注意力google搜图

投资者的有限关注与股票的收益率——基于创业板的异常收益与360搜索指数的实证研究姚阳(湖南大学经济管理研究中心,湖南省、长沙市,410006)摘要:在行为金融中,注意力占据核心地位,而搜索引擎的搜索数据又为我们衡量注意力提供了一个绝好的工具.
本文选取360搜索引擎的股票代码日搜索指数作为衡量注意力的代理变量,通过对创业板数据进行Fama-MacBeth回归和clusteredstandarderror估计,发现在控制传统的风险因素后,注意力对股票的当日收益率仍然有着显著的正向影响.
在滞后一期的回归中我们发现,前一日的注意力对股票的当日收益率有着显著的反向影响,即存在所谓的"过度关注弱势"现象.
并且加入滞后项之后,当日注意力对股票的日收益率的正向影响依然显著.
关键词:资产定价;行为金融;注意力中图分类号:F830.
91文献标识码:A一、引言近几年来,"大数据"、"网络数据"等词可谓人尽皆知的"网红",而搜索引擎又成了人们搜集信息的最重要的手段之一.
国际上众多的搜索引擎中,Google是无可争议的霸主;而在中国,百度搜索和360搜索雄踞第一第二.
搜索引擎为我们提供了一个广阔的信息平台,而很多资源便在这种信息交流中得到了分配.
甚至可以说,在这个时代,谁搜寻和利用的信息越多,谁就越可能获利.
截至2016年6月,中国网民规模达7.
1亿,这说明能用互联网的人越来越多.
在如此大量的信息海洋中,受时间精力限制,每个人能接触处理的信息可谓是沧海一粟.
HerbertSimon一言以蔽之:正是如此丰富的信息导致了注意力的稀缺,投资者只能在自己能够接触处理的信息中做出决策.
传统的金融理论中,人们认为市场是有效的.
Fama在1970年最初提出,市场是有效的,证券价格能充分地反应人们所获得的信息.
因此,投资者只能获得与证券风险相匹配的正常收益率.
然而,有效市场假说仅在苛刻的假设下成立,其中假设信息成本为零,所有市场参与者同时接受信息,所有市场参与者都是理性的,并且追求效用最大化,在如今的网络时代更是不可能成立.
投资者挖掘信息的过程投入了时间和精力,这些时间和精力不仅仅是有限的,还构成了一项机会成本.
因此,市场上出现了各种譬如一月效应、动量效应等所谓的市场异象,这些市场异象时时刻刻地挑战着有效市场假说.
因此,另一个学派悄然升起,这就是行为金融学派.
行为金融学就是将心理学尤其是行为科学的理论融入到金融学之中.
它从微观个体行为以及产生这种行为的心理等动因来解释、研究和预测金融市场的发展.
有限注意便是其核心理论之一.
该理论认为,投资者的时间的精力有限,因此不能获取和充分理解市场上的全部信息,只能获取有限的信息并加以理解和运用.
只有那些引发了投资者关注的信息才会影响到证券市场的表现,因此会导致决策偏差的出现.
而投资者的关注难以直接衡量,因此,我们需要找到一个合适的代理变量.
而本文便是利用360搜索引擎提供的日代码搜索指数作为投资者注意力的代理变量.
二、文献综述用注意力来解释证券的表现,是对传统金融研究的一个突破.
和传统的金融研究不同,注意力这个指标很难直接衡量,因此我们需要找到一个合适的代理变量.
冯旭南认为股票交易龙虎榜的信息是投资者投资决策的重要参考,因此他以龙虎榜事件个数作为投资者注意力http://www.
sinoss.
net-2-的衡量标准.
梅立兴等用百度新闻条数和分析师数量作为投资者注意力的构成因素,他认为新闻引导着投资者的关注,而分析师充当着信息的传递者.
饶育蕾用新浪网的新闻数量作为注意力衡量指标,得出了关注度高的股票存在着过度关注弱势的结论,即投资者的关注使股票价格被高估,从而导致随后的相对较低的收益率.
