分析，下表显示了提取因子后各个变量得以保留的部分，高于0.5就认为这个变量成分的提取是成功的。此次各个变量保留部分较高，都高于0.7。

PE

CCI

VOL

IPO

ZF

NIA

TURN

表4-19 公因子方差

初始

1.00

1.00

1.00

1.00

1.00

1.00

1.00

提取

0.782

0.954

0.775

0.811

0.971

0.839

0.822

进行降维过程，得到下表初始特征值方差百分比。在下表中可以看到取特征值大于1的时候因子的累积百分比只有73.922%，所以为了保证一个合适的解释百分比，此处选取的成分是特征值大于0.7的四个成分来构造投资者情绪综合指标，这样累积百分比达到了85.058%。

表4-20 初始特征值矩阵

成分

合计

1

2

3

4

5

6

7

初始特征值

方差的%

39.211

18.034

16.677

11.136

6.719

4.505

3.719

累计%

39.211

57.244

73.922

85.058

91.777

96.281

100.00

提取平方和载入

合计

2.745

1.262

1.167

0.780

方差的%

39.211

18.034

16.677

11.136

累计%

39.211

57.244

73.922

85.058

2.745

1.262

1.167

0.780

0.470

0.315

0.260

进一步通过作出这些成分的碎石图来验证，结果如下图所示： 图5 主成分分析：碎石图

碎石图中坡度越陡，该因子的影响效果越大，前四个因子的坡度都比较陡，选取这四个因子来解释七个源变量的变动情况效果更好，与方差百分比表所反映的相同。

得分系数矩阵如下表所示：

表4-21 成分得分系数矩阵

PE

CCI

VOL

IPO

ZF

NIA

TURN

1

0.374

-0.041

-0.028

-0.162

-0.092

0.371

0.490

2

0.140

-0.132

-0.444

0.673

-0.122

-0.012

-0.294

令四个主成分分别是F1、F2、F3、F4，构造的主成分分别是：

F1=-0.041CCI+0.374PE-0.028VOL-0.092ZF+0.49TURN+0.371NIA-0.162IPO （4-8）

3

-0.006

0.865

0.148

-0.039

0.076

0.248

-0.239

4

-0.210

0.092

-0.120

-0.172

0.967

-0.073

0.142

F2=-0.132CCI+0.14PE-0.444VOL-0.122ZF-0.294TURN-0.012NIA+0.673IPO （4-9）

F3=0.865CCI-0.006PE+0.148VOL+0.076ZF-0.239TURN+0.248NIA-0.039IPO （4-10）

F4=0.092CCI-0.210PE-0.120VOL+0.967ZF+0.142TURN-0.073NIA-0.172IPO （4-11）

然后把各个主成分方差贡献率占总的方差贡献率之比作为各个主成分在综合指标中的权重构建投资者情绪综合指标： F1234

F1F2F3F41234123412341234 （4-12）投资者情绪综合指标:

SENT=(0.39211F1+0.18034F2+0.16677F3+0.11136F4)/(0.39211+0.18034+0.16677+0.11136) （4-13）

得到SENT=0.461F1+0.212F2+0.196F3+0.131F4 （4-14）

4.2.3投资者情绪指数与股票市场走势：

同样的，在构造完深证市场的投资者情绪以后，作图比较投资者情绪综合指标与深证成指的走势。

图6 投资者情绪与深证成指走势图

图4.25为2007年1月至2018年12月投资者情绪综合指标和深证成指月收盘价走势图，利用主成分分析法构造的投资者情绪指标SENT越大，情绪越高涨；样本区间内SENT数据有较大的波动，最高出现于2015年5月的1.36，在2012年十一月是最低值-0.9986。

由上图可以发现构造的投资者情绪指标与深证成指走势有相似的趋势，投资者情绪在2007年、2009年和2015年处于较高水平，相近的时间点深证成指的价格也到达了峰值。因此，构造的投资者情绪综合指标能有效地反应深证市场上的投资者情绪。

4.2.4构造VAR模型

首先是平稳性检验，只有平稳的数据才能进行下一步研究。用Eviews软件检验两个时间序列：投资者情绪指标(SENT)和上证指数收盘价(R)的平稳性，结果如下：发现数据并不平稳，在取一阶差分以后，数据都是平稳的。所以接下来的 步骤都在一阶差分数据的基础上进行

表4-22 情绪ADF检验结果

ADF检验值

T统计量

-2.525

P值

0.3158 标准值

ADF检验值

标准值

1%水平

5%水平

10%水平

1%水平

5%水平

10%水平

-4.024

-3.442

-3.145

表4-23 收盘价ADF检验

T统计量

-2.794

-4.024

-3.442

-3.145

P值

0.2020

从上表可知，ADF值-2.525、-2.794分别大于三个水平下的临界值，数据并不平稳。在取一阶差分以后，结果如下表，检验值-10.656、-11.045小于三个水平的临界值，所以获得平稳的数据。所以接下来的步骤都在一阶差分数据的基础上进行。

表4-24 投资者情绪指数一阶差分数据ADF检验

ADF检验值

标准值

ADF检验值

标准值

1%水平

5%水平

10%水平

1%水平

5%水平

10%水平

T统计量

-10.656

-4.024

-3.442

-3.145

T统计量

-11.045

-4.024

-3.442

-3.145

P值

0.000

P值

0.000

表4-25 收盘价一阶差分数据ADF检验

本文要建立VAR模型来进一步探究投资者情绪对股票价格的影响，首先要根据信息准则确定滞后阶数，结果如下：

表4-26

滞后阶数的确定

Lag

0

1

2

3

4

LogL

-1102.185

-1088.016

-1070.861

-1065.239

-1061.924

LR

NA

27.7235

33.066

10.6747*

6.19675

FPE

30544.33

26358.85

21784.69

21280.75*

21497.43

AIC

16.0026

15.8553

15.6646

15.6411*

15.6511

SC

16.0451

15.9826

15.8768*

15.9381

16.0329

HQ

16.0199

15.907

15.751*

15.762

15.806 5

-1060.853 1.97149 22436.48 15.6935 16.1602 15.883

由于多数准则选择了滞后三阶，所以本文用滞后三阶来建立二元VAR模型，结果如下：

表4-27 VAR模型估计结果

DR1(-1)

DR1

0.093392

（0.09681）

[0.96466]

DSENT1

7.71E-05

(1.6E-05)

[4.72554]

6.30E-05

(1.8E-05)

[3.59051]

-2.09E-05

(1.8E-05)

[-1.15523]

-0.008204

(0.01385)

[-0.59252]

DSENT1(-1)

DR1

-259.5776

(573.343)

[-0.45274]

DSENT1

-0.026124

(0.09656)

[-0.27054]

-0.451399

(0.09102)

[-4.95925]

0.184766

(0.08957)

[2.06283]

DR1(-2) 0.323324

(0.10413)

[3.10507]

DSENT1(-2) -1504.699

(540.449)

[-2.78417]

DR1(-3) -0.030144

(0.10717)

[-0.28126]

DSENT1(-3) 1492.782

(531.827)

[2.80689]

C -25.32122

(82.2153)

[-0.30799]

从得到的VAR模型中可发现，情绪指数一阶滞后和二阶滞后对价格的影响是负向的，但三阶滞后是一个较大的正向影响，系数达到1492.782。

对两个平稳数列进行格兰杰因果检验，结果如下表显示：

表4-28 格兰杰因果关系检验

原假设

DSENT1不是DR1格兰杰因果

DR1不是DSENT1格兰杰因果

样本数 F统计量

141

3.96695

16.3923

P值

0.0212

4.E-07

原假设是情绪序列与价格序列无关，他们的F统计值分别是3.967和16.392，对应的概率值都小于5%，所以拒绝原假设，可见对于深证成指，情绪变动是股票价格变动的格兰杰原因，股票价格变动是情绪变动的格兰杰原因，两者存在长期相互影响的关系。

建立VAR模型后，通过AR根图可以判断该模型是否稳定，只有所有根都位于单位圆内，模型稳定，得到的结果是有效的。AR根图如下： Inverse Roots of AR Characteristic Polynomial1.51.00.50.0-0.5-1.0-1.5-1.5-1.0-0.50.00.51.01.5

图7 AR根图

上图中可以看到所有的点都在单位圆内，所以符合稳定性条件，接下来可以进行脉冲响应分析和方差分解分析。

然后进行脉冲，脉冲结果如下图显示。

Response of DR1 to DSENT1 Innovationusing Cholesky (d.f. adjusted) Factors4-100-200-300-40

图8 脉冲响应分析

从图中看到情绪的一个正向脉冲的影响下，价格在第一期马上做出反应，前三期对股价的影响是负向的且逐渐加大，在第三期的负反应达到最大，从第三期开始逐渐削弱，在第四期成为正向影响。第四期影响到达峰值并开始减弱，在第六期第七期存在波动又变成负向影响。之后渐趋向0。与上证指数相比较，投资者情绪对深证成指的影响波动幅度较大，但趋势大致相似，发生影响的区间都在十期左右。

进行方差分解分析：

Period

1

2

3

4

5

6

7

8

9

10

表4-29 方差分解分析

S.E. DR1

971.7025 75.88725

974.9125 76.04545

1015.023 76.92641

1035.329 74.66763

1044.190 74.17123

1048.457 74.38059

1048.898 74.32655

1049.323 74.27262

1049.886 74.19827

1050.166 74.21070

DSENT1

24.11275

23.95455

23.07359

25.33237

25.82877

25.61941

25.67345

25.72738

25.80173

25.78930

从表中可以发现，对于价格的变化，在第一期有24.11%是由情绪引起的，之后比例先下降到23附近又上升，再低五期达到25.8，之后都稳定在25左右，说明从长期来看，价格的变动有25%是由投资者情绪的变化引起的。

4.3投资者情绪对创业板指的影响

4.3.1描述统计与相关性分析

创业板指开始时间较晚，本文选取2010年8月至2018年12月的数据，首先进行描述性统计分析和相关性分析，结果如下表：

表4-30

源变量描述统计分析

变量

CCI

PE

VOL

ZF

TURN

NIA

IPO

个案数

103

103

103

103

101

103

103

最小值

97.00

27.92

0.0234

5

0.2998

12.53

0.00

最大值

124.00

123.14

0.1009

170

1.5592

15.42

54.00

平均值

107.1318

51.1068

0.05218

35

0.676862

13.7251

17.04

标准差

7.15583

15.88072

0.016288

26.377

0.2471642

0.65619

13.820

创业板指的换手率最小值29.98%，最大值达到了155.92%，说明市场存在大幅波动。市盈率也有大幅波动，最小值27.92，最大值123.14。

然后进行七个变量的相关性分析，结果见表4-31，可以发现大多数变量之间存在相关性且结果显著，其中大多数是正相关的。这有助于进行主成分分析法构造综合指标。

表4-31 源变量相关性矩阵 CCI

VOL

PE

TURN

ZF

NIA

IPO

CCI

1

0.382**

VOL

1

PE

1

TURN

1

0.093

0.073

0.032

ZF

1

0.467**

0.174

NIA

1

0.514**

IPO

1

-0.280** -0.720**

0.039

0.166

-0.476** -0.518** 0.601**

-0.290** 0.325**

-0.456** 0.177

0.319** -0.427** 0.434**

4.3.2主成分分析法

在进行主成分分析前，先进行KMO和巴特利特检验，发现KMO检验系数为0.663大于0.5，显著性值小于0.05，说明各个变量并不是各自独立的，可以进行因子分析。

表4-32 KMO 和Bartlett检验

KMO取样适切性量数

Bartlett球形度检验

然后进行因子分析，得到各个初始特征值方差百分比，一般会把特征值大于1的成分筛选出来作为主成分，在这里方差百分比只有67.796%，为了把方差百分比维持在85%-95%之间，本文选取了特征值>0.5的四个成分作为主成分，这样累积百分比达到了88.422%。

