基于深度學習的投資者情緒挖掘及其對股價崩盤風險的影響

尹海員 南早紅

一、引言

不論是經濟高質量發展的內在要求，還是基于我國股市現實狀況，以資本市場風險為主的風險防控已成為我國金融工作的重中之重。十八大以來，為維護資本市場的平穩運行，黨和政府多次提出要將防范和化解金融風險作為我國經濟和金融工作的重要內容，二十大報告中更是提出了“加強和完善現代金融監管，強化金融穩定保障體系，依法將各類金融活動全部納入監管，守住不發生系統性風險底線”的重要戰略部署，這些既為新形勢下的金融工作提供了重要指南，也為金融風險防控工作提出了更高標準?？v觀歷次我國股市的劇烈波動，都真實地反映了股價暴漲暴跌，特別是股價崩盤等極端尾部事件對資本市場健康發展的巨大危害和深刻影響。為防控和緩解金融風險，立足于我國股票市場探討上市公司股價崩盤風險的成因具有重要現實價值。

近年來圍繞股價崩盤風險的研究主要集中于其影響因素的探究?；凇跋㈦[藏假說”，學者們通過信息披露效應、情緒傳染效應來解釋股價崩盤風險的形成機制：前者是在投資者對市場上的信息具有快速一致反應的前提下，信息披露數量和質量如何影響股票價格；后者主要從投資者的異質性出發，分析投資者意見分歧和有限理性對于股價崩盤風險的影響。由于我國股票市場起步較晚、市場結構還不成熟，散戶特征明顯，投資者的心理預期和決策行為對股市運行具有重要影響。一方面，由于個體投資者獲取信息的渠道單一，在面臨信息不對稱的情況下，對股價未來波動趨勢難以做出準確預判；另一方面，局限于專業能力，個體投資者更容易出現羊群效應和從眾心理等認知偏差，投資者情緒的極端變動可能會引發股價的劇烈波動，進而加劇公司股價崩盤風險。從投資者情緒視角來解釋股價崩盤風險的成因，對于穩定股票市場運行、降低市場風險具有一定的參考意義。

越來越多的研究證明市場中情緒會影響股票收益和股價波動，甚至會在長期內使得資產價格偏離其內在價值。盡管相關研究較多，但如何正確有效地度量投資者情緒仍是一個難題。隨著文本挖掘技術的廣泛應用、財經大數據的積累，互聯網文本數據可獲得性有了很大提升，研究者開始嘗試從媒體報道、公司公告、社交網絡等多渠道進行文本挖掘和分析以提取能夠反映情緒狀態的數據并應用于股市運行研究。目前文本分類所采用的情感分析法主要可以分為基于詞典的情感詞典法、基于語料庫的機器學習法兩大類，前者更為簡單易用，但高度依賴專用詞集的構建；后者分類準確率較高，但很大程度上依賴手工分類構造的特征訓練集。近幾年來，深度學習作為機器學習的重要分支，采用不同模式的神經網絡模型可以減輕對情感詞典和特征提取的依賴，在文本分類中的應用越來越廣泛。

互聯網社區發帖文本中蘊含的情緒傾向是否會影響股價風險？我們選擇滬深300指數成分股為對象，爬取了2017年6月1日—2022年5月31日這五年期間的東方財富股吧中樣本股票的日度發帖，共獲取2 519 050條文本。結合雙向長短時記憶網絡(Bi-LSTM)和卷積神經網絡模型(CNN)，我們搭建了LSTM-CNN特征融合模型對股吧文本進行情感分類，計算每條發帖文本的情感值并構建投資者情緒指標，從公司層面來探究投資者情緒對股價崩盤風險的影響效應。進一步地，從公司內部治理環境和外部制度影響兩方面，分析投資者情緒對股價崩盤風險影響的異質性，并以股票流動性作為中介變量分析了情緒和股價崩盤風險之間的影響機制。

本文可能的邊際貢獻體現在如下三個方面：其一，從投資者行為分析的角度豐富了股價崩盤風險成因的相關研究。關于股價崩盤風險的影響因素已有很多研究，但大多從信息披露和企業委托代理關系的視角探索股票價格的風險積聚以及崩盤風險。我們從網絡中投資者情緒視角出發，探討情緒對股價崩盤風險影響的總體效應以及不對稱性，同時探討了股票流動性在投資者情緒影響股價崩盤風險過程中的中介作用，對投資者情緒影響股價崩盤風險的內在理論機制進行分析，拓展了股價崩盤風險成因的研究范疇。其二，搭建了LSTM-CNN特征融合模型，提升了文本情感分類的精確度，擴展了深度學習在金融研究中的應用。近幾年學者們將視角逐漸移向多種社交媒體，擴展文本挖掘與情感分析等技術在該領域的應用，但通行方法仍使用半監督機器學習模型，如樸素貝葉斯、支持向量機等。我們優化了文本分類方法，搭建LSTM-CNN特征融合模型，融合了卷積神經網絡和雙向長短時記憶(Bi-LSTM)模型，利用卷積神經網絡提取文本向量的局部特征，利用Bi-LSTM提取與文本上下文相關的全局特征，將兩種互補模型提取的特征相結合，解決了單卷積神經網絡模型忽略詞在上下文語義和語法信息的問題，也有效避免了傳統循環神經網絡梯度消失或梯度彌散問題。我們的深度學習融合模型提高了文本情感分類的準確度。其三，提升了股價崩盤風險度量指標的頻率，在高頻視角下，探究投資者情緒和股價崩盤風險關系。目前關于股價崩盤風險的度量仍以年度頻率為主，但是投資者情緒的變化波動是短暫迅速的，如果仍使用年度這樣的低頻數據，會損失大量有效的情緒信息。我們利用個股日度收益率構建月度股價崩盤風險指標，同時爬取股吧文本數據，構建了日度情緒指標，在更高頻率的視角下研究情緒對股價崩盤風險的影響。

二、文獻綜述與研究假設

1.股價崩盤風險及其成因機制。

現有文獻對股價崩盤風險的影響因素進行了許多研究，從公司內部因素來看，信息披露質量(曹廷求和張光利，2020[1]；趙璨等；2020[2])、信息透明度(江婕等，2021[3])、會計穩健性(Kim和Zhang，2016[4])、企業投資行為(孫亞菲等，2020[5])等都是影響公司股價崩盤風險的重要因素；從公司外部環境來看，機構投資者(Wang等，2020[6])、網絡輿情(Li等，2019[7])、投資者信息能力(丁慧等，2018[8])、投資者關注度(江婕等；2020[9])等變量都會顯著影響公司股價崩盤風險。實際上，通過對文獻搜索整理，可以發現眾多股價崩盤風險影響因素可以分為信息披露效應和情緒傳染效應兩種機制來解釋和闡述。