同样,Fang等用投资界权威报纸的消息数量作为衡量注意力的代理变量.
而Gervais等认为投资者关注较多的股票理应有较大的交易量,因此他用交易量作为关注度的代理变量.
Saholes等则用极端收益来衡量注意力.
上述的方法可归结为两类,第一类是以消息的条数来衡量注意力,这种方法的不足之处也显而易见.
如果投资者注意不到的话,再多的消息也无济于事.
第二类是用股票的异常反应来衡量投资者的关注,而这种方法的缺点是股票的异常反应可能是由于投资者相关的其他因素引起的,因此偏差也较大.
关于注意力研究的一个突破在ZhiDa等的InSearchofAttention一文的发表,此文用Google搜索指数作为投资者关注度的代理变量,很好地衡量了投资者的注意力.
他用以Google指数衡量的投资者关注度与新闻数量其他的注意力衡量方法做了比较,发现它们有着共同的趋势却不完全相同.
而投资者关注度在两周内对股票会有正向影响,随后一年内这种正向影响将出现反转.
同时他指出,对关注度研究所选取的代理变量,必须是投资者关注直接造成的.
新闻条数等变量,只有被投资者关注到时,才能转化为注意力.
而涨停板、换手率等代理变量都是金融资产本身的特质,并不能和注意力直接对应.
基于此,国内,俞庆进,张兵最早使用搜索引擎指数来衡量注意力.
他们用百度指数构建了投资者的注意力指标,验证了百度指数对创业板收益率的影响.
他们发现注意力会对近期的股票产生正向的压力,而这种压力会在长期反转.
并且此文研究了非开盘日的注意力压力对开盘价格的影响.
王勇使用中国关注量最大的财经类网站和讯网提供的个股关注数据,发现当日的高关注度对当日股票的收益率有着正向影响,而对一日之后的股票收益率有着反向的影响.
赵龙凯的研究发现控制了传统的风险因素或者Fama-French的三因子后,注意力对收益率的影响并不能被这些变量所包含.
本文的研究与上述研究的区别有:(1)本文选取的是创业板2016年全年的日数据,从时间跨度、数据的是时效性来说都优于以上几篇文章.
首先上述文章大多用的是几个月的数据.
其次,由于我国股票市场的迅速发展,很多特征今非昔比,因此2016年的数据更能代表当下我国股票市场的特征.
(2)本文选取的注意力代理变量与上述文章有所区别.
上述文章构建的注意力指标里都包含了股票名称搜索量.
而本文认为,股票名称搜索量受无关因素干扰较大,不适合纳入注意力指标的构件因子.
另外,上述文章为了剔除干扰,人为主观地剔除了一些名称具有二义性的股票,可能会造成偏差.
本文选取的注意力指标没有此项缺陷.
(3)本文首次用到ClusteredStandardError估计来估计模型.
前文所述的国内研究大多用的固定效应模型.
而固定效应模型并没有同时消除公司效应和时间效应,可能会导致估计偏误.
本文采用的ClusteredStandardError估计.
这种估计方法由Petersen提出并在国外被广泛应用.
这种估计方法同时消除了这两种效应,提高了估计的准确度.
三、注意力指标的选取及数据的描述性统计1.
数据的描述性统计本文选取在2016年前上市的创业板2016年全年的数据.
我国股市有1.
2亿的投资者,其中8000万是中小投资者,而创业板数据又恰恰是这些中小投资者的聚集地.
因此,创业板是检验投资者行为方式的绝佳之选.
本文选用了日数据,可以在一年内获得足够多的观测值.
另外,由于人注意力的短暂性,本文选取的日数据更容易抓取这些注意力的变化和影响.
本文选取的变量有个股日收益率(Return)、个股的日成交量(Volume)、个股的日换手率(Turnover)、个股名称搜索指数(CodeIndex)和代个股搜索指数(NameIndex)以及三个风险因子:用创业板收益率衡量的市场收益率(Market)、股票beta值(Beta)、股http://www.
sinoss.
net-3-票市值(MV)和股票的市净率(PB).