表4-33 初始特征值矩阵

成分

合计

1

2

3

4

5

6

7

0.663

近似卡方

自由度

显著性

298.981

21

0.000

初始特征值

方差的%

41.760

26.036

12.072

8.544

5.453

3.639

2.486

累计%

41.760

67.796

79.868

88.422

93.875

97.514

100.00

合计

2.923

1.823

0.845

0.599

2.923

1.823

0.845

0.599

0.382

0.255

0.174

提取平方和载入

方差的%

41.760

26.036

12.072

8.544

累计%

41.760

67.796

79.868

88.422

碎石图可以更直观地展示每个成分的编号及其特征值，碎石图越陡说明该成分对变量的影响效果越大，这也证实了刚才选取的自个成分坡度较陡，比较合适作为主成分。 图9 主成分分析：碎石图

进行主成分分析，通过spss软件可以获得成分得分系数矩阵，结果如下表：

表4-34 成分得分系数矩阵

PE

VOL

TURN

CCI

IPO

ZF

NIA

令四个主成分分别是F1、F2、F3、F4，构造的主成分分别是：

F1=0.508PE-0.145VOL+0.532TURN+0.092CCI-0.214IPO-0.213ZF+0.189NIA （4-15）

F2=-0.180PE-0.345VOL-0.182TURN-0.126CCI+0.831IPO-0.146ZF+0.108NIA （4-16）

F3=-0.005PE-0.034VOL-0.247TURN-0.155CCI-0.165IPO+0.966ZF+0.114NIA （4-17）

F4=0.252PE+0.236VOL+0.101TURN+0.804CCI-0.150IPO-0.204ZF+0.471NIA （4-18）

然后把各个主成分方差贡献率占总的方差贡献率之比作为各个主成分在综合指标中的权重构建投资者情绪综合指标：

F1

0.508

-0.145

0.532

0.092

-0.214

-0.213

0.189

2

-0.180

-0.345

-0.182

-0.126

0.831

-0.146

0.108

3

-0.005

-0.034

-0.247

-0.155

-0.165

0.966

0.114

4

0.252

0.236

0.101

0.804

-0.150

-0.204

0.471

1234

F1F2F3F41234123412341234

（4-19）投资者情绪综合指标:

SENT=(0.4176F1+0.26036F2+0.12072F3+0.08554F4)/(0.4176+0.26036+0.12072+0.08554) （4-20）

SENT=0.4723F1+0.2945F2+0.1365F3+0.0967F4 （4-21）

4.3.3 投资者情绪与创业板指走势图

为了更直观了解两个变量的发展趋势，作出投资者情绪与创业板指的走势图进行比较，结果如下图，可以发现，构造的投资者情绪综合指标与指数的走势图有很高的一致性，都在2015年五六月份到达峰值，在2012年下半年和2014年处于较低位置。

图10

投资者情绪与创业板指走势图

4.3.4建立VAR模型

只有平稳的序列才能进行VAR模型的构建，使用eviews软件对投资者情绪综合指标SENT2和股价R2这两个时间序列进行平稳性分析，结果表4-35、表4-36所示：

表4-35投资者情绪ADF检验结果

ADF检验值

标准值

1%水平

5%水平

10%水平

T统计量

-2.621

-4.052

-3.455

-3.153

P值

0.2721

表4-36 收盘价ADF检验结果

ADF检验值

标准值

1%水平

5%水平

T统计量

-1.522

-4.052

-3.455

P值

0.8156

10%水平 -3.153

从上表可知，ADF值-2.621、-1.522分别大于三个水平下的临界值，数据并不平稳。在取一阶差分以后，结果如下表，检验值-8.781、-7.682小于三个水平的临界值，所以获得平稳的数据。所以接下来的步骤都在一阶差分数据的基础上进行。

表4-37 投资者情绪指数一阶差分的ADF检验

ADF检验值

标准值

ADF检验值

标准值

1%水平

5%水平

10%水平

1%水平

5%水平

10%水平

T统计量

-8.781

-4.054

-3.456

-3.154

T统计量

-7.682

-4.055

-3.457

-3.154

P值

0.0000

P值

0.0000

表4-38 收盘价一阶差分的ADF检验

要建立关于投资者情绪指标和创业板指的VAR模型，首先使用Eviews软件确定滞后阶数，得到以下结果：

表4-39 滞后阶数的确定

Lag

0

1

2

3

4

5

6

LogL

-699.914

-592.000

-590.947

-578.518

-575.734

-573.595

-570.699

LR

NA

208.941

1.994

23.007*

5.035

3.778

4.989

FPE

10494.38

1150.203

1224.824

1024.090*

1051.585

1095.126

1122.768

AIC

14.934

12.723

12.786

12.607*

12.633

12.672

12.696

SC

14.988

12.886*

13.057

12.986

13.119

13.267

13.399

HQ

14.956

12.789

12.895

12.759*

12.829

12.912

12.979

根据多数信息准则的选择，四个信息准则选择了滞后三阶，从多数角度考虑，本文选择建立滞后三阶的VAR模型。

对DSENT2、DR2进行格兰杰因果关系检验，结果如下表所示：

表4-40 格兰杰因果关系检验

原假设

DSENT2不是DR2格兰杰因果

DR2不是DSENT2格兰杰因果

样本数 F统计量

98

0.59266

7.92858

P值

0.5549

0.0007 价格一阶差分序列是情绪一阶差分序列的格兰杰因果关系，而情绪序列的概率值大于0.05，说明情绪不是价格的格兰杰因果关系，而价格是投资者情绪的格兰杰原因，说明价格的过去值对投资者情绪有影响。

通过Eviews软件建立滞后三阶的DSENT2与DR2的VAR模型，结果如下表所示：

表4-41 VAR模型估计结果

DR2(-1)

DR2

0.134623

(0.13944)

[0.96545]

DSENT2

0.000558

(0.00018)

[3.04511]

0.000316

(0.00019)

[1.65844]

-0.0003

(0.00019)

[-1.55188]

-0.028697

(0.02475)

[-1.15935]

DSENT2(-1)

DR2

34.25959

(108.898)

[0.31460]

DSENT2

-0.108933

(0.14302)

[-0.76167]

-0.392918

(0.13194)

[-2.97808]

0.117154

(0.13570)

[0.86334]

DR2(-2) -0.44565

(0.14493)

[-0.30750

DSENT2(-2) -8.910984

(100.461)

[-0.08870]

DR2(-3) -0.351954

(0.14725)

[-2.39023]

DSENT2(-3) 53.66572

(103.325)

[0.51939]

C 3.349863

（18.8472）

[0.17774]

从上表可知，投资者情绪的一阶滞后产生的是正向影响，二阶滞后的系数是负的，而三阶滞后又会对价格产生一个较大的正向影响。投资者情绪的不同阶数滞后对价格产生的影响也是较复杂的。

该VAR模型的脉冲响应分析结果如下图所示：

Response of DR2 to DSENT2 Innovationusing Cholesky (d.f. adjusted) Factors5-10-20-30-4

图11 脉冲响应分析 脉冲响应分析直观地表现了当投资者情绪产生一个波动时，对股票价格产生的持续的影响。可以看到前两期价格产生正向波动，且影响逐渐减弱，在随后两期中，价格又发生了一个正向波动，又趋于平稳，之后有轻微的负向影响，在第八期就趋于平稳，与上证指数和深证成指相比，创业板指受到的投资者情绪带来的影响整体较小且持续时间较短。

Period

1

2

3

4

5

6

7

8

9

10

从上表中方差分解分析结果可知对于创业板指价格的变动，由投资者情绪引起的部分稳定在46%左右，是一个很大的比重。

表4-42方差分解分析

S.E. DR2

179.2138 53.03964

181.7452 52.50710

181.7692 52.49604

190.5582 53.59787

191.1951 53.58000

191.2188 53.58660

192.0608 53.66636

192.1918 53.64473

192.1923 53.64468

192.2794 53.64809

DSENT2

46.96036

47.49290

47.50396

46.40213

46.42000

46.41340

46.33364

46.35527

46.35532

46.35191

第五章 实证结果分析与政策建议

5.1实证结果分析

本文通过梳理国内外学者关于投资者情绪对股价产生影响的相关文献，试图把握投资者情绪相关理论的发展情况。结合我国实际情况，选择投资者信心指数、沪深市场IPO数量、增发量、新增开户数以及上证指数、深证成指、创业板指各自的市盈率、换手率、交易量，通过spss软件使用主成分分析法构造投资者情绪综合指标，从而拟合投资者情绪，并且使用Eviews软件，建立投资者情绪综合指标和相应指数价格的向量自回归模型（VAR模型），进一步分析投资者情绪对股市价格产生的影响。此外，对构造的VAR模型进行脉冲响应分析和方差分解分析，分析产生的动态影响。

本文分析期间是2007年1月至2018年12月，其中创业板指开始较晚取2010年8月至2018年12月的月度数据，构造的情绪指数数量分别是144、144、103个。

主成分分析法能对数据进行降维和提纯，依据此法构造的投资者情绪能较好的反应投资者情绪的变化情况。通过投资者情绪和股票价格走势图可以看见，投资者情绪与三个股票指数价格的走势高度相关。

首先是平稳性检验，只有平稳的数据才能进行下一步研究，发现数据并不平稳，在取一阶差分以后，数据都是平稳的。所以接下来的步骤都在一阶差分数据的基础上进行。进行格兰杰因果关系检验发现对于上证指数、深证成指，投资者情绪与股票价格互为格兰杰因果关系，对于创业板指，股票价格是投资者情绪的格兰杰原因，但投资者情绪不是股票价格的格兰杰原因，这可能与创业板指成立时间较短数据较少有关系。

从脉冲响应图的对比中可以发现，上证指数和深证成指的价格对投资者情绪的脉冲的反应较为相似，前期有一个负反应，后面波动成正反应，之后逐渐趋向于0。深证成指的反应值范围从负四百到正四百，远远大于上证指数的负八十至一百的区间，说明深证市场的价格对于投资者情绪更为敏感。而创业板指的价格受投资者情绪波动的影响前期多为正向的，且反应值较低，后期会有负向影响，这和上证指数、深证成指的情况相反，创业板指对投资者情绪的反应程度也远低于其他两者，说明它对投资者情绪与其他两者相比不敏感。

因此，投资者情绪与上证指数、深证指数以及创业板指的价格都有一定的相关性，投资者价格的变化会影响到股票价格的变化，在短期内，投资者情绪与股票价格呈正相关。且对于投资者情绪的反应程度三个指数各不相同，深证成指受影响最大，上证指数其次，创业板指受影响幅度小并且时间短。

从方差分解分析中，对比发现上证指数和深证成指的价格变动，各有20%、25%是由于投资者情绪变动引起的，而在创业板指价格的方差中，投资者情绪变动所占比例达到了46%，是上证指数和深证成指的近两倍，说明创业板指价格变动与投资者情绪关系更密切，它价格变动的很大一部分是由于投资者情绪变化引起的。

5.2政策建议

我国证券市场发展时间较短，虽然取得了较快的进步，但也存在许多问题。首先，我国证券市场是一个新兴的市场，随着近几年经济的快速发展，越来越多的人参与证券市场投资，市场上的投资者以散户居多，个人投资者往往会由于个人投资知识的缺乏，对市场抱有投机心理，面对股市涨跌情绪有较大波动。而有些幕后操纵者就会利用这一点，利用散户的心理操纵市场套取利润，给市场带来巨大波动也使散户面临重大损失。

对此本文提出了以下建议：

首先，作为散户投资者在进行投资选择时，要有谨慎的态度和长远的目光，学习相关投资专业知识，关注股市大的行情，学会自己对股市进行分析，追求资产的保值和升值。面对股市的波动要保持客观、理性的头脑，不盲目跟风，不听信小道消息。散户投资者要警惕市场泡沫，保持理智、保持良好心态，避免受市场情绪的影响。要衡量自身风险承受能力，学习有效的规避风险的投资策略，使自己的损失控制在可控范围内。

其次，对于政府和监管部门来说，要出台好相关法律法规，从一级市场发行到二级市场买卖，每一步都要能够有法可依、将监管落实到实处，对投资者进行证券投资提供一定的制度保障，保证市场的透明度和参与度，用法规约束那些想钻空子的操纵者；同时，也要避免政策对市场的过度干预，限制市场发展活力以及引起市场波动。政府可以组织开展针对投资者的教育讲堂，传授相关投资理论，培养投资者正确的投资理念。要建立和完善法律法规来保护投资者权益，确保从事前预防和事后保护都有法可依、保护到位。

参考文献

[1] 姚德权,黄学军,杨光. 中国机构投资者情绪与股票收益关系研究[J]. 湖南大学学报（社会科学 版）, 2010, 24(6): 46-50.