從信息披露機制來看，一般假設投資者信息處理能力是一致的，但公司和投資者之間、投資者彼此之間存在信息不對稱(Dai等，2019[10])。公司管理層出于私利，在信息披露時容易采取機會主義行為，故意隱藏壞消息，選擇性發布好消息，大量隱藏的壞消息一旦集中釋放造成股價驟降，從而引發了股價崩盤(Wang等，2020[6])。沿著這一思路，學者們進一步探究如何降低股價崩盤風險，比如孟慶斌等(2017)[11]發現當披露信息的可讀性越強時，加之公司內部治理和外部監督的存在，使得管理層機會主義行為受到限制和約束，會緩解股價崩盤的風險。曹廷求等(2020)[1]發現電話會議是公司信息披露的一個重要途徑段，電話會議討論的內容中包含的公司信息含量越高則對股價風險的緩解作用越明顯。Guan和Liu(2022)[12]認為信息透明度較低的公司傾向于具有更積極的年報基調，而年報的積極基調傾向與股價崩盤風險呈正相關關系。也有學者對披露信息的性質做進一步細分，發現信息披露的行為和性質如果有差異，對崩盤風險的影響效應也截然不同。比如Dai(2019)[10]發現信息披露可以明顯減低崩盤風險，但由于披露動機不同，只有強制性信息披露才可以影響股價崩盤風險。He等(2022)[13]發現基于傳統媒體報道、公司報告的信息披露會有利于降低股價崩盤風險，但是分析師報告所含信息則沒有影響。

從情緒傳染機制來看，一般認為投資者信息處理能力存在差異，即使面臨相同信息集合，仍然存在意見分歧，而這種異質信念是影響股價崩盤風險的主要原因。由于個體投資者的有限理性，在面臨海量的信息時，投資者不能完全識別其中的噪音，反而表現出羊群效應、盲目自信等行為偏差，使得非理性情緒在更大的范圍內快速擴散。利好消息下情緒高漲，產生市場泡沫，利空消息下悲觀情緒蔓延，股價驟降泡沫破碎，股價崩盤出現(Li等，2020[14])。比如江婕等(2020)[9]發現投資者關注度不存在信息路徑，反而表現出“關注度的崩盤效應”，即投資者關注度提高了股價同步性和股價崩盤風險。Zhou和Huang(2019)[15]發現投資者過度反應會導致更嚴重的股價崩盤風險。Cui等(2022)[16]發現正向信息沖擊會強化股價崩盤風險，這種影響在投資者過度反應時表現更為劇烈。

也有學者提出以上兩種機制同時存在且彼此之間相互作用，比如田高良等(2018)[17]發現投資者情緒對于上市公司自愿性的信息披露行為存在影響，公司關于網絡輿情的管理會提高股價信息效率，約束股價崩盤風險。有一些文獻則對信息效應和情緒效應的解釋力度進行比較，結論不一而足，有研究認為通過信息效應來解釋股價崩盤風險的形成更具有說服力(朱孟楠等，2020[18])，也有研究發現情緒效應機制對于股價崩盤風險的形成機制具有一定的解釋能力(江婕等，2020[9])。

2.基于網絡數據挖掘的投資者情緒及其度量。

如何正確有效地選取科學合理的指標來度量投資者情緒狀態一直是學者們不斷探討的焦點話題。早期研究中一般選擇多種股票市場交易數據，通過主成分分析法構建代理指標，但這種思路存在邏輯上的悖論：市場交易數據是情緒作用的結果，還是科學地反應情緒狀態本身？隨著移動通信時代的社交方式的革命性改變，為投資者之間的交流互動提供了更為便利的條件，海量實時更新的網絡數據承載著大眾即時的真情實感。自然語言處理與網絡爬蟲技術的發展，也幫助研究者可以通過文本分析技術構建更為真實準確的情緒指標(Li等，2020[14])。

投資者網絡社交的多樣化豐富了度量投資者情緒的文本信息，現有較為常見的文本數據可以分為兩類：以股吧為代表的股票互動社區、以微博/微信/推特等為代表的社交平臺。在股票互動社區中，投資者可以發表股票走勢和市場走向預期和看法，投資者也可以閱讀其他投資者的觀點，加之文本挖掘相對容易，所以現有很多研究基本上以股吧社區(部慧等，2018[19])、“上證e互動”和“深證互動易”互動平臺(孟慶斌等，2019[20])作為文本信息來源。以微博/微信/推特等為代表的社交平臺來看，隨著移動互聯技術發展，網絡社交平臺的出現進一步簡化和便利了投資者之間的交流，情緒的傳播范圍得到了更大范圍的拓展(Alnasseri等，2021[21])。但與股票社區的“去中心化”模式不同，社交平臺中的微信公眾號、微博大V博主的觀點更容易成為在線信息傳播的重要節點，普通投資者的互動和反饋相對不足。

經過數據挖掘后形成的文本信息大多是非結構化數據，需要進一步經過情感分析技術獲取可以量化投資者情緒的指標。目前主流情感分析技術方法主要有基于情感詞典的分析技術和基于語料庫的分析技術兩類。前者主要通過構建相應情感詞典法對文本進行分析，但對于詞典的強依賴性要求情感分析中要使用“恰到好處”的詞典，使得其適用性不足；后者主要包括半監督的機器學習和無監督的機器學習，半監督的機器學習方法主要集中在樸素貝葉斯(NB) (尹海員和寇文娟，2021[22]；Shen等，2021[23])和支持向量機(SVM)(戴德寶等，2019[24])，其模型準確度與人工提取的文本特征密切相關。近年來，無監督的深度學習分支成為前沿研究趨勢，有些文獻發現不同類型的神經網絡模型對文本進行情感分析和股價預測，模型分類和預測的準確度都優于詞典法(Jing等，2021[25]；Wu等，2021[26])，甚至能精準刻畫投資者情緒與股價運行間的非線性關系(Zhang等，2021[27])。與其他方法相比，深度機器學習的方法大大減少了對人工構造特征和情感詞典的依賴，更適用于網絡大數據的自然語言處理和分析。其中卷積神經網絡模型(CNN)以及長短期記憶神經網絡模型(LSTM)已經在計算機科學領域得到廣泛應用。