所有的数据均在前复权后得到.
另外,个股名称搜索指数(CodeIndex)和代个股搜索指数(NameIndex)由360搜索软件获得,其他的数据均由万德Wind获得.
在数据的处理上,本文去除了缺失数据的3只股票,并且除去了每只股票停牌日的数据.
同时,由于360提供的搜索指数有极少数股票在某些天有缺失值,在数据的处理上本文也剔除了这些缺失值.
由于数据量很大,这些处理对结果的影响微乎其微.
处理完之后,样本中还有442只股票.
整理完之后的数据描述性统计如下:表1数据的描述性统计变量名观测数平均值标准差最小值最大值Return105853-0.
033.
49-10.
0610.
08Volume105853867.
2908万1180万60038300万Turnover1058534.
084.
280.
0067.
51CodeIndex10585397.
33119.
760.
005375NameIndex105853309.
672577.
410.
00246352Market244-0.
112.
14-8.
585.
59MV10585397.
10亿110亿13.
3亿1920亿PB1058537.
875.
721.
08127.
21Beta4941.
190.
170.
511.
75其中,Volume的单位是股,MV的单位是元,数据的时间段为2016年全年.
2.
注意力指标的选取已有文献对注意力指标的选取可谓多种多样,其中也不乏以搜索引擎的搜索指数来构建指标.
而在这当中,大部分研究所用的指标是由股票名称搜索量和股票代码搜索量共同构建的.
为了消除股票名称搜索量所带来的偏差,很多研究者会剔除有多重含义的股票名称如"apple"、"同花顺"、"机器人"等.
这样做的确会在一定程度上减小偏差,但也存在着三个问题.
第一,这样的操作存在着人为的主观性.
举个例子来说,"太阳鸟"是雀形目太阳鸟科的一种鸟类,经常出现在观鸟爱好者的搜索名单中,而目前的研究均没有将其剔除,因此可能会导致偏差.
第二,很多人会因为其他目的而搜索股票名称,有些仅仅是出于购买了该公司的产品而单纯地想了解一下生产公司.
第三,剔除过多的公司会导致样本量的减少,增加估计的方差,降低估计的精度.
本文收集了个股的名称搜索指数(CodeIndex)和代码搜索指数(NameIndex),分别用他们和所选股票的收益率(Return)做了相关分析,结果如下.
(注:***表示在1%水平显著)表2相关分析结果ReturnCodeIndexNameIndexReturn1.
0000P值0.
0000CodeIndex0.
0802***1.
0000P值0.
00000.
0000NameIndex-0.
00020.
2839***1.
0000http://www.
sinoss.
net-4-P值0.
95900.
00000.
0000可见,Return和CodeIndex存在着明显的正向相关,和NameIndex虽然有轻微的反向相关关系,但P值很大.
CodeIndex和NameIndex也存在着明显的正向相关性.
此结果符合我们的预期.
因此,本文假设在每个股票投资者中,习惯使用名称搜索的人数与习惯使用代码搜索人数的比例相同也就是说,如果股票A的投资者中有30%习惯用名称搜索,有70%习惯用代码搜索,此比例为70%且在各个股票的投资者中都是如此.
由于每个投资者都可以选择样本中任何一支股票来进行投资,因此此假设合情合理.
基于此假设,本文选取股票代码搜索指数作为注意力的代理变量.
这可以避免剔除二义性股票名称的主观性,消除其他原因导致的名称搜索指数的波动,并且不会影响到样本量.
同时,为了避免该假设的主观性,本文用名称搜索指数和代码搜索指数共同构建的指标作为注意力的代理变量,结果除了T统计量略小外,其他结论并没有改变.
四、实证研究与结果分析1.
投资者关注度较高的股票将产生较高的换手率与成交量很多文献选用股票的交易量或换手率作为注意力指标的代理变量,并且得到了较为显著了结论.