[2] 俞雅娟. 投资者情绪与证券价格波动_基于我国证券市场的研究[J]. 中国经贸导刊，2012(35):

125-127.

[3] 刘维奇,刘新新. 个人和机构投资者情绪与股票收益_基于上证A股市场的研究[J].管理科学学报,

2014, 17(3): 70-87.

[4] 鲁训法，黎建强．中国股市指数与投资者情绪指数的相互关系[J]．系统工程理论与实践，2012， 32(3):621－629．

[5] 黄世达,王镇.投资者情绪对资产价格的影响分析——基于中国股票市场的实证研究[J].价格理论 与实践，2015(11):109-111.

[6] 王国臣，傅斌，曹伟，等．投资者情绪、新股申购资金冻结与股价波动[J]．中央财经大学学报， 2017,(11):38－49．

[7] 王美今，孙建军.中国股市收益、收益波动与投资者情绪[J].经济研究，2014(10):75－83．

[8] 晏艳阳,蒋恒波,杨光.我国投资者情绪与股票收益实证研究[J].财经理论与实践2010(04):27-31.

[9] 蒋玉梅,王明照. 投资者情绪与股票收益_总体效应与横截面效应的实证研究[J]. 南开管理评论,2010, 13(3): 150-160.

[10] 张强,杨淑娥,杨红.中国股市投资者情绪与股票收益的实证研究[J].系统工程，2007，25(7)：

13-17.

[11] 俞红海,李心丹,耿子扬.投资者情绪、意见分歧与中国股市 IPO 之谜[J].管理科学学报，2015，(3):17-28.

[12] 易洪波,赖娟娟,董大勇.网络论坛不同投资者情绪对交易市场的影响——基于VAR 模型的实证分析[J].财经论丛, 2015(1):46-55

[13] 易志高,茅宁,汪丽.投资者情绪测量研究综述[J].金融评论, 2012, (3): 113-126.

[14] 魏星集,夏维力,孙彤彤.基于 BW 模型的 A 股市场投资者情绪测度研究[J].管理观察，2014，(33):57-61.

[15] 宋泽芳,李元.投资者情绪与股票特征关系[J].系统工程理论与实践,2012, 32(1):27-33.

[16]赵敏. 投资者情绪及其对股票收益的影响研究[D]. 苏州大学, 2017.

[17] Baker M，Wurgler J． Investor Sentiment and the Cross-Section of Stock Returns［J］．Economic

Management Journal，2006，61(4):1645－1680．

[18]Baker M,Wurgler or Sentiment In the Stock Market[J].Journal of EconomicPerspective,2007,21(2):

129-151.

[19]Brown gregory W．Volatility，Sentiment，and Noise Traders［J］.Financial Analysts Journal，1999，55 (2):82－90．

[20]Verna R, Soydemir G., “The Impact of Individial and Institutional Investor Sentiment on the Market Price

of risk,” The Quaterly Review of Economics and Finance ，2009（4）： 1129-1145.

[21]Lee W. Y., Jiang C. X., Indro D. C., “Stock Market Volatility, Excess Returns, and the Role of Investor

Sentiment,” Journal of Banking & Finance,2002(6)：2277-2299.

[22]Barberis N., Shleifer, Vishny., “A Model of Investor Sentiment,”[J] .Journal of Financial Economics. 1998(3):307-343.

[23]Fisher K,Statman .Consumer Confidence and Stock Returns [J].Journal of Portfolio Management,Vol 30,

PP115-128, 2003.

[24]Robert f. stambaugh，Jianfeng Yu，Yu Yuan. The short of it Investor sentiment and anomalies[J]. Journal of

Financial Economics , 2012(104): 288-302.

[25]Kumar A.,. Retail Investor Sentiment and Return Comovements[J]. The Journal of Finance,

2006,61(5):2451-2486.

[26]Baker,M.,y,arks as Limits to Arbitrage: Understanding the low-volatility

Anomaly[J].Financial Analysts Journal , 2011, 67(1) :40-54.

[27]Shan Y, Taylor S L,Walter T S. The role of “Other Information” in Analysts Forecasts in Understanding

Stock Return Volatility[J].Review of Accounting Studies,2013.

[28] Chung Back. Stock prices, dividends, earnings, and investor sentiment[J].Springer Science&Business

Media,2016(47):1043-1061.

[29] Maik Schmeling .Institutional and individual sentiment :Smart money and noise trader risk[ J] .

International Journal of Forecasting ,2007,(23):127-145.

[30] Gregory W .Brown, T .or Sentiment and the Near-term Stock Market [ J] .Journal of

Empirical Finance ,2004, (11):1-27

北交所可转债发行条件 篇二

北交所可转债发行条件

全文共四篇示例，供读者参考

第一篇示例：

近年来，可转债市场日渐活跃，吸引了越来越多的投资者的关注。北交所作为我国领先的交易所之一，也开始了可转债的发行。北交所可转债的发行条件也备受市场关注。

北交所可转债的发行对象主要是符合相关资格要求的机构投资者和个人投资者。机构投资者一般是指具有独立法人资格，拥有一定规模和资金实力的机构，如基金公司、券商、银行等；个人投资者则是指符合交易所相关要求，并具备一定投资水平的自然人。

北交所对可转债的发行条件也有一定的要求。发行人需要具备一定的信用评级，一般是投资级别以上的信用评级。发行人应当具备一定的发行规模和募集资金需求。北交所一般会根据市场情况和发行人的实际需求确定发行规模和募集资金数量。发行人还需满足交易所的其他相关规定和要求。

北交所对可转债的发行还会进行严格的审核和监管。发行人需要提交必要的申请文件和材料，并接受交易所的审核。审核一般包括对发行人的基本情况、信用状况、财务状况等方面的评估。只有审核通过并符合相关要求的发行人才能发行可转债。 北交所可转债的发行条件相对较为严格，主要是为了保护投资者的利益，确保市场秩序的稳定。可以预见的是，随着市场的不断发展和政策的逐步完善，北交所可转债的发行条件也将会不断优化和完善，为投资者提供更加便捷和安全的投资渠道。

第二篇示例：

北交所可转债发行条件

可转换债券是一种具有固定利率和期限的债券，持有者可以在特定条件下选择将其转换为发行公司的普通股。北交所作为中国证券市场的一部分，在可转换债券的发行条件和要求上也有一系列规定和标准。下面我们来具体了解一下北交所可转债发行条件。

北交所对于可转换债券的基本发行条件要求是，发行方必须是一家合法注册的公司，具备独立法人资格，能够按照相关法律法规进行发行和交易。发行方必须有稳定的盈利能力和较好的财务状况，以确保可转债的本息偿还能力。

北交所要求可转债的发行规模和期限必须符合相关法律法规的规定，并且必须经过中国证监会或其他监管机构的批准。具体来说，可转债的最低发行额度、最长期限、转股价格和转股比例等都有明确的规定，发行方必须遵守这些规定。

北交所对于可转债的利率和折价率等也有一定的要求。一般来说，可转债的利率应该与同期国债利率相适应，同时还要考虑到发行方的信用评级和市场风险等因素。而折价率则是指可转债发行时的发行价格与面值之间的差额，一般来说，折价率越低，投资者的收益越高。

北交所要求发行方在发行可转债的过程中必须按照相关规定进行公开披露，确保信息透明和公平。发行方必须及时向投资者披露有关公司的财务状况、盈利能力、发行方案等信息，以帮助投资者做出明智的投资决策。

北交所还要求发行方在发行可转债后必须履行相应的信息披露义务，定期向监管机构和投资者披露公司的财务状况和经营情况。发行方还要按照相关规定履行转股、赎回等权利和义务，确保可转债的正常交易和兑付。

北交所对于可转债的发行条件和要求主要包括发行方的资质、规模和期限、利率和折价率、信息披露和公平交易等方面。通过这些规定和标准，北交所旨在保护投资者利益，促进证券市场的健康发展，为企业融资提供更为便利和规范的途径。希望发行方能够严格遵守这些规定和要求，确保可转债的发行和交易活动能够顺利进行。【2000字】

第三篇示例：

北交所可转债发行条件是指在北交所上市交易的可转换公司债券必须符合一定的条件和要求。可转债是指发行公司发行的具有债券性质的债务融资工具，具有一定的债券特征和可转换为公司股份的权利。 北交所可转债发行条件主要包括以下几个方面：

一、发行主体条件：发行可转债的主体必须是在北交所上市的公司。公司必须是依法设立的法人实体，具有独立的法人资格和独立的经营管理机构。公司的股东权益结构必须合法合规，无违规情况。

二、发行计划条件：公司发行可转债必须符合国家相关法律法规的规定，必须经过有关监管部门的批准。发行计划必须公开透明，信息披露完整，确保投资者的知情权和选择权。

三、发行规模条件：公司发行可转债的规模必须符合市场需要和公司实际情况，不得超过公司净资产的一定比例。发行规模不得损害公司股东利益，不得扩大公司负债规模。

四、发行定价条件：公司发行可转债的定价必须合理公正，不得利用信息不对称等方式损害投资者利益。定价必须符合市场规律，不得操纵价格波动。

五、使用资金条件：公司发行可转债所募集的资金必须用于支持公司业务发展和项目建设，不可用于非生产性投资和投机经营。公司必须按照发行用途合规使用资金，不得挪作他用。

六、风险管理条件：公司必须建立健全的风险管理体系，切实加强对可转债风险的监控和控制。公司必须及时披露相关风险信息，确保投资者知情权和自主选择权。

北交所可转债发行条件的确立旨在保护投资者利益，规范市场秩序，促进公司健康发展。公司在发行可转债时必须严格遵守相关规定，确保符合条件，不得存在违规行为。只有在符合条件的前提下，才能够顺利完成可转债发行，得到投资者的认可和支持。

第四篇示例：

北交所可转债是指在北京联合资产交易所发行的可转换债券。可转债是一种具有固定利率，可以在未来一定时期内根据约定条件转换为公司股票的债券。北交所作为中国领先的资本市场服务机构，为企业提供了融资渠道，也为投资者提供了一种稳健的投资工具。在北交所发行可转债，需要符合一定的发行条件，以确保市场秩序和投资者利益。

企业要满足北交所的发债条件。北交所作为国内重要的资本市场，对企业的发债条件有着严格的要求。企业需要具有一定的规模和实力，具有健康的财务状况和稳定的经营情况。企业的信用评级也需要达到一定标准，以确保投资者对企业的信誉度和偿债能力有较为准确的评估。

企业需要制定合理的债务规模和发债利率。在发行可转债时，企业需要合理确定债务规模和发行利率，以确保企业融资的稳健性和可持续性。企业需要根据市场情况和利率水平确定发债的具体条件，以提高债券的吸引力和投资者的参与度。

企业需要制定详细的发债方案和募集资金用途。在北交所发行可转债前，企业需要制定详细的发债方案，包括债券的基本条款、发行规模、发行利率、转换条件等内容。企业还需要明确募集资金的用途，以确保资金的合理使用和企业的可持续发展。

第四，企业需要遵守相关法律法规和监管规定。在发行可转债时，企业需要遵守相关的法律法规和监管规定，以确保发债过程的合规性和合法性。企业需要与北交所和监管机构进行充分的沟通和协调，以确保发债工作的顺利进行和市场的稳定运行。

北交所可转债的发行条件是一个复杂的过程，需要企业充分准备和细致规划。只有在符合相关要求和条件的情况下，企业才能顺利发行可转债，为企业融资和投资者参与提供一个良好的平台。希望通过北交所可转债的发行，能够促进企业发展和资本市场的繁荣。【文章共计472字】

投资者情绪、羊群行为与市场波动 篇三

第

3

期(

总第

329

期)2021

年

3

月工业技术经济Journal

of

Industrial

Technological

EconomicsNo.