3.股價崩盤風險的情緒因素。

目前投資者情緒對于股市運行的影響研究大致集中在收益、效率和風險這三個維度：在股票收益維度，主要關注于投資者情緒如何影響市場整體以及個股收益率，兩者之間關系基本形成了統一的認知，即投資者情緒是影響股票收益率的一個重要因素；在股市效率維度，研究者發現情緒會對流動性產生影響(Debata等，2018[28])，并改變資本市場的信息效率，進而會影響股價中的信息含量(田高良等，2018[17])；在股市風險維度，大多集中于研究投資者情緒對市場波動性(Zhang等，2021[27])、公司特質風險(尹海員和寇文娟，2021[22])和股價泡沫(羅衎等，2018[29])等因素的影響。

關于情緒如何影響股價崩盤風險，現有文獻主要從媒體情緒和公司情緒兩個視角進行研究，部分研究涉及投資者情緒，但往往將投資者情緒作為中介變量，在情緒指標度量上也采用簡單的代理指標。媒體情緒方面，媒體事實上扮演著“信息供給”與“情緒干預”兩種角色，多數文獻從信息效應和情緒效應兩種途徑出發，考慮媒體情緒對于股價風險的影響。有學者認為媒體情緒在充當信息供給的重要角色的同時，也引導市場上投資者的心理預期，通過影響投資者情緒的途徑作用于股價風險(Zhu等，2017[30]；張宗新和吳釗穎，2020[31])。也有研究發現媒體情緒對于股價風險的影響只能從信息效應來解釋，媒體信息可以為緩解信息不對稱，也可以從外部監督公司治理和信息披露質量。但媒體情緒也容易被企業所影響和操縱，當媒體表現出對公司有利的媒體基調時，會加劇管理者的機會主義行為，進一步加劇股價風險(Li等，2019[7])。公司情緒方面，主要集中在管理者語氣、公司報告語調等方面。比如孟慶斌等(2019)[20]通過分析互動平臺溝通與股價崩盤風險之間的關系，發現董秘回復語氣對于股價崩盤風險沒有實質性影響。周波等(2019)[32]發現公司報告的正面語調與股價崩盤風險呈現正相關關系，而且這種報告語調的真實度越高則會減弱兩者之間的正相關關系。

投資者情緒對股價運行影響效應的相關文獻日漸增多，但關于投資者情緒如何影響股價崩盤風險以及其內在機制仍需要進一步探索。另一方面，從在線網絡文本中提取投資者真情實感已經成為研究主流，但所用模型各異，造成研究結論不盡相同。更為科學的深度學習神經網絡在文本情感分類的應用仍是前沿研究課題。

4.研究假設的提出。

個體投資者在投資決策中更容易出現明顯的情緒化傾向，高漲的樂觀情緒不斷推高股價，迫使股票價格偏離其內在價值，降低了股票未來收益率。同時，根據錨定效應和羊群效應理論，投資者情緒對于股價的影響也表現出不對稱，樂觀情緒對于股價上漲的影響大于悲觀情緒對于股價下跌的影響，比如Chen和Haga(2021)[33]發現股市中的散戶在樂觀狀態下的羊群效應要比在悲觀狀態下的羊群效應更為明顯。這一不對稱效應則會導致當市場出現利好消息時，投資者情緒看漲，噪音交易者成為市場交易的主體，進一步加大股價泡沫。當私人信息還只存在于信息傳遞者時，動量交易者沒有意識到潛在的風險，即使面對負面消息仍然保持對未來股價的樂觀估計并進一步追漲，加劇了股價崩盤風險。據此提出假設1：

H1：投資者情緒對未來股價崩盤風險有正向的影響，即當期投資者情緒比較樂觀時股價更易被高估，未來股價崩盤風險將會加劇。

要想更深入分析情緒與股價崩盤之間的關系，必須要考慮不同市場環境下，情緒對股價崩盤風險影響的差異性。已有很多研究發現處于不同市場環境中，投資者情緒狀態以及相應的非理性行為特征對股票市場的影響也不相同。比如Wang等(2021)[34]發現樂觀情緒和悲觀情緒對于股價收益的影響是不對稱的，樂觀情緒對收益率的影響更為明顯。Kumari(2019)[35]也發現在牛市環境下，投資者情緒對股票流動性的影響效應更強。一般認為，投資者對于股價消息的反應存在不對稱性，即投資者在悲觀情緒下面對消息的反應比樂觀情緒下面對利好消息的反應更為劇烈。這一規律反映到真實市場中，表現為投資者在熊市環境下，情緒在公司負面消息集中釋放后出現過度悲觀的反應，而后再對負面消息進一步產生更為悲觀的看法，由此形成惡性循環。因此，在熊市狀態下，投資者情緒和股價之間存在的雙向的反饋機制更為顯著，導致熊市狀態下投資者情緒彌漫會進一步放大股價崩盤風險。由此我們提出假設2：

H2：不同市場環境下，投資者情緒對股價崩盤風險的影響表現出不對稱性，在市場處于熊市時，情緒對于股價崩盤風險的影響效應更為劇烈。

關于股價崩盤風險，多數研究認為是大量“壞消息”短時間內集中釋放所導致的。一般來說，上市公司所隱藏的壞消息源自管理層的機會主義行為，公司內部控制和治理能力的欠缺，往往會導致管理者為了自身利益和業績而選擇性披露好消息或者故意美化信息(Zhu等，2017[30])，加重了投資者和管理者之間的信息不對稱。所以從公司內部治理環境來看，內部治理水平的改善會大大打擊管理者的機會主義沖動，降低管理人員的短視行為，提升了公司信息透明度，進而緩解了投資者情緒對股價崩盤風險的沖擊。

此外，影響企業股價崩盤風險的因素也涉及上市公司所面臨的外部制度環境。上市公司所處地區不僅存在經濟發展不平衡的問題，其制度環境也不盡相同。外部制度環境的差異會影響投資者信息獲取成本和套利限制。當外部制度環境較差時，投資者面臨的套利限制更嚴格，交易成本更高，容易引發更多非理性交易行為，如果疊加較弱的投資者保護水平，更容易催化未來的股價崩盤風險。另外，外部制度約束的欠缺更容易誘發機構投資者和公司管理者之間的關聯交易和股價操縱行為，加劇股價崩盤的可能性。由此我們提出假設3a和假設3b：

