谷歌搜索量和个人投资者交易行为
由crisvalentine创建，最终由crisvalentine 被浏览 18 用户
摘要
文献来源：Dimitrios Kostopoulos, Steffen Meyer and Charline Uhr, Google search volume and individual investor trading, Journal of Financial Markets, 2020, vol. 49, issue C.
推荐原因：舆情数据的使用一直是受人关注的话题，本文基于谷歌搜索数据在德国市场构建了投资者情绪指数FEARS，作者发现FEARS情绪指数对投资者的交易行为具有显著影响。FEARS指数越高、市场情绪越低落时，个人投资者的买入交易将更少，投资者更倾向于卖出股票。进一步分析还表明，FEARS指数与股票市场收益之间呈现显著负向相关性，指数取值越高、情绪越低落时，股票市场收益将倾向于越低。
简介
研究已经表明投资者情绪对于金融市场具有显著的影响，Baker and Wurgler (2007)根据市场成交量、IPO企业数量等指标构建了投资者情绪指数并且展示了情绪指数对于市场收益的预测作用。Tetlock (2007) 发现股票收益市场与华尔街日报上的消极栏目数量之间存在显著关系。另外一些研究表明资产价格受益一些非经济事件如体育、空难、天气、季节性情绪波动等影响。
Da et al. (2015)基于谷歌搜索内容提出了一个情绪指数FEARS指数，他们的研究表明FEARS指数与美国市场表现之间存在显著关系。在本文中，根据德国市场10年多超过100000个投资者的交易记录的数据，本文分析了FEARS指数与个人投资者的交易行为之间的相关性。
在文献中现有的一致结论认为负面的情绪冲击会向下施压资产价格并在随后几天反转(Tetlock, 2007; Garcia, 2013; Da et al., 2015)。本文中，作者首先基于谷歌搜索数据构建了德国版的FEARS指数，而后作者将FEARS指数与个人投资者交易记录相结合分析了FEARS对于投资者买卖不平衡性的影响以及FEARS与股票市场收益之间的相关性。
\
数据
在本节中，作者描述了本文中的数据以及本文核心指标FEARS指数的构建方式。
FEARS指数构建
按照Da et al. (2015)方式，本文根据以下5个步骤构建了德国市场的FEARS指数：
- 首先第一步是确认所有与期望和经济状况相关联的德语单词；
- 对于每个单词，下载从2005年1月至2015年12月区间所有检索词的日搜索量指数（SVI）；
- 根据Da et al. (2015)，计算SVI的对数变化 以及标准化处理后的变化 ；
- 以180天为窗口滚动，在每个窗口中挑选出负向显著性最高的30个关键词用以构建未来180天的指数；
- 最后根据 得到指数，其中 是排序为i的搜索在对应回归的 。
个人投资者数据
通过与大型经纪商合作，作者拿到了众多交易者账户的日度交易数据与组合持仓信息记录，并将这些信息与FEARS指数相匹配。
如下表所示，样本中101223个投资者交易了接近1580万笔，交易额约1134亿欧元。所有的交易中，52.9%占比的是买入交易，47.1%的为卖出交易；投资者平均年龄为53岁，男性占比为83%，59%的交易者为已婚人士。这些统计数据与家庭金融研究中所披露的美国的数据相接近，经纪商客户通常是比普通群体更加的专业，因此样本中拥有博士学历的投资者占比达到7%，远高于德国人口的平均水平。
交易变量
本文构建了标准化的交易变量以用于度量零售投资者的交易模式，作者定义了以下两个变量：
以交易是数量度量买卖不平衡差异，而 以交易金额总量度量了买卖不平衡性；
证券风险水平
为了更进一步分析投资者情绪对于家庭交易行为的影响，本文将交易分为在风险资产与低风险资产的交易。根据German Security Trading Act，在金融资产上的投资必须被划分为低风险到高风险级别，因此所有证券被划分为从1到5的5个风险级别。
样本中所有交易在各风险级别的分布如上表所示，根据资产的风险类别，买卖不平衡性可以重新按如下公式定义，其中指标分别计算高风险资产与低风险资产的不平衡性。
假设检验和实证方法
在本节中，作者提出了主要假设并讨论了实证方法：
1） H1:当FEARS指数高时，个人投资者交易更少；
2） H2:当FEARS指数高时，个人投资者卖出风险资产；
3） H3:个人投资者响应高FEARS指数而卖出的证券在随后几天不会反转为买入证券；
参照Petersen (2009)方式，本文作者进行了如下的时间序列回归：
其中TM代表本文中的交易度量；FEARS是本文的市场情绪指数，由谷歌搜索数据得到；C是本文考虑的控制变量所构成的向量，变量明细如下表所示。