这一部分将着手研究以360股票代码搜索指数(CodeIndex)作为关注度的代理变量与这两者的的关系.
一般认为,注意力将会对换手率和成交量产生放大作用.
因此本部分着手研究注意力对成交量和换手率的影响.
此部分估计的两个模型为,我们用资产定价中经典的Fama-MacBeth回归来估计模型:ititituCodeIndexTurnover10(1)ititituCodeIndexVolume10(2)估计结果如下:表3注意力对成交量和换手率的影响——Fama-MacBeth回归结果(1)(2)TurnoverVolumeCodeIndex0.
0178***76144.
2***T值(49.
57)(48.
25)Cons2.
422***1513695.
5***T值(32.
10)(13.
98)N105853105853avg.
R-squared0.
24650.
5360注:***表示1%水平显著,**表示5%水平显著,*表示10%水平显著.
在两个模型中,CodeIndex的系数都非常的显著而且为正,可见股票代码搜索指数与股票的交易表现有着明显的正向关系,即在当期,人们的关注度会引起交易的活跃.
用固定效应回归也会得到相同的结论.
一般来说,投资者只会去购买那些自己关注的股票,因此当投资者的关注增加,股票的交易量和换手率也会相应地增加.
2.
投资者的高关注度在当期对股票价格产生正向影响在国外的研究中认为,由于投资者的有限关注,将有注意力买入驱动和过度交易的存在.
http://www.
sinoss.
net-5-即在当期,人们关注会提高交易的活跃度,进而对价格产生正向的影响.
因此在这一部分中,我们将着手研究投资者当日的关注度对股票的当日收益的影响.
在传统的金融学理论中,人们一般认为市场是有效的,证券的个别风险可以通过构建投资组合而消除,最后人们所要承担的只有系统风险.
因此,证券的收益率只和它的系统风险有关,而系统风险往往用Beta值来衡量.
而Fama认为,单一的Beta不足以衡量所有的风险因子,因此他又提出了市值因子和账面市值比因子.
然而这一切都建立在较为苛刻的假设前提下,本文旨在检验行为金融提出的注意力是否能在排除这些传统的风险因素的影响后,仍然对股票收益率产生影响.
因此在回归中,我们加入这些传统的风险因素作为控制变量.
由于本文所选取的是面板数据,因此我们用两种方式进行回归.
首先,我们用资产定价中经典的Fama-MacBeth回归进行分析.
另外,为了更好地控制残差中的时间效应和公司效应,我们还用了ClusteredStandardError估计方法.
这种方法的原理将在后文进行说明.
在注意力衡量的指标中我们也初步发现,注意力对交易量和换手率有着明显的促进作用,符合注意力买入驱动和过度交易的研究结果.
在此部分我们研究当日的注意力对股票的收益率的影响.
(1)当日注意力对股票收益率的影响——Fama-MacBeth回归这一部分,我们采用Fama-MacBeth回归来估计.
Fama-MacBeth回归的具体做法是用每一天的样本的被解释变量对解释变量做截面回归,再将这些回归的系数在时间上求平均.
待估计的三个模型如下:ititituCodeIndexturn10Re(1)itiitituBetaCodeIndexturn210Re(2)itititiitituPBMVBetaCodeIndexturnlnlnRe43210(3)其中,模型(1)直接用股票代码搜索指数(CodeIndex)对股票的日异常收益率做回归.
模型(2)根据CAMP模型,加入了个股在的2016年Beta值作为衡量风险的控制变量,Beta值的参照市场组合收益率为创业板指数.
而模型三则依次加入了个股Beta值(Market)、公司的市值因子的对数(lnMV)、股票的市净率的对数(lnPB)作为衡量风险的控制变量.
在第一步回归中,我们用每一天的数据进行回归,得到每个自变量的系数的估计值.
接下来在第二部回归中,对这些系数进行时间上的平均.
由于所取时间间隔较短,在第一步回归的每一天中,所选取的股票的Beta值都是2016年股票的Beta值.