H3a：公司內部治理環境越差，投資者情緒對股價崩盤風險的影響越大。

H3b：公司外部制度環境越差，投資者情緒對股價崩盤風險的影響越大。

很多學者認為投資者情緒顯著作用于流動性，投資者非理性行為是引起市場流動性的重要原因。情緒會因為股票預期不確定以及短期投機兩方面的原因作用于股票流動性：一方面，由于對股票的未來收益持有不同看法，且個體投資者信息來源匱乏，很容易累積非理性的決策行為，導致股票流動性出現大幅度波動；另一方面，部分投資者出于短期投機的目的，會在短時間內大量買入或者賣出股票，使得股票流動性水平發生變化。但關于情緒如何具體影響流動性目前還存在一定的觀點分歧。Debata等(2019)[28]為投資者情緒正向影響股票流動性提供了實證，認為樂觀或悲觀情緒會影響其投資買賣行為進而影響股票的流動水平，當投資者情緒越樂觀時，會正向促進股票的流動性。但尹海員和華亦樸(2018)[36]發現信息披露程度會影響情緒和流動性的關系，在不完全信息環境下，投資者情緒會負向影響流動性，樂觀情緒對股票流動性具有抑制作用。另外，研究者發現較高的流動性有助于降低股價崩盤風險(熊家財，2015[37])，一方面，流動性水平高的股票交易成本較低，能夠促進股東對公司治理的監管，進而抑制了管理層的機會主義動機，減少負面消息的積累，股價崩盤風險就會減弱；另一方面，較高的流動性會增加私人信息價值，信息不對稱程度降低，進而抑制了股價崩盤發生的概率?；谝陨戏治?，我們猜想情緒越樂觀時，出于對股票收益的樂觀估計，投資者會繼續持有股票，但由于信息不對稱的原因，投資者謹慎心理可能會使股票流動性水平下降，進一步加劇未來股價崩盤風險。由此我們提出假設4：

H4：投資者情緒與股票流動性水平呈負向相關性，樂觀情緒越高漲則流動性水平降低，加劇了未來股價崩盤風險，股票流動性是投資者情緒影響股價崩盤風險的中介變量。

三、研究設計

1.樣本選擇和數據來源。

本文選擇了2017年6月1日—2022年5月31日期間的滬深300指數成分股為研究對象，并對全樣本進行了如下剔除：(1)剔除ST類、ST*類、金融類上市公司；(2)剔除部分存在數據缺失的公司樣本；(3)本文實證中所用的日度特有收益率指標，是在擴展的指數模型回歸殘差的基礎上獲得，為保證指數模型有效性，剔除了月度有效日收益率數據不足10個的公司樣本；(4)剔除了東方財富股吧論壇上顯示的投資者發布的帖子時間不到2017年6月的公司樣本。最終我們獲得174家樣本公司股票，共9 840個月度樣本觀測值。股票交易與財務數據均來源于銳思數據庫和國泰安數據庫，我們對同一變量指標利用兩個數據庫進行了交叉驗證，并對連續變量進行了上下1%的Winsorize縮尾處理。

我們構建投資者情緒指標所需文本皆來自東方財富股吧。國內主要財經網站中，該股吧不論是從百度權重、Alexa排名，還是反向鏈數、關鍵詞數等指標都多年排名第一，其影響力、用戶數量和活力方面在國內具有很好的代表性。數據挖掘過程如下：第一步，使用Python的網絡爬蟲對174家樣本股票各自股吧網頁進行抓取，所得每條文本內容都包括發帖網址、發帖人、標題、評論數、閱讀數以及發帖時間，共獲得發帖文本25 190 500條。第二步，因為初步爬蟲所得的文本具有很多干擾信息，所以需要對所得的文本進行預處理。首先通過Excel對股吧文本中的無效帖子和重復帖子等進行刪除，其中無效帖子包括空白帖、廣告、外部鏈接、雜亂符號等。其次采用Python中的JIEBA庫對股吧文本進行分詞處理，同時根據正則表達式和停用詞表去除帖子中的英文字母、標點符號和停用詞，最終得到22 921 007條發帖文本。第三步，在情感分析之前，對文本進行序列化處理，將文本轉化為向量。

2.LSTM-CNN模型構建。

神經網絡作為深度學習的重要分支之一，其中的卷積神經網絡(CNN)和循環神經網絡(RNN)目前在自然語言處理上得到廣泛應用。但由于自然語言在結構上存在著前后依賴關系，僅依靠卷積神經網絡實現文本分類將忽略詞的上下文含義，而傳統循環神經網絡存在梯度消失或梯度爆炸問題。為此，我們搭建了一種卷積神經網絡(CNN)和雙向長短時記憶神經網絡(Bi-LSTM)特征融合的模型LSTM-CNN。這一特征融合模型既可以利用卷積神經網絡提取文本向量的局部特征，也可以利用雙向長短時記憶神經網絡提取與上下文相關的全局特征。我們使用LSTM-CNN模型提取文本情感特征，利用Softmax函數進行情感分類并根據分類結果構建情緒指數，實現思路如下：

首先，輸入層經過embedding層，輸入的數據reshape成LSTM處理的類型，LSTM得到新的輸入后，借助sigmoid激活函數確定需要保持與丟棄的，當數據乘1時則代表被保留，數據乘0時則代表被遺忘，從輸入門中獲取的數據即為我們更新了狀態，借助輸出門確定攜帶的信息，將新的狀態以及隱藏狀態轉移到下個時間步。

其次，輸入值經過Bi-LSTM處理后，需要將輸出門數據進一步reshape為卷積神經網絡模型處理的類型，將LSTM模型的輸出值作為卷積神經模型(CNN)的輸入值，由卷積神經網絡模型處理。卷積神經網絡由卷積層和池化層交替疊加而成，在每個卷積層與池化層之間都有relu激活函數作用來加速模型的收斂，所有特征融合后得到卷積神經網絡的特征描述。

最后，將經過LSTM-CNN模型處理的輸出結果輸入到全鏈接層。全鏈接層中Softmax函數的計算結果為該文本屬于某一類別的概率值，進而可以通過全鏈接層輸出值的大小來判斷所屬類別。具體見圖1所示。