FEARS与个人投资者行为
在本节中，作者展示了本文的主要研究结论。首先，作者分析了FEARS指数对于投资者行为的主要影响作用；其次，作者对于结果进行了稳健性检验；最后，为了加深FEARS指数对于投资者行为的影响，作者检验了哪些投资者特征导致了这些影响。
投资者情绪对于个人投资者交易的影响
下表展示了模型分析中FEARS指数的回归系数，第一列和第二列的结果展示了基于所有证券交易的分析结论。列1的结果表明当FEARS指数很高时（投资者情绪低时），个人投资的买入交易更少，特别地FEARS的滞后项也非常显著。当FEARS指数提升一单位时，成交额度量的买卖不平衡度下降0.0198，结论在5%的显著水平上保持显著。
基于投资者特征的投资情绪
为了进一步分析FEARS指数与个人投资者交易之间的关系并理解什么因素导致了最终的结果。作者基于投资者特征分析了上文影响作用的差异，并将样本以不同的方式划分。
首先，作者将样本数据根据Herfindahl-Hirschman Index (HHI)指数划分为两类，HHI指数越低意味着组合分散化越好，因此作者构建了HHI哑变量，但投资者取值小于30%分位时取值为1否则取值为0；其次，作者将样本数据根据投资者教育水平分类构建了哑变量Acdemic Title，当投资者学历是“Dr.”或者“Prof.”时取值为1否则为0；此外，根据投资者的经验丰富度参照Seru et al. (2010)方式构建哑变量Experience；最后，构建性别哑变量Female。
为了分析FEARS指数和特定投资者特征产生交易行为之间的相关性，通过将FEARS指数与投资者特征交互项引入模型，下表展示了本文的研究结果。从第一列以及第二列结果可以看出当组合分散度越好时，FEARS指数的作用效果将越小，结果在5%置信水平上显著；表3列到6列的结果表明，FEARS的作用效果在教育程度更高、投资经验更丰富的投资者上影响更小，但是结果在统计上并不显著区别于0。根据Calvet et al. (2009)的讨论，以上的结果可以解释为缺少金融竞争力的投资者更倾向于情绪化。
德国FEARS指数和股票市场收益
在本节中，作者分析了FEARS指数和德国股票市场收益之间的相关。根据Tetlock (2007)模型，本文利用如下向量自回归模型VAR进行分析：
其中变量DAX代表DAX指数的日对数收益，变量C是由3个控制变量所构成的向量。
下表中第一列展示了VAR模型的估计系数，FEARS指数和市场收益之间呈现出负向相关性，但FEARS指数上升一单位时，DAX指数将下降26bps，结果在5%的置信水平上显著。
以上的分析结果表明本文构建的FEARS指数即是德国版本的美国FEARS指数，同时令人感到有趣的研究结论是负面的情绪将对市场产生向下的压力，但是该效用降价之后6天出现反转；另一方面，同样的冲击将导致个人投资者倾向于成为市场的卖方，但是该效用并未出现反转。因此，投资者情绪对于市场的影响是暂时的。
检验可选择的解释
控制月度效应
考虑到季节效应，作者在本文的主要分析师中引入月度效应而非年度固定效应，结果入下表所示。月度效应并未改变本文的主要结论，回归变量的方向、强度以及显著性结果之间非常相似，同时引入月度效应也并未改变反转模型，因此本文的结论对于季节效应而已是稳健的。
计算买卖不平衡性时不放缩平均交易
在前文中，作者将每日的买卖不平衡度减去过去1年的均值以得到最终的指标，在本节中作者尝试直接使用未经最近1年数据矫正的买卖不平衡度，这将减少由于减去过去均值而引入的噪声。
模型分析结果如下表所示，结论与前文的研究基本一致。FEARS指数的上升仍然会导致投资者相对卖出行为的加剧。
自动化交易
在本文的分析中，样本是由剔除非顾客的投资者所产生的交易组成，这些不被包括在内的投资者仅仅在少数的日子进行交易，这些预先确定的自动化交易不应该被FEARS指数所决定，它们仅产生了噪音。因此为了获得更好的稳健性，作者只是用储蓄计划和限价订单重新对模型进行了回归，并将该模型作为安慰剂检验。
模型回归结果入下表所示，结论与本文预期相一致，对于自动交易所产生的买卖不平衡并不会被FEARS指数所影响，并且反转效应也不存在。
总结
参考Da et al. (2015)本文基于谷歌搜索数据构建了德国股票市场的FEARS指数，FEARS指数利用负面关键词搜索量放映了市场的悲观情绪。在控制投资者因素、日历因素以及市场因素之后，作者发现FEARS指数越高时投资者倾向于卖出风险资产，分析结果在统计和经济意义上都是显著的。投资者情绪对于市场的影响是暂时的，但是情绪冲击对于这些投资者的组合分配具有持续性的影响，并且非专业投资者更容易受到情绪的影响。