3

(

General,

No.

329)Mar.

2021投资者情绪、羊群行为与市场波动——基于科创板市场的TVP-VAR模型实证研究杨文祺王燕(山东大学经济研究院，济南250100)〔摘

要〕

本文选取科创板市场日频时间序列数据，基于非参数HS模型等方法构造了市场投资者

情绪、羊群行为和市场波动的综合指标，在TVP-VAR模型下分析了投资者情绪与羊群行为在不同滞后期

和市场发展阶段时对市场波动的影响以及市场波动对前者的反馈。研究发现，投资者情绪对市场波动的影

响不存在时变效应，并随时间消减；而羊群行为对市场波动的影响存在时变效应，并随时间累加；投资者

情绪与市场波动间的动态关系并不会因市场发展阶段而发生显著差异，但羊群行为与市场波动间的动态关

系则在市场发展的前期、中期和后期呈现出明显的异质性。〔关键词〕科创板市场投资者情绪羊群行为市场波动TVP-VAR模型时变效应DOI：10.3969/

n.1004-910X.2021.03.009〔中图分类号〕F832.5；

F830.

91

〔文献标识码〕A引言在“落实金融服务实体经济”和“深化金融

于科创板市场未来的健康稳定发展意义重大。在有效市场假说中，Shleifer

(2000)⑵认为,

有效市场中的投资者主要由完全理性人构成，他

改革”的政策背景下，我国在2018年11月5日

正式提出设立科创板。2019年7月22日，首批25

家公司在科创板挂牌上市。相较于其他股票板块，

科创板作为一次全新的市场机制运作尝试，其目

的是重点支持具有高新技术产业和战略性新兴产

们依靠市场的基本面信息来制定投资决策，如果

市场存在不完全理性人，

那么他们的交易具有随

机性，对价格的影响相互抵消。然而，由于市场

不对称等一系列交易成本因素，

不完全理性人的

交易并不具有随机性(Black,

1986)[力，对价格

的影响也未必能够相互抵消。

由于有限理性人与

业属性的高科技企业。通过设置更加多元包容的

上市条件，科创板允许符合定位、但尚未盈利的

高科技企业募股上市，为这些企业提供科技风险

完全理性人的投资决策之间存在不可忽略的差异

资本，

使其在科技创新和研发的过程中较少地受

(Odean,

1999)⑷,这些具有显著差异的信念会

到企业估值和公司业绩的限制。但正是由于科创

板的准入门槛较低，使得市场上各类企业的发展

阶段与盈利水平存在明显差异，这显著增加了价格

使得金融市场中的资产价格严重偏离其内在价值，

从而造成剧烈波动，因此，放松投资者完全理性

的假设，

以行为金融学视角解释市场异常现象成

为近年来股票市场研究的重要方向。按照行为金融学理论，投资者情绪和羊群行

的波动和收益的不确定性。根据相关数据，自科创

板开市交易以来,其平均日频涨跌幅与平均日频波

动率都显著高于上证A股市场，其中，平均日频

为是刻画投资者非理性信念的重要指标，因此研

究投资者情绪、羊群行为与市场波动三者两两之

涨跌幅为上证A股市场的3.

55倍，平均日频波动

率为上证A股市场的110.

19倍①。由于市场价格

间关系的文献较为丰富。其中，市场情绪被认为

兼顾系统性和不可预测性，是影响金融资产价格

偏离均衡状态的重要因素[5-11]0对此，Delong等

的极端波动通常容易引发系统性风险(Ghysels等，

2005)[1],因此探究资产价格波动的影响因素对(1990)[5]提出噪声交易者模型(DSSW),开创性

收稿日期：2020-10-25作者简介：杨文祺，山东大学经济研究院博士研究生。研究方向:

行为金融学。王燕，通讯作者，山东大学经济研究院博士研究生。研究方向：金融经济学。

72 第

3

期（

总第

329

期）2021

年

3

月工业技术经济Journal

of

Industrial

Technological

EconomicsNo.

3

(

General,

No.

329)Mar.

2021地将投资者情绪引入股票定价模型中，并指出在

交易过程中投资者情绪所导致的噪声交易风险是

无法被消除的。Mendel和Shleifer

（2012）［6］在研

究噪音交易者如何影响市场均衡时同样发现，投

资者情绪会显著提高市场的波动程度。胡昌生和池

阳春（2013）［7〕以及

Kumari

和

Mahakud（2016）［8〕分

别以中国A股市场与印度股市作为研究对象，再

次证实投资者理性情绪与非理性情绪都是市场波动

的天然不稳定因素。张同辉等（2019）⑼认为，自

回归滑动平均类（ARMA类）和异质自回归类（HAR

类）波动率预测模型在引入投资者关注后能够更

显著提高对市场波动的解释能力。

此外，

部分学

者也指出，投资者情绪对市场的冲击具有非对称

性。如王春（2014）［10〕以开放式股票型基金资金

净流入作为投资者情绪指标，

研究发现当投资者

情绪低迷时，其对市场波动的影响更大。杨少华

和郭万山（2016）［11〕基于广义自回归条件异方差

族模型（EGRACH-M）发现，投资者积极情绪会

抑制市场波动，

消极情绪会加强市场波动。有关羊群行为与市场波动的研究认为，由于

政策干预频繁以及市场信息的不对称性等因素，

我国股市在市场极端波动时存在显著的羊群行为

（孙培源和施东晖，2004）［12〕。此外，我国股市的

羊群行为是一种兼顾易变性和短期性的“非理性

从众行为”，当市场出现极端羊群行为时，投资者

的多元化投资分散风险效果会被极大削弱，导致市

场极易出现非理性波动［13一15〕。朱菲菲等（2019）［13〕

使用

A

股市场的高频交易数据发现，

羊群行为具

有短期脆弱性特征，并且短期羊群行为会伴随市

场强烈的价格反转效应。许年行等（2013）［14〕通

过实证分析发现，

我国机构投资者的羊群行为是

一种易变性的

“非理性从众行为”，

导致机构投

资者忽略自身掌握的私有信息，降低私有信息融

入股价的程度，从而提高上市公司的股价崩盘风

险。Paulo

和

Harminder

（2011）［15〕基于市场分散

度指标方法（CSAD）对比了中国和印度股市，发

现在市场波动剧烈的情况下，中国股市的羊群行

为更为显著。研究羊群行为与投资者情绪的相关文献认为，

投资者情绪是投资者对市场预期的体现，

其本身

会影响投资者自身的决策，投资者情绪越强烈，

市场羊群行为越容易被刺激产生［16—18］o贾丽娜和

扈文秀（2013）［16〕认为，基金经理在买入或卖出基

金时所产生的羊群效应在一定程度上是源于上一期

投资者情绪的负反馈作用。谢晔和周军（2013）［17〕

以及郑瑶等（2016）［18〕发现，投资者情绪对羊群

行为具有良好的解释能力，

积极的投资者情绪与

追涨羊群行为正相关，恐惧的投资者情绪与跟跌

羊群行为正相关。综上，现有文献鲜少将投资者情绪和羊群行

为放入统一的框架下分析它们对市场波动的时变

影响。此外，目前文献多以我国A股市场为研究

对象，对科创板市场的研究仍处于相对空白的阶

段。而科创板与A股市场无论在市场准入条件还

是在投资者行为特征方面都存在显著差异，

因此，

以科创板为研究对象，

重新检验投资者非理性信

念与市场波动的关系十分必要。考虑到各变量互

动关系的时变特征，本文将通过构建TVP-VAR

模型，

将科创板市场的投资者情绪、

羊群行为和

市场波动纳入统一框架进行实证研究，讨论投资

者情绪与羊群行为基于不同滞后期和不同时间点

时对市场波动的时变影响以及市场波动的后滞反

馈，

以期为科学性防范科创板市场的系统金融风

险和促进市场健康稳定发展提供有益参考。与现有研究相比，本文可能的边际贡献主要

有3点：（1）以往的文献大多以成熟的A股市场

为研究对象，而本文以成立不久的科创板市场为

研究对象，填补了相关学术领域的研究空白；（2）

考虑到金融市场上不断出现的价格调整和信心更

新可能造成投资者情绪和羊群行为表现出易变性

和短期性特征，本文在实证过程中使用日频交易

数据构建相关指标，克服了低频数据度量投资者

情绪和羊群行为时可能存在的“加总谬误”问题;（3）在构建科创板市场的羊群行为指标方面，以

往研究主要以CSAD方法和HS方法为主，但上

述方法对较短时间区间内的羊群行为识别并不敏

感（Hwang

和

Salmon,

2002）

［19〕。为此，本文对

原有的HS方法做了改进，利用非参数方法来构

建投资者投资行为的分散度指标，

解决了短时间

区间内羊群行为识别不敏感的问题。1指标设计1-

1投资者情绪指标的设计常见的能够反映投资者情绪的指标通常有美

73 第

3

期(

总第

329

期)2021

年

3

月工业技术经济Journal

of

Industrial

Technological

EconomicsNo.

3

(

General,

No.

329)Mar.