3.投資者情緒指標。

為訓練深度學習模型，需要將人工標記好的樣本作為訓練數據集。為此我們從待處理文本中隨機選取10 000條文本內容，邀請10名金融專業教師進行人工標注，人工將這些帖子分為“積極”“中性”“消極”，使得每條帖子至少有兩人進行標注。若兩人標注結果不一致，則邀請第三位進行標注，將三次標注結果的多數作為該條文本標簽。最終訓練集樣本中，有積極情緒文本3 042條、中性文本3 578條、消極情緒文本3 380條。接著，將訓練集樣本隨機劃分為訓練集和測試集，用訓練集來訓練模型，用測試集檢驗訓練好的模型的準確率，結果顯示模型準確率達到74.9%。

我們用訓練好的模型預測剩余所有文本的情感傾向，在此基礎上構建了三類投資者情緒指標：

首先是基于看漲程度的簡單情緒指標，見公式(1)：

(1)

公式(1)中，Mtpos和Mtneg分別表示時間t內積極情緒發帖總數和消極情緒發帖總數，Se介于[-1，1]，表達了投資者相對看漲的程度。

其次，股吧中發帖的閱讀數、評論數反映了發帖的傳播程度和影響力，也會影響閱讀者的情緒傾向進而形成更趨一致的意見環，考慮這一點我們構建公式(2)的投資者情緒指標Se1：

(2)

公式(2)中權重Rt為時間t內該帖子的閱讀總量，其余指標與公式(1)一致。

最后，指標Se計算過程中并未考慮中性帖子數量，但情緒中性的發帖也是投資者關注的一種表現，至少在某種程度上代表了投資者意見的活躍程度，即使投資者表達的是中性預期，也是有價值的。鑒于此我們構建指標Se2，如公式(3)所示：

Se2=Se×ln(1+Mt)

(3)

公式(3)中，Mt=Mtpos+Mtneg+Mtneu，Mtneu為情緒中性發帖總數。后續實證中我們用指標Se和Se1進行基準回歸檢驗，指標Se2用于替換解釋變量的穩健性檢驗。

4.股價崩盤風險指標。

股價崩盤風險的度量主要有年樣本法(Xu等，2021[38])和月樣本法(丁慧等，2018[8])：年樣本法利用股票周收益率數據計算經過市場調整后的收益率，采用市場調整后個股周收益率負偏度、漲跌波動比刻畫股價崩盤風險，其值越大代表崩盤風險越大；月樣本法將股價崩盤定義為極大的負值，假定股票收益率服從正態分布，然后定義虛擬變量來刻畫是否有股價崩盤發生的潛在可能。

但關于股價崩盤風險如何度量仍存在一些爭議。股價崩盤風險的度量需要根據研究變量的時間頻率來確定數據頻率，董永琦等(2020)[39]分別使用周收益率和日收益率進行了對比，提出更高頻的數據由于時滯因素，導致日度頻率的測量指標在量化股價崩盤風險方面失效。相反，孟慶斌等(2017)[11]認為低頻數據平滑了日度數據的高波動性，降低了股價崩盤風險測度的時效性。就投資者情緒而言，通過網絡文本挖掘完全可以獲得日度的情緒指標，為了更精準地進行實證檢驗，我們利用樣本股的日數據，計算月度市場收益負偏度(NCSKEW)和漲跌波動比(DUVOL)，具體方法如下：

首先，提取個股收益率中的特質收益率，即將個股的日度收益率作為被解釋變量，市場日收益率及二期提前項和滯后項作為解釋變量，回歸后提取殘差值，如公式(4)：

ri,t=?i+β1,irm,t-2+β2,irm,t-1+β3,irm,t+β4,irm,t+1+β5,irm,t+2+εi,t

(4)

公式(4)中，ri，t為股票i在t日的考慮現金紅利再投資收益率，rm，t為市場流通市值加權收益率，定義Ii，t=ln(1+εi，t)為股票i在t日的日特質收益率。

其次，根據所得的個股日特質收益率Ii，t，使用公式(5)、公式(6)計算月度市場收益負偏度(NCSKEW)、漲跌波動比(DUVOL)：

(5)

(6)

公式(5)中，n為股票i在j月的交易天數。NCSKEW越大則股價崩盤風險越大；公式(6)中，nup和ndown分別為股票i在j月中價格上漲和下跌的交易日數，日特有收益率大于其均值時則視為股價上漲。DUVOL的數值越大，表明股價崩盤風險越大。

同時，我們也選擇特有收益極端負值(Crash)來衡量股價崩盤風險，用于后續穩健性檢驗，特有收益極端負值(Crash)的計算見公式(7)：

(7)

5.控制變量。

本文選取以下控制變量：個股的平均日收益率，即個股日公司特有收益率的均值；個股日度收益標準差，反映個股股價波動程度；資產負債率，使用滯后一期上市公司負債總額和資產總額的比值，該指標反映了公司的償債能力；總資產收益率，使用滯后一期上市公司凈利潤和總資產的比值，反映公司的盈利能力；市凈率，上市公司每股價格與每股凈收益之間的比值；換手率變化比率，股票當期換手率與前期換手率的差值與前期換手率的比值。此外，我們引入了虛擬變量控制行業和年份固定效應。本文主要變量說明見表1。

表1 主要變量名稱與釋義

6.基礎回歸模型。

我們建立了以下非平衡雙向固定效應模型：

Crashriski,t=α0+β1Sentimenti,t-1+β2∑Controli,t-1+it+iy+εi,t

(8)

公式(8)中，Crashriski，t表示股價崩盤風險，我們分別使用條件收益負偏度(NCSKEW)和漲跌波動比(DUVOL)進行度量；Sentimenti，t-1表示滯后一期的投資者情緒；Control表示本文上述提到控制變量；我們還利用虛擬變量分別控制了行業(it)和年份(iy)效應。

四、實證分析與結果討論

1.描述性和相關性分析。

表2報告了主要變量描述性統計結果，樣本股票的條件收益負偏度(NCSKEW)和漲跌波動比(DUVOL)的均值分別為-0.168和-0.170，標準差為1.525和1.385；投資者情緒方面，Se、Se1和Se2的均值分別為-0.185、-0.396和-1.129，說明東方財富股票論壇在研究時間段內總體情緒偏向消極，從最大值和最小值看，不同時期投資者情緒差異較大；Se2的極差為9.226，表明投資者極易出現極端情緒；第9列和第11列展示了各變量的正態性檢驗和平穩性檢驗的結果，JB統計值普遍較大，不服從正態分布，IPS值的P值都小于0，表示所有變量均為平穩序列。

