Page 69 - 《社会》2017年第2期
P. 69
社会· ２０１７ · ２
了传播中的放大和波动效应，暗示舆情对股市可能所具有的重要影响
力还是体现了股市对舆情的影响，需要我们在研究中进一步判明。
表 １ ：股市热词的新浪微指数描述
利空术语 震荡期 平稳期 利好术语 震荡期 平稳期
股灾 ６５９４ （ １１８８３ ） １８０ （ ５９７ ） 救市 １２９１８ （ ２８１２５ ） ６８３ （ ３５５ ）
爆仓 １７７６ （ １９５４ ） １２５１ （ ９６５ ） 抄底 ５６６６ （ ６２８０ ） ３２７５ （ ２９３２ ）
跌停 １２１８０ （ １８７８５ ） ２３０５ （ ５７３７ ） 牛市 １４９２３ （ ７７４３ ） ６０５７ （ ６６１０ ）
暴跌 １４３２０ （ １５９７７ ） ５１５５ （ ６６０７ ） 涨停 ２６９７ （ １５７９ ） ８１３ （ ４５４ ）
停牌 ５８４６ （ １２９５３ ） １１０１ （ ７３７ ） 多头 ３４６７ （ ２４０３ ） ３２３７ （ １５５２ ）
熊市 ３６５８ （ ４６４５ ） １４２７ （ ６６６ ） 利多 ４６０６ （ ４２６８ ） ５６３０ （ ３２９４ ）
空头 ４５２０ （ ７０５５ ） １５２７ （ ７７９ ） 反弹 ２５５８２ （ １２８４２ ） ３０１３３ （ ９４４１ ）
利空 ２０１３ （ ２１４１ ） ２０２３ （ １５７４ ） 回档 ９８ （ ７７ ） １２４ （ １１０ ）
割肉 ３７１ （ １０２９ ） ８３ （ ４７ ） 增仓 １５４ （ ２４５ ） ６３ （ ７７ ）
逼空 ２１８ （ １９３ ） １６９ （ １１９ ） 护盘 ３３７０ （ ８４７５ ） １３３ （ １１６ ）
抛售 ８１１ （ ６４５ ） １１０２ （ ４９５ ） 开户 ３０２０ （ １４１３ ） ３７２４ （ ２９０４ ）
离场 ３６９８ （ ２６４３ ） ３７５８ （ １９０６ ） 改革牛 ２５１８ （ ４３６６ ） ９０２ （ ９２９ ）
崩盘 ３３１８ （ ３１１３ ） １６６４ （ ８３５ ） 慢牛 ３２０１ （ １７２２ ） １３１５ （ ７３７ ）
跳水 ８６９９ （ １２０５７ ） ５０６２ （ １８８４ ）
打压 ６４８５ （ ８３１０ ） ４８７６ （ ２３３９ ）
洗盘 １００７ （ ６２７ ） ７５０ （ ４４２ ）
阴跌 １５３ （ １４１ ） ８８ （ ７９ ）
套牢 １６５８ （ ２４８４ ） ２３１ （ ４９１ ）
接下来，我们从这 ３１ 个热词的词频时间序列中提取出一个潜在的
“共性”信息，也即将 ３１ 个变量通过线性变换的“降维”，筛选出最重要的
成分———“微博信心指数”。我们使用经典的“主成分分析法”，分别对利
好热词和利空热词各自生成总得分。我们利用特征值大于 １ 的主成分
（检验结果表明利好热词和利空热词各有 ４ 个特征值大于 １ 的成分）和各
自解释贡献率，计算出利好热词和利空热词的因子得分然后相减，这样
就构造出基于股市热词的股市“微博信心指数”，计算公式如下：
犿 犿
∑ β １ 犼 犳 １ 犼 ∑ β ２ 犼 犳 ２ 犼
犐狀犱犲狓 ＝犛犮狅狉犲１－犛犮狅狉犲２＝ 犼＝１ － 犼＝１
犘 犮狌犿１ 犘 犮狌犿２
其中， 犛犮狅狉犲１ 为利好因子得分， 犛犮狅狉犲２ 为利空因子得分， 为各主成
犳
分的预测因子值， β 为其解释贡献率， 犿 表示的是特征值大于 １ 的因
子数量， 犘 是累积贡献率。 ６ 最后，我们在图 ３ 中绘制了“微博股市信心
６． 限于篇幅，相关特征值、累计贡献率和 犓犕犗 、 犛犕犆 检验统计量不再列出，感兴趣的读者可
以向作者索取。
· ６ ２ ·