其余变量选取的均为日数据.
回归结果如下:表4当日注意力对股票收益率的影响——Fama-MacBeth回归结果(1)(2)(3)ReturnReturnReturnCodeIndex0.
00234***0.
00236***0.
00274***T(11.
72)(11.
87)(12.
15)Beta-0.
460**-0.
630***T(-2.
81)(-3.
76)lnMV-0.
214***T(-7.
69)http://www.
sinoss.
net-6-lnPB0.
116***T(4.
38)Cons-0.
2590.
288*5.
099***T(-1.
53)(2.
57)(7.
92)N105853105853105853avg.
R-squared0.
03540.
06250.
0811注:***表示1%水平显著,**表示5%水平显著,*表示10%水平显著.
根据回归结果我们可以发现,CodeIndex对股票当期的异常收益有着显著的正向影响.
再加入了控制变量后,该影响依旧显著.
因此我们发现,传统的风险因子并不能完全包含对收益率的影响,注意力对收益率的影响举足轻重.
(2)当日注意力对股票收益率的影响——ClusteredStandardError估计首先我们需要了解ClusteredStandardError估计法的原理:我们假设面板数据的扰动项由以下三部分组成:ittiitu其中,i称为企业固定效应(firmfixedeffect),此部分随公司的变动而变动,不随时间变动;而t称为时间效应(timeeffect),此部分随时间变动而变动,却不因个体的变动而变动.
在固定效应模型中,我们消除了公司效应而忽略了时间效应;在Fama-Macbeth回归中,我们消除了时间效应而忽略了公司效应.
而如果扰动项中同时存在着这两种因素呢那么固定效应模型和Fama-Macbeth回归便会低估回归系数的标准误,造成T值偏高.
Petersen在他的论文中使用了ClusteredStandardError估计,通过对残差的相关系数加权的方式,同时考虑了这两种效应的影响,避免了回归系数的偏差.
本文将用ClusteredStandardError估计,再次估计三个模型:ititituCodeIndexturn10Re(1)itiitituBetaCodeIndexturn210Re(2)itititiitituPBMVBetaCodeIndexturnlnlnRe43210(3)回归结果如下:表5当日注意力对股票收益率的影响——ClusteredStandardError估计(1)(2)(3)ReturnReturnReturnCodeindex0.
00234***0.
00238***0.
00255***T(5.
48)(5.
46)(5.
12)Beta-0.
453**-0.
606***T(-2.
68)(-3.
44)Lnmv-0.
142*T(-2.
25)Lnpb0.
190*http://www.
sinoss.
net-7-T(2.
57)Cons-0.
2550.
279*3.
312*T(-1.
56)(2.
40)(2.
13)N105853105853105853R-squared0.
00640.
00690.
0079注:***表示1%水平显著,**表示5%水平显著,*表示10%水平显著.
从结果可以看出,除了T值略小外,结论仍然不变.
T值减小到原因可能是回归残差含有企业固定效应,而在上一步的Fama-MacBeth回归中未考虑.
可见,CodeIndex对股票当期的异常收益有着显著的正向影响.
3.
弱势关注的存在性国外研究发现,当一只股票备受关注时,它往往会成为媒体炒作的热点.
这种炒作带来的利好消息往往会使投资者对自己的判断过度自信,从而导致了股票价格被高估,因此在随后的时期里收益率往往会反转这被称作"过度关注弱势".
在我们日常的投资软件中,各种概念股屡见不鲜.
比较典型的如"一带一路政策"的概念.
刚提出一带一路政策时,各种概念股便备受关注,这些股票往往领涨各股,涨停也是家常便饭.
而在这一阵热度之后,这些股票便被打入了冷宫,市场表现往往不尽如人意之前过度关注产生的过高的价格回调导致了较低甚至是负的收益率.
因此,过度关注弱势也在此得以体现.
在整体上,2014下半年至2015上半年,我国股票经历了一次罕见的牛市.
在此期间,开户量成倍地增长,炒股也成了人们热衷谈论的话题之一.