表3列示了主要解釋變量和被解釋變量間的相關系數，條件收益負偏度(NCSKEW)和漲跌波動比(DUVOL)之間相關系數為0.940和0.925，支持兩者可以進行交叉驗證；投資者情緒和股價崩盤風險的相關系數均在1%的顯著性水平上顯著為正；在控制變量方面，資產負債率(Lev)、市凈率(PB)和股價崩盤風險指標顯著正相關，而資產收益率(ROA)、換手率變化比(Dexch)與股價崩盤風險顯著負相關。為防止多重共線性影響，我們進一步計算各個變量的方差膨脹因子(VIF)，所有自變量的方差膨脹因子都小于10，最大值為2.16，排除了多重共線性的潛在干擾。

表2 主要變量描述性統計

表3 主要變量間相關系數

2.投資者情緒對股價崩盤風險影響以及不同市場環境的異質性。

表4報告了基于社交網絡的投資者情緒對股價崩盤風險指標的基礎回歸結果，列(1)～列(4)為未加入控制變量的結果，兩種投資者情緒變量系數值都在1%的顯著性水平上為正。列(5)～列(8)加入了控制變量，其中列(5)、列(6)是以條件收益負偏度(NCSKEW)為股價崩盤風險衡量指標進行回歸，投資者情緒Se和Se1回歸系數為0.310和0.124，兩者均在5%的顯著性水平上為正；列(7)和列(8)是以漲跌波動比(DUVOL)作為被解釋變量，Se和Se1回歸系數分別為0.276和0.106，兩者也在5%的顯著性水平上為顯著為正。表4結果表明投資者情緒與下一期股價崩盤風險之間存在著顯著的正向關系，投資者情緒的高漲會加劇未來股價的不確定性進而導致股價崩盤風險加劇，驗證了假設1。

控制變量方面，特有收益率均值(Ret)和與股價崩盤風險在1%的顯著性水平上顯著正相關，特質收益率越高則更容易吸引短期交易，股價崩盤風險加劇，這與孫亞菲等(2020)[5]的結論相同；資產收益率(ROA)與股價崩盤風險在10%的顯著性水平上顯著負相關，說明當公司資產收益率越高則股價崩盤風險就越低；換手率變化比(Dexch)與股價崩盤風險之間顯著正相關；市凈率(PB)與股價崩盤風險之間在1%的顯著性水平上正相關。

表4 投資者情緒對股價崩盤風險的影響

進一步地，我們將樣本時間段劃分為牛市和熊市，分別檢驗不同市場環境狀態下基于股吧平臺的投資者情緒對股價崩盤風險的影響效應是否存在差異。具體操作上，首先需要對股票設定一個單向運行周期，我們將單向運行周期取值為5，將研究時間段劃分為多個子區間；其次在每個子區間內尋找波峰和波谷，依次連接波峰和波谷則將樣本劃分為牛市和熊市。在此過程中：(1)波峰和波谷要求交替出現，若連續出現兩個波峰，則舍棄掉較小的波峰；若連續出現兩個波谷，則舍棄較大的波谷。(2)若牛市或熊市單程周期不超過4個月，則股市逆轉前后股價變動幅度必須要大于20%。(3)不包括序列端點附近股價水平低于端點處的波峰，以及序列端點附近股價水平高于端點處的波谷。最終劃分結果為：牛市區間為2017年6月至2018年6月、2019年1月至2019年3月、2020年4月至2021年12月，熊市區間為2018年6月至2018年12月、2019年4月至2020年3月、2022年1月至2022年5月。

表5報告了牛熊市不同市場環境下，投資者情緒對股價崩盤風險的影響效應。當條件收益負偏度(NCSKEW)作為被解釋變量時，在牛市中投資者情緒Se和Se1前的系數值分別為0.314和0.149，在10%的顯著性水平上顯著；而在熊市狀態下，投資者情緒Se和Se1前的系數值分別為0.745和0.331，且都在1%的顯著性水平上顯著，系數值和顯著性都有所提高。當用漲跌波動比(DUVOL)來衡量股價崩盤風險時，熊市中投資者情緒指標Se和Se1前的系數值分別為0.619和0.273，均在1%的顯著性水平下顯著為正，顯著性水平和系數值都比牛市狀態下高。投資者情緒對股價崩盤風險的影響效應在不同的市場環境中表現出明顯的非對稱性，熊市環境中的影響效應更為顯著，假設2得到驗證。

表5 牛熊市不同環境下投資者情緒對股價崩盤風險的非對稱性分析

3.內生性檢驗：工具變量法。

表6 工具變量回歸結果

4.內生性檢驗：傾向得分匹配法(PSM)。

為排除樣本選擇帶來的內生性問題，我們使用傾向評分匹配法(PSM)進行內生性檢驗。首先，在全樣本中將投資者情緒Se(Se1)進行排序，將大于70%分位數的樣本作為實驗組，小于30%分位數的樣本作為控制組。將控制變量資產負債率(LEV)、市凈率(PB)、總資產收益率(ROA)、換手率變化(Dexch)作為傾向匹配得分的特征變量，利用Logit模型計算投資者情緒，基于回歸結果計算樣本公司的傾向得分，最后采用一對一最近鄰法為匹配標準進行匹配。匹配后實驗組和控制組的平均處理效應(ATT)如表7所示。從結果可以看出，Se、Se1對條件收益負偏度(NCSKEW)和漲跌波動比(DUVOL)的PSM檢驗平均處理效應(ATT)的t值均大于1.68，都在1%的顯著性水平上顯著為正，這說明投資者情緒與股價崩盤風險呈顯著的正相關關系。

表7 全過程PSM檢驗結果

5.內生性檢驗：DID檢驗。

我們繼續使用雙重差分模型(DID)做檢驗，以控制可能存在的變量遺漏和偶然性因素。雙重差分模型要求將樣本在時間序列維度和截面維度上進行劃分，時間維度上，我們將新冠病毒感染疫情暴發的時間點(2019年12月)作為節點，設置時間虛擬變量period，將疫情暴發后的時間賦值為1，疫情前的時間賦值為0；在個體維度上，根據公司產權性質，設置個體虛擬變量treat，如果是國有企業則賦值為1，非國有企業賦值為0；同時設置虛擬變量Did代表虛擬變量period和treat的交互項，建立DID模型進行檢驗。結果如表8所示。從表中可以看出交互項Did的系數值在1%的顯著性水平上顯著為負，表明國有企業和非國有企業中投資者情緒對股價崩盤風險的影響在新冠疫情前后有顯著的差異。其中交互項系數為負，原因可能在于我國股票市場中，國有企業相比于非國有企業股價更為穩定。受到疫情的影響，投資者出于謹慎的心理，更傾向于選擇持有國有上市公司股票，所以投資者情緒對股價崩盤風險的影響在疫情發生后會降低。