2021国个体投资者协会指数(AAII)、央视看盘指数

仅有的交易量和成交金额数据不能反映股票发行

(CCTVBSI)、消费者信息指数(CCI)等通过问

卷调查方式所获得的直接测量指标，与封闭式基

主体的规模特征。为了尽可能多维度高精度地反映科创板市场

金折价率、换手率、交易量等基于市场数据计算

而得的间接测量指标。

然而，

以上所列指标具有

一定的局限性(Qiu和Welch,

2004；黄少安和刘

投资者情绪的实际状况，参考Baker和Wurgler

(2006)⑺]的做法，本文将通过运用主成分分析方

法，选取带符号的换手率(WTurnover

)、带权重

达，2005；

Boehme

等，2006

)[20-22]

o

央视看盘、

好淡指数这类指标并未对外公布完整连贯的数据,

而且考虑到问卷的随机性、

调查对象的不确定性

的成交量(WVolume),带权重的成交金额(WA-

mount)、涨跌停数目(NDRF)和动量效应指数

(MTM)

5个指标作为科创板的投资者情绪代理指

标构建日频投资者情绪指标(SENT),具体定义

以及个体特征的不可控性，

可能存在严重的偏差

问题；从数据的连贯性和获得性来看，科创板

及介绍如表1所示。IPO数量和IPO上市首日收益率数据严重缺失,

表1代理指标的具体表达式及含义代理指标带符号的换手率具体表达式WTurnovertRt*

Turnovert含义1天内市场股票交易的频率，Turnovert和R分别为第t天的RW,*

Volumei,tN市场换手率和市场收益率1天内投资者买卖股票的全部成交数量，Volume^和Wi,，分别带权重的成交量WVolumet

=it

〉Wi,t 1i -为第t天第i只股票的成交量和总市值1天内市场投资者买卖股票的全部成交金额，Amount,为第t

带权重的成交金额WAmountt

=Wi

t

* Amounti

tN〉Wi,t 1i

-天第i只股票的成交金额1天内市场涨跌停数目的净值，NDRt和NDFt分别为第t天

涨跌停数目NDRFt =

NDR厂NDFt第i只股票的涨停板数目和跌停板数目1天内市场股票价格变化的

\'

种指标，Pi,、P2,和N分别为动量效应指数MTMt

=占

P\',tNtni

pi,t\'

-pi,t2第t天第i只股票的收盘价、开盘价以及股票的总数目市场近期的高换手率会显著提高投资者卖出

检验数值为0.

746,

Bartlett球形度检验的显著性

数值为0.000,说明上述5个代理指标均适用于

股票的意向和决策(何基报和鲁直，2006严]。市

场换手率越高，

市场流通性越好，

投资者对市场

主成分分析方法。根据表2,前两个成分的特征值均大于1,累

现状的态度越积极；从市场参与和投资者活跃程

度角度来看，

成交量越大、

成交金额越高、

股票

涨停板数量越多，

投资者情绪越乐观；

根据市场

计方差解释率为79.

378%,因此本文选取前两个

主成分来构造投资者情绪指标(SENT):SENTt

=

WTurnovert

X0.

713

+

WVolumet

X

0.

706

+

WAmountx0.

711+NDRFtx0.

259+MTMtx0.

331

(6)

的动量效应策略，投资者为了获利偏向于大量购

买过去收益率高的股票以及大量抛售过去收益率

低的股票(Hong和Stein,

1999)[25],因此，从价

格变化角度来看，

动量效应指数越高，

投资者情

1.2羊群行为指标设计本文将使用并改进Hwang和Salmon

(

2002)

[1刃

绪越乐观。本文首先对代理指标进行标准化处理，然后

所提出的构建羊群行为指标的经典方法——统一

理论模型(HS)。该方法主要参照资本资产定价

模型(CAPM),利用贝塔系数的横截面离散度来

反映市场羊群行为的程度。

市场收益率和个股收益对处理后的指标进行KMO

(

Kaiser

Meyer

Olkin)

检验和Bartlett球形度检验。检验结果表明，KMO

74 第

3

期(

总第

329

期)2021

年

3

月工业技术经济Journal

of

Industrial

Technological

EconomicsNo.

3

(

General,

No.

329)Mar.

2021表2投资者情绪的主成分分析结果成分12特征值2.

9441.025成分矩阵方差％58.

87120.

507累积方差％58.

87179.

378WTurnover0.

981-(0.

056)WVolume0.

971WAmountNDRF0.

265MTM0.

9830.0490.

863-(0.

057)-(0.

070)0.519率之间的关系可以表示为,,：Rit=ait

+0i,m,tR其中，R,,t、Rm』m,t

+St

(7)和S分别为第t天的第i只

股票收益率、市场收益率和随机误差。对式(7)

两侧求取关于t时刻的有偏条件期望：eC(

RJE(8)C(

Rm,.)其中,EC(

R、t)和EC(

Rmt

)分别为第t天的第i

只股票收益率和市场收益率的有偏条件期望，0^t

为相对应的贝塔系数。当市场出现羊群行为时：E”

(

r

)

=

0

i,m,t

=0i,m,t

hm,t(

0

i,m,t

1

)

(

9)其中，B\"i,m,t为相对应的有偏贝塔系数,廟』为

数值小于1的时变羊群参数。对有偏贝塔系数0；”,t

求取标准差：stdc(

0b,,m,t

)=

Ec

l[0i,m,t-hm,t(

Bi,”,.-1)-1]]=

Ec

[

(0i,m,t

-1)2]

(1-hm,t

)

=

stdc(

0i,m,t

)

(

1-hm,t )(10)基于式(10),可以构造关于有偏贝塔系数

0；m,t的状态空间模型：c0：m,t

ch)]log

[

std

(

)]

=

log

cc(i,m,t

][

std

(

0

)]

+log

[(1-

%m』,t

=,

E

i

lo,g[

std0)丨

+Vm,i

+l,m,tt°g

[

(

1-hm,t

)]=

+Vmt

+Hmt

,t

cc(

0,,m,t

)]

(11)其中，如=

E

ilog

[

std

I

,

H”,t

=

bg

[(1-h”,t)]，叽为第t天的随机误差且服从于iid

(0,此,”)。基于式(11),

l0g[

stdc(

0爲,,)]数值的

变化集中反映于H”,t数值的变化，因此H”,t可以

作为HS方法中衡量市场羊群行为的指标。此外，

Hwang

和

Salmon

(

2002)

[19]假设

Hm,t具有时变性，

并遵循动态AR(1)过程，因此可得状态空间模型

方程组：log[

stdc(

0：m,t)]

=%,t

+vm,t

+Hm,t 门门(

12)Hg

=nmHm,t-1+5m,t其中,g,t为第t天的随机误差且服从于iid

(0，此,5

)。为了计算羊群行为指标H”,t的数值,

Hwang

和

Salmon

(2002)[19]使用卡尔曼滤波(Kal­man

Filter)方法。在HS方法的理论框架下，当市场发生显著

的羊群行为时，投资者之间会存在明显的从众和

跟风倾向，此时贝塔系数0^会偏离它的均衡状

态，变成有偏贝塔系数0爲,,,而市场价格波动所

呈现出的显著趋同性则会表现为有偏贝塔系数

0^横截面分散度的显著降低。这样一来，实证

上便可以通过检验指标H”,t数值的大小来判断市场

羊群行为的程度。但Hwang和Salmon

(2002)[19]

指出，基于有偏贝塔系数0^,,的横截面离散度计

算获得的市场羊群指标Hm,t只能有效识别处于极

端震荡情况下的羊群行为。这会导致当市场震动

程度较小时，羊群指标Hm,t会因为个股收益变化

的趋同性而难以识别羊群行为。为解决这一问题，

本文通过非参数方法来提

高Hm,t对投资者交易行为分散度的敏感性。具体

过程如下：R

m,t

-Rm,t[R-R,t^t1

,

&ji,t,t1E,m,t=median(1i,m,t)

(13)log[

stdc(

E,m,t)]

=%,

+Vm,t

+Hm,tHm,t

=

VmHm,t-1

+5m,t其中，1,,m,t为第t天的非参数斜率矩阵，即

第t天第i只股票的收益率与其它任意时刻任意股

票的收益率之间进行斜率计算后得到的一个斜率

矩阵，0：”,t为非参数方法下的分散度指标，即斜

率矩阵1.,m,t中所有元素的中位数。相较于

HS

模型，

基于非参数方法的

HS

模型

运算过程相对简单、更易理解，并且对市场环境

的假设较少，具有较广的适用范围，对成立不久

的科创板市场显然更为适用。1.

3市场波动指标设计本文使用基于日频数据的非参数方法来设计

市场波动指标：

75 第

3

期(

总第

329

期)2021

年

3

月工业技术经济Journal

of

Industrial

Technological

EconomicsNo.

3

(

General,

No.

329)Mar.

20211皿5

=

R,t

（14）k

=1,2,3,并且

tMs

+

1。假定所有的参数都服从随机游走过程，且不

其中，bt为第t天的市场波动指标。同随机游走的同期参数之间相互独立，

并假定其随机波动的方差为块对角形式：2

TVP-VAR模型的构建与数据处理2.

1

TVP-VAR模型的构建绝大部分在科创板上市的公司都历经了开板

初期、平稳期、成熟期等存在显著投资差异的阶

段。与传统的参数向量自回归模型（VAR）相比,

0=0a=

ah=

h,+1

t+1

,

+“0,(16)(17)(18)i0t

+“mt+1

t

+“ht\'6

)汕服从N000TVP-VAR模型不仅可以刻画各变量之间的时变

特征，还能处理变量指标的异常变动，增强了估

20,_

0计结果的稳定性，因此本文选用TVP-VAR模型

200来分析投资者情绪、

羊群行为和市场波动之间的

动态时变关系。、\"丿ht

2h丿」（19）

在传统的VAR模型中引入时变性参数：yt

=兀由此，

按照

Nakajima（2011）［旳的方法，对

0+人—12戸,t=S+1，…，\"

,

（15）0其中，勺为服从N（0,厶）的结构性冲击，yt

=

（SENT,

,H”,t

,bt）为3维的自回归数据样本，0t为

具有时变性的系数参数，X,

=

/3®（

、s+1和hs+1指定正态的先验分布。2.2数据来源与预处理s+1a本文选取科创板市场2019年7月22日至2020

y；,…,y；）,

1s年4月31日的日频时间序列数据用于相关指标的

构建和TVP-VAR模型的估计，原始数据均源自

g为克罗内克乘积，s为滞后期，厶为3维的单

一

T1,位变量，t

0

0

_0

。参照

Nakajima3,,Wind数据库。截至2020年4月31日，科创板自

创立以来已经有100家高科技公司上市，在去除

2,

=

0

T2,,

［0

0

丁_掉计算市场收益率和羊群行为指标的时间窗口后,

包含科创板开盘价、收盘价、换手率、成交量、

市值、成交金额和涨跌幅的样本集共有1239个日

频数据。状态空间模型方程组的实证结果由Kal­man

Filter方法计算得出，基于非参数方法的HS

（2011）［26］的实证研究方法，本文假定M,=

■

1

0

0

■a21,t

_

1

0为对角线元素是1的下三角时变a31,t

31,t

a1

_ln（

T：）,

h=

（

h,,

模型时间窗口为10天。1,,性系数矩阵，仏=,心,,,h3,t）

T

,

表3

ADF单位根检验结果指标0阶差分下单位根检验（P值）SENT,刃mt,b,-4.009***

(0.002)-2.

595

*

(0.096)-14.473***

(0.000)-9.224***

(0.000)1阶差分下单位根检验（P值）注：括号之前的数字是

ADF单位根检验的

t统计量，括号中的数字是

P值。*、**和***

分别表示回归系数在

10%、5%和1%水平下显著,使用ADF方法对上述3个指标进行单位根检

验。根据表3,投资者情绪（SENT,）、市场波动

抽样，其中，前1000次抽样为样本的预期模拟

值，后9000次抽样用于后验分布的参数估计。部

分参数的后验估计结果见表4。由表4可知，所

（b,）与羊群行为（H”,,）的一阶差分在1%的显著

性水平下均拒绝存在单位根的原假设，所以首先

对其进行滞后一项的处理。参考姚登宝（2017）［27〕的做法，根据VAR模

有参数的Geweke诊断值均未拒绝趋于后验分布

的5%置信水平原假设，因此参数估计具备有效

性特征。而所有参数的无效影响因子数值均较小,

其中最大的无效影响因子数值仅为92.20,说明

型中的AIC准则，选择最优2阶滞后，并利用马

尔可夫链蒙特卡罗（MCMC）算法进行10000次

76

至少得到9000/92.