过度的注意力强有力地推高了大盘的指数,而疯狂过后便是"一地鸡毛",股灾紧随其后.
因此仅仅从观察上来看,我国股票存在着明显的过度关注弱势.
本部分检验注意力对股票收益率的影响是否存在着反转,即是否存在所谓的"过度关注弱势".
(1)弱势关注的存在性——Fama-MacBeth回归我们首先利用Fama-MacBeth回归估计.
和当期回归相同,我们设计了三个模型,每个模型都包含了CodeIndex的当期项和滞后项.
在控制变量方面,和上一部分类似,我们在模型(1)到模型(3),依次在回归中添个股加了Beta值、市值(MV)和市净率(BP)的对数作为控制变量.
待估计的三个模型如下:itititituCodeIndexCodeIndexturn1-210Re(1)itiititituBetaCodeIndexCodeIndexturn31-210Re(2)itititiititituPBMVBetaCodeIndexCodeIndexturnlnlnRe5431-210(3)回归结果如下:表6弱势关注的存在性——Fama-MacBeth回归(1)(2)(3)ReturnReturnReturnCodeIndex0.
0116***0.
0116***0.
0117***T(25.
90)(26.
34)(25.
91)LCodeIndex-0.
0103***-0.
0103***-0.
0101***http://www.
sinoss.
net-8-T(-26.
41)(-26.
86)(-26.
71)Beta-0.
382*-0.
499**T(-2.
45)(-3.
14)lnMV-0.
109***T(-4.
17)lnPB0.
115***T(4.
52)Cons-0.
1000.
354**2.
747***T(-0.
61)(3.
26)(4.
49)N104992104992104992avg.
R-squared0.
12150.
14680.
1623注:***表示1%水平显著,**表示5%水平显著,*表示10%水平显著.
其中,LCodeIndex为CodeIndex的一阶滞后项.
从回归结果可见,股票前一日的代码搜索指数对当日的异常收益有着显著的反向影响.
在增加了滞后项之后,当期的代码搜索指数对收益率的正向影响依然显著.
(2)弱势关注的存在性——ClusteredStandardError估计同样,我们利用上一步中的变量,为了同时控制时间效应和公司效应,采用ClusteredStandardError估计再次估计模型,待估计模型如下:itititituCodeIndexCodeIndexturn1-210Re(1)itiititituBetaCodeIndexCodeIndexturn31-210Re(2)itititiititituPBMVBetaCodeIndexCodeIndexturnlnlnRe5431-210(3)表7弱势关注的存在性——ClusteredStandardError估计(1)(2)(3)ReturnReturnReturnCodeIndex0.
0111***0.
0111***0.
0111***T(10.
60)(10.
58)(10.
45)LCodeIndex-0.
0100***-0.
0100***-0.
0100***T(-10.
79)(-10.
82)(-10.
84)Beta-0.
370*-0.
464**T(-2.
39)(-2.
98)lnMV-0.
0316T(-0.
53)lnPB0.
193**T(2.
76)http://www.
sinoss.
net-9-Cons-0.
08350.
352***0.
816T(-0.
53)(3.
50)(0.
55)N104992104992104992R-squared0.
04490.
04520.
046注:***表示1%水平显著,**表示5%水平显著,*表示10%水平显著.
可见,所研究变量系数仍然显著,符号符合预期.
因此,我国创业板市场存在着过度关注弱势.
当投资者对股票投入关注时,关注度的提升会造成股票当日收益率的提升,而这往往伴随的股票价格的高估.
因此次日,随着股票价格的回调,上一日的关注度将对当日的收益率产生反向影响.
但控制了上一日注意力的影响后,当日注意力对股票收益率的正向影响依然显著.
五、结论本文利用360搜索引擎提供的搜索指数,可以很直接地衡量投资者的注意力.
以2016年之前上市的创业板股票为样本,我们发现"注意力驱动买卖"和"过度关注弱势"这两个以注意力为核心的理论在我国股票中的存在性.