為進一步分析疫情前后，投資者情緒對股價崩盤風險的影響效應在不同產權性質的樣本之間的差異，本文選取疫情暴發點作為節點進行平行趨勢檢驗。結果如圖2所示，其中(a)表示被解釋變量為條件收益負偏度(NCSKEW)，(b)表示被解釋變量為漲跌波動比(DUVOL)。平行趨勢檢驗結果都顯示，不論被解釋變量是條件收益負偏度還是漲跌波動比，新冠疫情暴發前，非國有企業中投資者情緒對股價崩盤風險影響更為明顯。但疫情暴發后，情緒對股價崩盤風險的影響在國有企業中更為明顯，兩者趨勢出現明顯不同，結果和前面DID檢驗結果一致。

表8 DID檢驗結果

6.穩健性檢驗：變量替換。

我們分別使用根據公式(7)計算的特有收益極端負值(Crash)替換條件收益負偏度(NSCKEW)和漲跌波動比(DUVOL)，表9中列(1)和列(2)報告了替換被解釋變量的回歸結果。從結果可以發現投資者情緒Se、Se1回歸系數分別為0.030和0.014，都在1%的顯著性水平上顯著為正，這與前文的基礎回歸結果一致。其次，采用前文公式(3)計算所得的投資者情緒指標Se2代替基礎回歸中情緒指標Se和Se1。表9中列(3)和列(4)報告了回歸結果，可以看出Se2對NSCKEW和DUVOL的系數值分別為0.034和0.033且在5%的顯著性水平上顯著為正，表明基礎回歸結論具有穩健性。

表9 替換變量的回歸結果

7.穩健性檢驗：安慰劑檢驗。

盡管我們在實證模型中加入了控制變量，但仍然可能存在遺漏變量問題。因此我們使用安慰劑檢驗，探討被解釋變量是否受其他隨機因素的影響。首先，打亂樣本股的投資者情緒Se(Se1)數據，將投資者情緒數據隨機賦給樣本股票；其次，將隨機賦給樣本個股的投資者情緒分別對條件收益負偏度、漲跌波動比進行回歸；最后，將上述步驟重復500次，并將500次回歸結果中投資者情緒系數的t值統計出來，繪制出相應的被解釋變量下虛擬投資者情緒回歸系數和P值的核密度分布圖，與基準回歸結果中投資者情緒Se(Se1)回歸系數和P值進行對比。

圖3和圖4分別是不同被解釋變量下安慰劑檢驗結果的核密度圖，圖中豎虛線表示基礎回歸結果中投資者情緒的回歸系數值，橫虛線表示10%顯著性水平，橫軸表示虛擬投資者情緒的估計系數，縱軸表示投資者情緒估計系數對應的P值大小。從圖中可以看出，不論被解釋變量為條件收益負偏度(NSCKEW)和漲跌波動比(DUVOL)，虛擬投資者情緒的估計系數值都圍繞在0附近呈現正態分布，皆小于基礎回歸中情緒的系數值。從P值來看，虛擬投資者情緒回歸所得的估計系數值對應的P值大部分處在10%顯著性水平線上，大部分都不顯著。這證明本文實證結果不是偶然因素引起的，情緒對股價崩盤風險的影響效應比較穩健，也排除了遺漏變量的影響。

圖3 投資者情緒對NCSKEW的安慰劑檢驗結果

圖4 投資者情緒對DUVOL的安慰劑檢驗結果

五、拓展研究：異質性與中介效應檢驗

1.內部治理環境：公司規模差異的異質性表現。

一般來說，規模較大的企業內部治理結構較為完善，公司內部控制和治理能力也較強，可以更好地規避和防范風險。我們根據樣本公司規模中位數對樣本進行劃分，將大于中位數的樣本股定義為大規模組，反之為小規模組。我們分別使用加入交互項和分組回歸兩種方法進行檢驗，結果如表10所示。其中，列(1)和列(2)是引入交互項的回歸結果，列(3)～列(6)是分組回歸的結果?？梢钥闯?，交互項系數顯著為負，分組回歸結果也發現小規模組的情緒系數值大于規模較大的系數值，且都在5%的顯著性水平上顯著為正。這說明投資者情緒對股價崩盤風險的影響效應在小規模公司樣本中更大，驗證了假設3a。

表10 不同公司規模下回歸結果

2.內部治理環境：股權集中度差異的異質性表現。

從委托代理角度來看，當公司股權分布較為分散時，由于沒有強勢股東的約束，管理者可能會存在機會主義行為，通過“捂盤”或者夸大利好消息，刻意隱藏和美化公司運行的真實財務狀況，增加了股價崩盤風險。我們利用樣本公司第一大股東持股比例來衡量股權集中度，根據其均值進行劃分，第一大股東持股比例大于其均值為高股權集中度樣本，反之則為低股權集中度樣本。表11報告了不同股權集中度水平下引入交互項和分組回歸的回歸結果。從列(1)和列(2)可以看出，當被解釋變量為漲跌波動比時(DUVOL)，交互項系數在10%的顯著性水平上顯著為負；觀察列(3)和列(5)，上市公司股權集中度低時，投資者情緒的系數值大于集中度高時的系數值，且在1%的顯著性水平上顯著。以上結果說明，與高股權集中度的公司相比，情緒對于股價崩盤風險的影響在低股權集中度的公司更為明顯，驗證了假設3a。

表11 不同股權集中度的回歸結果

3.外部制度環境：賣空限制差異的異質性表現。

在股票價格被高估的情況下，賣空限制越大，股價會損失更多的特質信息，更易同漲共跌(楊棉之等，2020[40])，同時負面消息融入股價的速度更為遲緩(孟慶斌等，2017[11])，從而加劇了股價崩盤風險。當公司的機構投資者持股比例較小時，賣空交易者進行賣空交易的可能性和規模越小，賣空限制越嚴格，所以本文利用機構投資者持股比例來衡量賣空限制程度，機構投資者持股比例越大，賣空限制越小。以樣本股票的機構投資者持股比例的均值作為節點，將大于均值的樣本劃分為高機構持股比例組(賣空限制小)，反之則為低機構投資者持股比例組(賣空限制大)，進行分組回歸檢驗，同時引入交互項來討論投資者情緒對股價崩盤風險影響的異質性。