2«98个不相关样本可以进行有第

3

期(

总第

329

期)2021

年

3

月工业技术经济Journal

of

Industrial

Technological

EconomicsNo.

3

(

General,

No.

329)Mar.

2021表4后验估计结果参数y-

L

L

L

L

L均值

0.

00230.

00230.

00610.

00590.

29710.

8356标准差

0.

00030.

00030.

00190.

00190.

09030.

123295%置信区间Geweke诊断值无效影响因子5.

5412.

830

0a

[0. 0018,0.

0029][0. 0018,0.

0029][0.

0035,0.0111][0.

0035,0.0105][0.

1159,0.

4741]0.9170.

5490.5190.

1080.

6460.

03679.

0564.

1192.

2019.

15a

A

A

[0.6080,1.0928]注：表4只给出各个矩阵前2个对角线元素后验分布的参数估计，其余元素均具备符合诊断要求的后验分布参数估计结果,效的后验估计，满足后验估计的统计需要。检验市场波动对投资者情绪和羊群行为的后滞反

馈效应。3.

1投资者情绪与羊群行为对市场波动的时变影响

3.1.1基于不同滞后期的投资者情绪和羊群行为

对市场波动的脉冲响应图3分别给出了基于滞后4期、8期和12期

投资者情绪与羊群行为对市场波动的脉冲响应结

果。根据图3(a),投资者情绪在整个样本期内对

市场波动的冲击响应值为正，并且不具有显著的

时变效应，随着滞后期的增加，冲击响应影响逐

渐减少。

这说明无论是在短期还是长期内，

投资

者情绪的增加都会伴随着市场波动的增加，

但相

较而言，短期内的影响更为强烈。图3(b)表明，羊群行为对市场波动冲击的响

应有正有负，

说明羊群行为对市场波动的影响方

向会随时间的不同而变化。以2019年11月为分

界点，冲击的响应值由正转负。此外，与投资者

情绪的冲击不同，

羊群行为的冲击存在部分的时

变特征：2019年8月至9月以及2020年2月至4

月期间并不存在明显的时变特征，而2019年9月

至

2020

年

2

月期间存在显著的时变特征。

并且随

图2样本的收敛轨迹着滞后期的增加，

对市场波动冲击的作用会逐渐

减小，但是减小的幅度并不显著，这说明羊群行

图1和图2分别给出后验估计的自相关系数和

收敛轨迹，可以发现，随着模拟次数不断递增推

为对市场波动的短期影响与长期影响相差不大。可以看出，

投资者情绪与羊群行为对市场波

进，参数的自相关系数均收敛于0,并且以白噪声

的状态在均值附近来回波动。这说明基于MCMC

算法的参数估计效果良好,因此本文构建的TVP-

动的影响存在差异，这既体现在二者对市场波动

的影响方向，

也体现在短期影响与长期影响间的

VAR模型的参数模拟结果具备有效性和稳健性特征。差异程度。具体而言，在2019年9月之前，两者

3时变脉冲响应分析本文将基于不同的滞后期与时间点分析投资

都对市场波动产生正向冲击，而在9月之后，羊群

行为转为抑制市场波动；

此外，

与羊群行为相比，

投资者情绪对市场波动的长短期影响差异更大。者情绪与羊群行为对市场波动的时变影响，

然后

77 第

3

期(

总第

329

期)2021

年

3

月工业技术经济Journal

of

Industrial

Technological

EconomicsNo.

3

(

General,

No.

329)Mar.

滞后84期-------滞后期

\'-------滞后12期—••••............—_-------一—一—20

40

60

80

100

120

140 160(a)投资者情绪对市场波动的冲击…

20

40

(b)羊群行为对市场波动的冲击60

80 100 120 140

160图3基于不同滞后期的投资者情绪和羊群行为

对市场波动的脉冲响应结果3.1.2基于不同时间点的投资者情绪和羊群行为

对市场波动的脉冲响应证监会与上交所在2020年3月末相继发布了

《科创属性评价指引》与《上海证券交易所科创

板企业发行上市申报及推荐暂行规定》，规范了

上市公司的评价指标体系与审核问询程序。可以

看到，随着市场机制的不断完善，对科创板的监

管将趋于透明，有理由相信投资者情绪与羊群行

为对市场波动的影响可能会因发展阶段与政策调

控背景的不同而呈现出异质性。为此，接下来将

分析基于不同时间点的时变脉冲响应函数。图4

分别给出在t

=

50

(2019年10月24日)、t

=

100

(2020

年

1

月

3

日 )

和

t

=

150

(2020

年

3

月

23

日

)

时的脉冲响应结果。之所以选取以上3个时间点,

是因为它们分别位于整个样本区间的前期、

中期

和后期，恰好对应于科创板市场发展的非平稳期、

平稳期与基于政策调控的成熟期，

保证了实证分

析的全面性。从图4(a)可知，在3个时间点上，投资者情

绪对市场波动的冲击响应表现基本相同：

投资者

情绪的单位正向冲击均会加剧市场波动，并且对

当期市场波动影响最强烈，滞后2期影响大于滞

后1期，此后随着滞后期的增加，影响逐渐减少。

这说明投资者情绪对市场波动的影响程度在前3

期内出现一定程度的震荡，此后随着时间累积,

78

投资者情绪的影响逐渐消减，但依旧持续存在。与投资者情绪不同，从图4(b)可知，羊群行

为对市场波动的冲击响应在不同的时间点上表现

并不一致：

在科创板建立初期，

羊群行为的正向

冲击对滞后8期内的市场波动都存在正向影响,

此后随着时间累计而逐渐削减。

但当市场发育成

熟后，在平稳期和成熟期的羊群行为只对滞后1

期的市场波动产生正向影响，从滞后2期开始,

投资者羊群行为的增加反而会抑制市场波动，

并

且随着滞后期的增加，这种抑制作用逐渐增强,

这说明羊群行为对市场波动的抑制作用并不会随总结来看， 相较于市场情绪，

羊群行为对市

场波动的影响在市场发展的非平稳期、

平稳期和

基于政策调控的成熟期呈现出更明显的异质性,

市场越成熟，羊群行为对市场波动的影响越大,

这既体现在对短期市场波动更大的刺激作用，也

体现在对长期市场波动更大的抑制作用。3.2市场波动对投资者情绪和羊群行为的后滞反馈市场的剧烈波动意味着市场信息存在明显的

不确定性，

显然，

当投资者面对市场信息的不确

定性时，其跟从市场舆论决策的概率会大幅提高,

这导致明显的羊群行为随之产生(

Bikhchandani

等，

1992)［旳。在这一逻辑下，本文接下来将基于不第

3

期(

总第

329

期)2021

年

3

月工业技术经济Journal

of

Industrial

Technological

EconomicsNo.

3

(

General,

No.

329)Mar.

2021同时间点和滞后期长度来研究市场波动对投资者

情绪和羊群行为的后滞影响。图5和图6分别给

出基于滞后4期、8期和12期与基于市场非平稳

期、

平稳期和成熟期时市场波动对投资者情绪和

羊群行为的脉冲响应结果。3.

2.1基于不同滞后期的市场波动对投资者情绪

和羊群行为的脉冲响应从图5(a)可知，市场波动在整个样本期内对

投资者情绪的冲击响应为正值，

不存在显著的时

变效应，并且随着滞后期的增加，响应值逐渐减

少，说明市场波动越剧烈，投资者情绪越积极,

但市场波动对投资情绪的正向作用在短期更明显，

长期影响几乎消失。图5基于不同滞后期的市场波动对投资者情绪和羊群行为的脉冲响应结果从图5(b)可知，市场波动对羊群行为的冲击

响应同样为正值，

并且具有一定程度的时变效应，

在2019年8月至2019年10月的冲击响应值缓慢

增加，但2019年10月后又逐渐回落。此外，随

着滞后期的增加，

冲击响应值会明显增加。

说明

市场波动越剧烈，

投资者的羊群行为越显著，

市

场波动对羊群行为的正向影响在长期更明显，

短

期影响几乎消失。对比之下，市场波动对羊群行为影响的时变

效应更显著，

而对投资者情绪的长短期影响差异

更大。3.2.2基于不同时间点的市场波动对投资者情绪

和羊群行为的脉冲响应根据图

6(

a)

，

市场波动对投资者情绪在科创

板上市初期、

平稳期和成熟期响应表现大体一致，

随着滞后期的增加都呈现“倒U型”变化：在滞

后3期之前，市场波动的冲击随着滞后期的增加

而增加，

而滞后

3 期之后，

市场波动的冲击开始

下降，在滞后3期达到峰值，这说明市场波动对

投资者情绪的冲击具有时变特征。根据图

6(

b)

，

在滞后

2

期之后，

市场波动对

羊群行为的冲击响应会因市场发展阶段不同而呈

现出差异，

市场越成熟，

市场波动对羊群行为冲

击的程度越小。此外，随着滞后期的增加，市场

波动对羊群行为的正向冲击影响波动式增加，

呈

现“N字型”变化，说明市场波动对羊群行为的显然，

市场波动对投资者情绪与羊群行为的

反馈影响是存在显著差异的，对羊群行为的影响

会随时间累积，而对投资者情绪的影响则会随时

间消减；另外，对羊群行为的影响在市场建立初

期更明显，

而对投资者情绪的影响在基于政策调

控的成熟期更明显。4

结论与讨论本文选取科创板市场

2019

年

7

月

22

日

至

2020年4月31日的1239个日频时间序列数据,

79 第

3

期(

总第

329

期)2021

年

3

月工业技术经济Journal

of

Industrial

Technological

EconomicsNo.

3

(

General,

No.

329)Mar.

2021基于非参数

HS

模型、

主成分分析法等计量方法

构造了能够描述科创板市场投资者情绪、羊群行

为和市场波动的综合指标，然后在TVP-VAR模

型下分析了在不同滞后期和市场发展阶段时投资

者情绪与羊群行为对市场波动的影响以及市场波

动对前者的反馈，

研究发现：(1)

投资者情绪对市场波动的影响不存在时

变效应，

并随时间消减；

而羊群行为对市场波动

的影响在2019年9月之前为正，9月之后转负，

并随时间累加。羊群行为之所以能够刺激市场波

动可能是因为其会削弱市场基本面因素对未来股价

走势的作用(Davis,

1996)[刃，或者交易压力超过

市场流动性的承受能力(Maug和Naik,

1996)[30],

从而加剧股价的波动性；而羊群行为对股市波动

的抑制作用则主要被解释为具有私人信息的机构

投资者的羊群行为会抵消中小投资者的非理性交

易，加速股票价格对信息的吸收(Lakonishok等，

1992)[31]。因此我们猜测，与A股市场相比，特

别是在平稳期和成熟期，科创板中更大比例的羊

群行为来自机构投资者。(2)

投资者情绪与市场波动间的关系并不会

因市场发展阶段变化而发生显著差异，

但羊群行

为与市场波动间的关系则在市场发展的前期、

中

期和后期呈现出明显的异质性，

市场越成熟，

羊

群行为越难以发生，但单位波动对市场波动的影

响更大。可能的原因是，随着市场发展，监管更

加规范与透明，信息不对称的程度逐渐降低，参

与者能够依据更完全的信息自主决策，从而减少

羊群行为；此外，当市场趋于成熟后，基本面信

息对资产价格更迅速的反映会使得机构投资者的

羊群行为抑制市场波动的作用更明显。(3)

随着滞后期的增加，

市场波动对投资者

情绪的正向冲击影响呈现先增后减的“倒U型”

变化；

而对羊群行为的正向冲击影响则波动式增

加，呈现“N字型”变化，即投资者情绪与羊群

行为对资产价格波动的反应都是滞后的。长期以来，自主创新能力低和技术含量薄弱

严重制约着中国高新技术产业的发展，因此国家

希望通过设立科创板并采用试点注册制培育一批

高科技属性企业，实现强化市场功能，更好地服

务实体经济。根据本文的结论，随着市场愈发成

熟，

羊群行为会逐渐消减，

并转为能够抑制市场

波动的理性羊群行为(Devenow和Welch)[32]，但

80

投资者情绪与羊群行为对市场资产价格变化反应

不及时。

这说明科创板总体发展趋势向好，

但依

旧存在信息滞缓等阻力。因此坚定推进市场化改

革、

有效引导投资者情绪、

建立有效制度后不做

行政干预依旧是科创板此后改革的思路。注释：①平均日频涨跌幅与平均日频波动率均根据各自市场所有的上市

公司交易日频数据测算，数据来源于Wind数据库。参考文献[

1]

Ghysels

E,

Santa-Clara

P,

Valkanov

R.

