Page 68 - 《社会》2017年第2期

网络舆情是否影响股市行情？

等特征，进行了加权处理，这与个人在对这些信息难以充分掌握的情况
下直接获取的词频相比更为可靠。第二，使用官方提供的词频等二手
数据是国际、国内大数据分析文献广泛使用的方法（如谷歌趋势、推特
第三方词频工具等）。 ５ 第三，本文利用新浪大数据的目标是获取词频
指标，而非统计精确的词频数本身。我们更无意把本文的研究结果作
为一种准金融工具，因此不关心词频指数每上升一个点对股市能有几
个点的精确拉动作用，而是关心这种统计关联是否存在。
虽然新浪微博可能会因营销需要而将特定的关键词（如明星名字、
企业商标）有意识地推广，甚至直接设为热词，热词数据就可能不准确。
或者，商业水军的运作会使词频受到人为干扰。但我们所检索的关键
词均为技术性的股市用语，而不是具体的哪只股票或哪个产品，并没有
商业性导向，所以被新浪处于商业利益修改的概率极低。另一方面，水
军的信息同样是市场信息，是舆情的一部分，会对社会产生影响，理所
当然在我们的分析范围之内。没有任何分析上的必要进行这种筛选。
因此，笔者依据中国证券业协会《证券市场基础知识》、袁剑的《中
国证券市场批判》等书籍，搜集到 ２００ 多个股市术语。我们发现，其中
有 １０８ 个术语成为微博热 词。在 这 １０８ 个 热词 中， ７７ 个 为 中性（“股
票”“股市”“证监会”等），而具有明确利空含义的有 １８ 个（“股灾”“爆
仓”“跌停”“暴跌”“停牌”“熊市”“空头”“利空”“割肉”“逼空”“抛售”“离
场”“崩盘”“跳水”“打压”“洗盘”“阴跌”“套牢”），有明确利好含义的 １３
个（“救市”“抄底”“牛市”“涨停”“多头”“利多”“反弹”“回档”“增仓”“护
盘”“开户”“改革牛”“慢牛”）。对于利空热词和利好热词，我们分别从
新浪微博中获得股市震荡期、平稳期的全部每日热议指数。具体统计
量描述参见表 １ 。
我们把这 ３１ 个术语和“上证指数”（每日开盘价与收盘价均值）的
标准化值绘制在图 ２ 中（横轴单位为“天”）。通过去量纲，我们可以直
接比较不同曲线的变化幅度。从图 ２ 可以看出，无论是震荡期还是平
稳期，热词的变化起伏都大于“上证指数”的变化起伏。尽管因为视觉
效果，我们对热词曲线 犣 值已经取了前后 ４ 日（共 ９ 天）的滑动平均值，
但微博热议的变化幅度仍远大于股市本身的变化幅度。这本身是体现

５． 具体的实 证 分 析 参 见 相 关 研 究 （ 犘狉犲犻狊 ， 犲狋犪犾． ， ２０１３ ； 犓犻犿 ， 犲狋犪犾． ， ２０１３ ； 犅狉 狔 犱犲狀 ， 犲狋犪犾． ，
２０１３ ； 犆狌狉犿犲 ， 犲狋犪犾． ， ２０１４ ； 犇犪 ， 犲狋犪犾． ， ２０１５ ），直接关于数据的文献回顾和讨论参见另一部分
相关研究（ 犛犮犺犲犻狋犾犲 ， ２０１１ ； 犕犲犾犾狅狀 ， ２０１３ ， ２０１４ ； 犖狌狋犻 ， 犲狋犪犾． ， ２０１４ ）。
· ６ １ ·