表12報告了引入交互項和分組回歸的結果，其中列(1)和列(2)為引入交互項的結果，情緒Se前的系數值在1%的顯著性水平上顯著為正，交互項前的系數在1%的顯著性水平上顯著為負。從分組回歸的結果來看，將列(3)和列(5)、列(4)和列(6)進行對比，發現當被解釋變量為漲跌波動比(DUVOL)時，投資者情緒Se前的系數值在1%的顯著性水平上顯著為正，但是賣空限制大的樣本組系數值明顯大于賣空限制小的系數值。這表明上市公司賣空限制越嚴格，投資者情緒對股價崩盤風險的影響更顯著，驗證了假設3b。

表12 不同賣空制度下的回歸結果

4.外部制度環境：市場化水平差異的異質性表現。

我們選取上市公司注冊地所在省份的市場化指數來衡量外部制度環境。當上市公司所在地的市場化水平較高時，外部治理水平提升，促使企業及時披露信息，投資者信息搜集成本降低，有助于提升股價信息含量。我們所使用的市場化指數來自中國分省份市場化指數數據庫，根據公司所在地的市場化指數的中位數進行劃分，高于其中位數為高市場化水平組，反之則為低市場化水平組。表13展示了不同市場化水平下引入交互項和分組回歸的結果，其中列(1)和列(2)為引入交互項的結果，交互項前的系數顯著為負；分組回歸結果也表明，市場化水平低的樣本組系數值顯著大于市場化水平高的系數值?？梢钥闯?，情緒對股價崩盤風險的正向影響效應在市場化水平較低的上市公司中更為明顯，驗證了假設3b。

表13 不同市場化水平下的回歸結果

5.中介效應檢驗：流動性的中介作用。

我們使用Amihud的非流動性指標來衡量股票流動性水平，當非流動性比率越高時，股票流動性越低，具體如公式(10)所示：

ILLi,t=|Ri,t|/Voli,t

(10)

公式(10)中，Ri，t為股票的月收益率，Voli，t為股票的月交易金額。我們參考溫忠麟和葉寶娟(2014)[41]的做法，通過逐步回歸法，建立如下面板數據中介效應模型進行驗證：

D=α0+cSe+β0C+γ0

(11)

M=α1+aSe+β1C+γ1

(12)

D=α2+c1Se+bM+β2C+γ2

(13)

公式(11)、(12)和(13)中，D代表被解釋變量條件收益負偏度(NCSKEW)和漲跌波動比(DUVOL)；M代表中介變量股票流動性，用非流動性比率來衡量。公式(11)中系數c表示投資者情緒對股價崩盤風險的總效用，公式(13)中的系數c1則為情緒對股價崩盤風險的直接效應，系數a和b的乘積表示情緒對崩盤風險的間接效應。

中介效應回歸檢驗結果如表14所示。由列(1)可知，投資者情緒(Se)和非流動性比率(ILL)之間系數值為0.012，在1%的顯著性水平上顯著為正，表明投資者情緒與股票流動性之間存在負向的影響，當投資者情緒越樂觀時，股票流動性反而會降低。對比列(2)、(4)和列(3)、(5)的結果，發現在沒有加入中介變量時，投資者情緒對股價崩盤風險存在顯著的正向的影響；在加入中介變量后，非流動性比率(ILL)前的系數在10%的顯著性水平上顯著為正，表明股票流動性的下降會加劇上市公司未來股價崩盤的風險，同時投資者情緒的回歸系數值仍在1%的顯著性水平上顯著為正，且系數值明顯變小。上述結果表明投資者情緒以股票流動性為中介正向影響上市公司的股價崩盤風險，當投資者情緒看漲時，會降低股票的流動性進而加強了情緒對股價崩盤風險的正向影響效應。通過Sobel檢驗所得的Sobel、Good1及Good2的值均大于1.68，顯著拒絕了不存在中介效應的原假設。列(6)和列(7)展示了股票流動性的中介效應的穩健性檢驗結果，發現替換被解釋變量后，所得結果一致。

表14 股票流動性的中介效應回歸結果

六、研究總結

本文爬取了東方財富股吧中滬深300指數成分股2017年6月1日—2022年5月31日的日度發帖文本，搭建了融合卷積神經網絡和雙向長短時記憶神經網絡的深度學習模型，對發帖文本進行情緒傾向識別，并構建投資者情緒指標以探究其對于股價崩盤風險的影響效應和機制。研究發現：(1)投資者情緒顯著正向影響股價崩盤風險，當期投資者情緒越樂觀，未來股價崩盤風險越大。(2)投資者情緒對股價崩盤風險的影響和作用表現出不對稱，相比于牛市環境，熊市中的投資者的情緒狀態對股價崩盤風險的影響效應更為突出。(3)從公司內部治理環境角度看，投資者情緒對股價崩盤風險的影響效應在規模較小、集中度低的樣本公司中更為明顯；從公司所處外部制度環境角度看，投資者情緒對股價崩盤風險的影響效應在賣空限制大、所在地市場化水平低的樣本公司中更為顯著。(4)股票流動性在投資者情緒影響股價崩盤風險過程中存在部分中介效應，更為高漲的投資者情緒會導致股票流動性水平下降，進而加劇了情緒對股價崩盤風險的影響效應。

本文結論從理論層面豐富了對上市公司股價崩盤風險影響因素的認識，對股票市場中的各方主體有一定的啟示。對監管者來說，一方面要注重利用互聯網信息進行風險預警，通過投資者情緒的關注與預警幫助防范股價崩盤風險；另一方面，監管者也可以通過監督和管理股吧社區等社交媒體上披露的網絡信息，杜絕網絡謠言傳播。對投資者來說，互聯網技術的發展為信息交流提供便利的同時，也對投資者信息處理能力提出了挑戰，為在海量的網絡信息中挖掘有效信息，提升信息辨別能力，就必須加強自身的專業素養和決策水平。對上市公司來說，管理層在公司治理的過程中，不僅要考慮公司內部的因素，還要及時關注市場上投資者情緒的變化，利用社交媒體加強與投資者之間的交流，及時披露公司高質量信息，澄清網絡虛假信息。