There

is a

Risk-return

Trade-off

After

All

[

J]

.

Journal

of

Financial

Economics,

2005,

76

(3)

:

509-548.[

2]

Shleifer

A.

Inefficient

Markets:

An

Introduction

to

Behavioral

Fi­nance

[

M]

.

Journal

of

Institutional

and

Theoretical

Economics,

2002,

158

(

2)

:

1

-

211.[

3]

Black

F.

Presidential

Address:

Noise

[

J]

.

Journal of

Finance,

1986,

41

(3)

:

529-543.[

4]

Odean

T.

Do

Investors

Trade

Too

Much?

[

J

]

.

American

Eco­nomic

Review,

1999,

89

(5)

:

1279-

1298.[

5]

Delong

J B,

Shleifer

A,

Summers

L

H,

et

al.

Positive

Feedback

Investment

Strategies

and

Destabilizing

Rational

Speculation

[

J]

.

Journal

of

Finance,

1990,

45

(

2)

:

379

-

395.[

6]

Mendel

B,

Shleifer

A.

Chasing

Noise

[

J]

.

Journal

of

Financial

Economics,

2012,

104

(

2)

:

303

-

320.[7]胡昌生，池阳春.投资者情绪、资产估值与股票市场波动[J].金融研究，2013,

(

10)

:

185-

197.[

8]

Kumari

J,

Mahakud

J.

Investor

Sentiment

and

Stock

Market

Vola­tility:

Evidence

from

India

[

J

]

.

Journal

of

Asia

-

Pacific

Busi­ness,

2016,

17

(

2)

:

173

-

202.[9]

张同辉，苑莹，曾文.投资者关注能提高市场波动率预测精

度吗？——基于中国股票市场高频数据的实证研究[J].中

国管理科学，2020,

28

(

11)

:

192-205.[10]

王春.投资者情绪对股票市场收益和波动的影响----基于开放式股票型基金资金净流入的实证研究[J].中国管理科

学，2014,

22

(9)

:

49-56.[11]

杨少华，郭万山.投资者情绪、超额收益及市场波动[J].

湖北工程学院学报，2018,

38

(2)

:

85-90.[12]

孙培源，施东晖.中国证券市场羊群行为实证研究[J].

证券市场导报，2004,

(8) :

39-43,

79.[13]

朱菲菲，李惠璇，徐建国，等.短期羊群行为的影响因素

与价格效应——基于高频数据的实证检验[J].金融研究，

2019,

(7)

:

191-206.[14]

许年行，于上尧，伊志宏.机构投资者羊群行为与股价崩

盘风险[J].管理世界，2013,

(7)

:

31-43.[

15]

Paulo

L，

Harminder

S.

Herding

Behavior

in

the

Chinese

and

In­dian

Stock Markets

[

J]

.

Journal

of

Asian

Economics，

2011

，

22

(

6)

.[16]

贾丽娜，扈文秀.投资者情绪对基金羊群效应的影响研究[J].运筹与管理，2013,

22

(6) :

191-199.[17]

谢晔，周军.情绪和控制幻觉对投资者羊群行为的影响[J].第

3

期(

总第

329

期)2021

年

3

月心理科学，2013，36

(4) :

936-941.工业技术经济Journal

of

Industrial

Technological

EconomicsNo.

3

(

General,

No.

329)

Mar.

2021[26]

Nakajima

J.

Time-Varying

Parameter

VAR

Model

with

Stochastic

[18]

郑瑶，董大勇，朱宏泉.异质性情绪影响股市羊群效应吗?——

Volatility：

An

Overview

of

Methodology

and

Empirical

Applications

[

J

]

.

Monetary

and

Economic

Studies，

2011

，

29:

107

-

142.[27]

姚登宝.投资者情绪、市场流动性与金融市场稳定----基于时变分析视角[J].金融经济学研究，2017，32

(5)

:

94-

来自互联网股票社区的证据[J].系统工程，2016，34

(9):

9-14.[19]

Hwang

S，

Salmon

M.

A New

Measure

of

Herding

and

Empirical

Evidence

[

J]

.

SSRN

Electronic

Journal，

2002，

158

(

2)

:

1

-

106.[

28]

Bikhchandani

S，

Hirshleifer

D，

Wlech I.

A

Theory

of

Fads，

23.[20]

Qiu

L

X，

Welch

I.

Investor

Sentiment

Measures

[

J

].

SSRN

E­Fashion，

Custom，

and

Cultural Change as

Informational

Cascades

[J].

Journal

of

Political

Economy，

1992，

100

(5) :

992

-

1026.[

29]

Davis

E

P.

The

Role

of

Institutional

Investors

in

the

Evolution

of

lectronic

Journal，

2004，

117

(

35)

:

367 -

377.[21]

黄少安，刘达.投资者情绪理论与中国封闭式基金折价[J].

南开经济研究，2005，(4)

:

78-82，114.[22]

Boehme

R

D，

Danielsen

B

R，

Sorescu

S

M.

Short-Sale

Cos-

Financial

Structure

and

Behavior

[

J]

.

The

Future

of

the

Finan­cial

System，

1996，

33

:

49-99.[30]

Maug

E

G，

Naik

N

Y.

Herding

and

Delegated

Portfolio

Manage­traints，

Differences

of

Opinion

and

Overvaluation

[

J

]

.

Journal

of

Financial

and

Quantitative Analysis，

2006，

41

(2)：

455

-487.[23]

Baker

M，

Wurgler

J.

Investor

Sentiment

and

the

Cross-Section

ment:

The

Impact

of

Relative

Performance

Evaluation

on

Asset

Allocation

[

J

]

.

Quarterly

Journal

of

Finance，

2011

，

1

(

2

)

:

265 -

292.[31

]

Lakonishok

J，

Shleifer A，

Vishny

R

W.

The

Impact of Institu­of

Stock

Returns

[

J].

The

Journal

of

Finance，

2006，

61

(4):

1645 - 1680.[24]

何基报，鲁直.什么影响着投资者选择卖出或继续持有？

tional

Trading

on

Stock

Price

[

J]

.

Journal

of

Financial

Economi-

[J].管理科学学报，2006，(6)

:

53-63.[25

]

Hong

H，Stein

J

C.

A

Lnified

Theory

of

Lnderreaction，

Mo­cs，1992，32

(1)：

23-43.[

32]

Devenow A，

Welch

I.

Rational Herding

in

Financial

Economicsmentum

Trading，

and

Overreaction

in

Asset

Markets

[

J]

.

Jour­nal

ofFinance，1999，54

(6)

:

2143-2184.[J].

European

Economic

Review，

1998，

40

(3)

:

or

Sentiment,

Herd

Behavior

and

Market

Volatility

------Empirical

Research

on

TVP

—VAR

Model

Based

on SSE

STAR

MarketYang

Wenqi

Wang

Yan(The

Center

of

Economic

Research

Shandong

University,

Jinan

250100,

China)〔Abstract]

This

paper

selects

the

daily

frequency

trading

data

of

SSE

STAR

market，

and

firstly

constructs

comprehensive

in­dicators

of

investor

sentiment，

herd

behavior

and

market

volatility

index

based

on

nonparametric

cross

-

sectional

dispersion

model

(nonparametric

HS

model)，

and

then

under

the

time-varying

parameter

vector

autoregressive

model

(TVP-VAR

model)

the

in­fluence

of

investor

sentiment

and

herd

behavior

on

market

volatility

and

the

feedback

of

the

former

are

analyzed

according

to

different

phase

lag

and

market

development

phase.

It

is

found

that

the

influence

of

investor

sentiment

on

market

fluctuation

does

not

have

a

time-varying

effect

and

decreases

with

time.

The

effect

of

herd

behavior

on

market

fluctuation

is

time

-

varying

and

accumulates

over

time.

The

dynamic

relationship

between

investor

sentiment

and

market

volatility

is

not

significantly

different

due

to

the

market

develo­pment

stage，

but

the

dynamic

relationship

between

herd

behavior

and

market

volatility

shows

obvious

heterogeneity

in

the early，

middle

and

late

stages

of

market

development.〔Key

words]

SSE

STAR

market；

investor

sentiment；

herd

behavioral；

market

volatility；

TVP-VAR

model；

time-varying〔Jel

classification]

016；

G14(责任编辑：张舒逸)

81

证劵投资选择题 篇四

证券选择题（答案仅供参考）

一、单项选择题

1、股票实质上代表了股东对股份公司的D＿。

A、债权 B、收益权 C、物权 D、所有权

2、股票净值又称为B＿。

A、票面价值 B、账面价值 C、清算价值 D、内在价值

股票的净值又称为帐面价值，也称为每股净资产，股票净值等于公司资产减去负债的剩余盈余，再除以该公司所发行的股票总数。

3、在股票票面上标明的金额，是股票的A＿

A、票面价值 B、账面价值 C、清算价值 D、内在价值

4、优先股股息在当年未能足额分派时，能在以后年度补发的优先股，称为B＿

A、参与优先股 B、累积优先股 C、可赎回优先股

D、股息率可调整优先股

5、债券具有票面价值，代表了一定的财产价值，是一种＿C＿。

A、真实资本 B、财产直接支配权 C、虚拟资本

D、物资直接支配权

债券代表了一定的财产价值，但是它并非真实资本．而是一种虚拟资本

6、贴现债券通常在票面上＿D（A）＿，是一种折价发行的债券。

A、不规定利率 B、规定利率 C、标明折价率

D、不标明折价率

7、债券代表投资者的权利，这种权利称为＿A＿。

A、债权 B、资产所有权 C、财产支配权 D、资金使用权

8、安全性最高的有价证券是＿A＿。

A、国债 B、股票 C、公司债券 D、企业债券

9、如果债券的票面利率固定，则当市场利率下降时，债券的市场价格＿A＿。

A、上升 B、下降 C、不变 D、不确定

10、如果公司经营不善而破产，公司债券持有者＿B＿股东收回本金。

A、晚于 B、优先于 C、同时与

11、 证券投资基金通过发行基金单位集中的资金，交由C＿管理与运作。

A、基金托管人 B、基金承销公司 C、基金管理人

D、基金投资顾问

12、证券投资基金通过发行基金单位集中的资金，交由＿A＿托管。

A、基金托管人 B、基金承销公司 C、基金管理人

D、基金投资顾问

13、证券投资基金的资金主要投向＿C＿

A、实业 B、邮票 C、有价证券 D、珠宝

14、投资基金的风险可能小于＿A＿

A、股票 B、固定利率债券 C、浮动利率债券 D、债券

15、封闭式基金的基金单位交易方式是＿A＿。

A、证券交易所上市 B、证券投资所上市或柜台转让

C、既可赎回，又可上市 D、柜台交易

16、与开放式基金相比，封闭式基金的交易价格会更直接受制于＿C

A、基金总资产 B、基金净资产 C、市场供求关系

D、基金负债 17、开放式基金的交易价格取决于B＿＿。

A、基金总资产值 B、基金单位净资产值 C、市场供求关系

D、基金资产净值总额

18、基金管理人由＿C＿担任。

A、信托投资公司 B、证券公司 C、基金管理公司

D、商业银行

19、看涨期权的买方对标的金融资产具有＿A＿的权利

A、买入 B、卖出 C、持有

20、只能在期权到期日执行的期权是＿A＿。

A、欧式期权 B、美式期权 C、看涨期权 D、看跌期权

21、金融期货的交易对象是＿C＿。

A、金融商品 B、金融商品合约 C、金融期货合约

D、金融期权

22、如果可转换债券的债券面额为1000元，转换价格为25，股票的市场价格为20，则其转换比例为＿B＿

A、30 B、40 C、50 D、60

每张债券能够转换为股票的股数即为转换比例，且转换价格=债券面值/转换比例，转化比例=债券面值/转化价格=1000/25=40

23、可转换债券的票面利率一般＿B＿相同条件下的不可转换债券的票面利率。

A、高于 B、低于 C、等于 D、不确定

24、在下列发行方式中，发行费用最低的是＿A＿。

A、代销 B、余额包销 C、全额包销

25、在公司的无偿增资中，积累转增资的股本金的来源是＿B。

A、税后利润 B、公积金 C、借入资金 D、自有资金

一、多项选择题

1、普通股股东享有的权利有＿ABCD＿。

A、公司重大决策的参与权 B、公司盈余和剩余资产分配权

C、公司管理权 D、优先认股权

2、我国《公司法》规定，股份有限公司向＿ABC＿发行的股票，应当是记名股票。

A、发起人 B、国家授权投资的机构 C、法人 D、社会公众

3、按股票享有的权利不同，股票可分为＿AB＿。

A、普通股 B、优先股 C、记名股票 D、不记名股票

4、我国《公司法》规定，股票发行价格和票面金额的关系可以是＿AC＿。

A、相等 B、无关 C、超过票面金额 D、低于票面金额

5、影响债券偿还期限的因素主要有＿BCE＿

A、债券票面金额 B、资金使用方向 C、市场利率变化

D、债券发行主体 E、债券变现能力

6、按照发行主体不同，债券可以分为＿BDE＿。

A、城市债券 B、金融债券 C、农村债券 D、公司债券

E、政府债券

7、债券与股票的相同点表现在＿ABD＿。

A、都属于有价证券 B、都是筹资手段 C、都有规定的偿还期

D、收益率相互影响 E、都有同样的权利

8、公债与其他债券相比，有以下特点＿BCDE＿。 A、票面额大 B、流通性强 C、收益稳定 D、免税待遇

E、安全性高

9、证券投资基金资金的主要投向是BCDE＿＿。

A、房地产 B、股票 C、债券 D、金融期货

E、货币市场工具

10、契约型基金的当事人有＿ABD＿。

A、管理人 B、托管人 C、承销公司 D、投资者

11、以基金是否可自由赎回为标志，证券投资基金可分为AB＿＿。

A、开放式基金 B、封闭式基金 C、契约型基金

D、公司型基金

12、我国主要的股票价格指数有＿AB＿。

A、上证综合指数 B、深圳综合指数 C、上证30指数

D、深证成份指数 E、金融时报指数

13、证券间接发行的发行方式具体又分为＿ABC＿

A、代销 B、余额包销 C、全额包销 D、公募发行

E、私募发行

14、目前，我国证券交易中允许执行的交易价格指令是＿＿

A、市价指令 B、限价指令 C、停损指令 D、限价防损指令

国际上常用的交易指令有：市价指令、限价指令、止损指令和取消指令等。我国期货交易所规定的交易指令有两种：限价指令和取消指令。

限价防损指令=取消指令？

15、目前，我国证券交易的清算交割实行＿BD＿的制度。

A、T＋0 B、T＋1 C、T＋2 D、T＋3

T代表TRADE.，A股实行(人民币普通股票)T+1：当日买进股票（T），下一个交易日才能卖出（1）

B股(人民币特种股票。它是以人民币标明面值，以外币认购和买卖)实行T＋3

企业经营沙盘模拟重要经营规则 篇五

企业经营沙盘模拟重要经营规则

1、生产线

购置费 安装周期 生产周期 总转产费 转产周期 维护费 残值

50万 0Q 3Q 0万 0Q 10万/年 10万

生产线

手工线

半自动 100万 2Q 2Q 10万 1Q 10万/年 20万

全自动 150万 3Q 1Q 20万 1Q 20万/年 30万

柔性线 200万 4Q 1Q 0万 0Q 20万/年 40万

租赁线 0万 0Q 1Q 60万 20Q 60万/年 -60万

不论何时出售生产线，从生产线净值中取出相当于残值的部分计入现金，净值与残值之差计入损失；

只有空的并且已经建成的生产线方可转产；

当年建成的生产线、转产中生产线都要交维修费；

生产线不允许在不同厂房移动；

租赁线不需要购置费，不用安装周期，不提折旧，维修费可以理解为租金；其在出售时(可理解为退租)，系统将扣 租赁线对应的残值，记入损失；该类生产线不计小分；

手工线不计小分。

2、折旧(平均年限法)生产线

购置费 残值 第一年 第二年 第三年 第四年 第五年

50万 10万 0万 10万 10万 10万 10万 手工线

半自动 100万 20万 0万 20万 20万 20万 20万

全自动 150万 30万 0万 30万 30万 30万 30万

柔性线 200万 40万 0万 40万 40万 40万 40万

租赁线 0万 -60万 0万 0万 0万 0万 0万

当年建成生产线不计提折旧，当净值等于残值时生产线不再计提折旧，但是可以继续使用。

3、融资

贷款类型 贷款时间 贷款额度 利息 还款方式

长期贷款 每年年初

与为权益3倍

短期贷款 每季度初 5.0% 到期一次还本付息

10.0% 年初付息，到期还本

资金贴现 任何时间 视应收款额 0.125（3季，4季），0.1（1季，2季） 变现时贴息

拍卖库存 原材料八折，成品原价

4、厂房

厂房 买价 租金 容量 售价

小厂房 280万 28万 3条 280万

厂房出售得到4个账期的应收款，紧急情况下可厂房贴现，直接得到现金。

中厂房 400万 40万 4条 400万

大厂房 450万 45万 5条 450万

每季均可租或买，租满一年的厂房在满年的季度（如第二季租的，则在以后各年第二季为满年，可进行处理），需要用“厂房处理”进行“租转买”、“退租”（当厂房中没有任何生产线时）等处理，如果未加处理，则原来租用的厂房在满年季末自动续租；厂房不计提折旧；生产线不允许在不同厂房间移动。 规则表中“厂房限制”为有，则不能购买同种类型的厂房；“厂房限制”为无，则：厂房使用可以任意组合，但总数不能超过四个；如租四个小厂房或买四个大厂房或租一个大厂房买三个中厂房。

5、市场准入

市场 开发费 时间

本地 5万/年 1年

区域 10万/年 1年

开发费用按开发时间在年末平均支付，不允许加速投资。

国内 10万/年 2年

市场开发完成后，自动获得相应的市场准入证。

亚洲 10万/年 3年

国际 10万/年 4年

6、资格认证

时间 费用

2年 20万/年 认证费用按认证时间在年末平均支付，认证完成后自动获得相应的ISO资格证。可中断投资.

认证类型

ISO14000

ISO9000 2年 10万/年

7、产品物料清单名称

开发费用 开发周期 加工费 直接成本 产品组成

10万/季 3季 10万 19万 1R1 P1

P2 10万/季 3季 10万 31万 1R2+1R3

P3 10万/季 4季 10万 42万 2R2+1R4

P4 10万/季 5季 10万 55万 1R2+1R3+2R4

8、原料设置

原材料 购买价格 提前期

R1 9万/个 1季

R2 10万/个 1季

R3 11万/个 2季

R4 12万/个 2季

紧急采购：付款即到货，原材料价格为直接成本的2倍，成品价格为直接成本的3倍。

紧急采购原材料与产品时，直接扣除现金。上报报表时，成本仍然按照标准成本记录，紧急采购多付出的成本计入费用表损失项。

9、系统相关参数

订单违约罚金率 20.0% 紧急采购倍率(产品) 3倍

库存折价率(产品) 100.0% 紧急采购倍率(原料) 2倍

库存折价率(原料) 80.0% 所得税率 25.0%

管理费 10万 厂房限制 无

信息费 1万 选单时间 40秒

市场老大 有 选单补时 20秒

积分加权 有 间谍使用时间 600秒 竞单费用 10万 竞单时间 90秒

初始资本 1000万

10、选单规则：订货会

投10万广告有一次选单机会，每增加20万多一次机会，如果投小于10万广告则无选单机会，但仍扣广告费，对计算市场广告额有效。

如果有市场老大：上年销售额最高（无违约）优先；其次看本市场本产品广告额；再看本市场广告总额；再看市场销售排名；如仍无法决定，先投广告先选单。

如果无市场老大：产品广告费优先；其次看广告总额；再看投放广告费时间。

友情提示：出现确认框要在倒计时大于5秒时按下确认按纽，否则可能造成选单无效；

在某细分市场（如本地、P1）有多次选单机会，放弃一次，不会丧失后面该细分市场的选单机会；

竞单会

参与竞标的订单标明了订单编号、市场、产品、数量、ISO要求等，而总价、交货期、账期三项为空。竞标订单的相关要求说明如下：⑴投标资质：参与投标的公司需要有相应市场、ISO认证的资质，但不必有生产资格。中标的公司需为该单支付10万标书费，计入广告费。(如果已竞得单数+本次同时竞单数)* 10 >现金余额，则不能再竞。⑵投标：参与投标的公司须根据所投标的订单，在系统规定时间（90秒，以倒计时秒形式显示）填写总价、交货期、账期三项内容，确认后由系统按照：得分=100+(5-交货期)*2+应收账期-8*总价/(该产品直接成本*数量)；以得分最高者中标。如果计算分数相同，则先提交者中标。

提请注意：总价不能低于（可以等于）成本价，也不能高于（可以等于）成本价的三倍；必须为竞单留足时间，如在倒计时小于等于5秒再提交，可能无效；竞得订单与选中订单一样，算市场销售额；

11、破产标准：现金断流或权益为负。

12、市场规则：实际选单从第2年起，市场预测表中第1年需求量及价格数据仅仅起占位作用，实际有效预测数据从第2年开始。

13、交单规则：按订单交货可以提前，但不可以推后，违约收回订单并扣违约金。

14、取整规则（均精确或舍到个位整数）：违约金扣除--四舍五入；库存拍卖所得现金--四舍五入；贴现费用--向上取整；扣税--四舍五入；长短贷利息——四舍五入。

15、其他费用：库存折价拍卖，生产线变卖，紧急采购，订单违约记入其他损失。

16、积分规则（加权积分法）

完成预先规定的经营年限，将根据各队的最后分数进行评分，分数高者为优胜。

总成绩＝所有者权益×（1＋企业综合发展潜力/100）-罚分

企业综合发展潜力如下：

项目 综合发展潜力系数

自动线 +8/条

柔性线 +10/条

本地市场开发 +7

区域市场开发 +7

国内市场开发 +8

亚洲市场开发 +9

国际市场开发 +10

ISO9000 +8

ISO14000 +10

P1产品开发 +7

P2产品开发 +8

P3产品开发 +9

P4产品开发 +10

更多推荐

投资者,情绪,市场,波动,影响,行为,羊群