即注意力会对股票当日的收益率产生显著的影响,并且这种影响会在次日反转.
在控制了传统金融理论中的主要风险因子后该影响仍然显著,说明注意力对股票收益率的影响不能被传统的风险因子所包含.
从结果中我们可以看出,中国股市是一个由投资者情绪影响强烈的一个市场,专业投资机构的影响力便相对不足.
因此,监管机构应该更加严格地监管市场,规范市场,防止投资者由于各种来历不明的热点信息干扰注意而影响投资决策,进而造成股市波动.
同时也应该加强对个人投资者的引导,更好地保护个人投资者的利益.
本文的研究不足之处有如下几点:第一,本文没有考虑在非交易日时期搜索量的变化.
理论上说来,非交易日积累的注意力压力会在下一个交易日开盘的当天反映出来,因此在非交易日后的开盘日,搜索量可能会较往常偏高.
第二,搜索引擎虽然是个较好的代理变量,但并不能完全得包括投资者的注意力.
第三,本文的研究局限在个人投资者创业板,在有着大量机构投资者的主板市场,本文的研究结论是是否成立还有待考量.
参考文献[1]贾春新,赵宇,孙萌,汪博.
投资者有限关注与限售股解禁[J].
金融研究,2010,(11):108-122.
[2]冯旭南.
注意力影响投资者的股票交易行为吗——来自"股票交易龙虎榜"的证据[J].
经济学(季刊),2017,(01):255-274.
[3]梅立兴,史舒悦,余志红.
投资者注意力指数与股票收益关系的实证检验[J].
统计与策,2013,(18):152-155.
[4]饶育蕾,彭叠峰,成大超.
媒体注意力会引起股票的异常收益吗——来自中国股票市场的经验证据[J].
系统工程理论与实践,2010,(02):287-297.
[5]FangL,PressJ.
Mediacoverageandthecrosssectionofstockreturns[R].
WorkingPaper,2007[6]GervaisS,KanielR,MingelgrinD.
Thehighvolumereturnprmium[C]//WhiteCenterforFinancialResearchWorkingPaperNo.
01-99,SSRN:http://ssrn.
com/abstract=146468[7]SeaholesMS,WuGJ.
Predictablebehavior,profits,andattention[J].
JournalofEmpiricalFinance,2007,14(5):590-610[8]ZhiDa,JosephEngelberg,PengjieGao.
InSearchofAttention[J].
TheJoernalofFinanceVol.
LXVI,NO.
5October2011[9]俞庆进,张兵.
投资者有限关注与股票收益——以百度指数作为关注度的一项实证研究[J].
金融研http://www.
sinoss.
net-10-究,2012,(08):152-165.
[10]王勇,杨庆运.
我国网络关注度对股票收益的影响——基于和讯关注度的实证研究[J].
投资研究,2014,(02):143-149.
[11]赵龙凯,陆子昱,王致远.
众里寻"股"千百度——股票收益率与百度搜索量关系的实证探究[J].
金融研究,2013,(04):183-195.
[12]MitchellA.
Petersen.
EstimatingStandardErrorsinFinancePanelDataSets:ComparingApproaches[J].
JournalofFinance,1997,436-480.
Therelationshipbetweenstockreturnandthelimitedattentionofinvestors——evidencefromtheGEMYAOYANG(CenterforEconomics,FinanceandManagementStudiesofHNU,Changsha/Hunan,410006)Abstract:Attentionplaysanimportantroleinbehavioralfinancestudy.
Searchengineservesasanidealinstrumenttomeasuretheattention.
Weusethe360searchengineindexastheproxyvariableofinvestors'attentionanddoFama-MacBethregressionandclusteredstandarderrorestimation,findingthattheattentionhassignificantpositiveeffectonstockreturnincurrentperiodaftercontrollingthetraditionalriskfactors.
Wealsofindthattheattentionadaybeforehassignificantnegativeeffectontoday'sstockreturn.
What'smore,afteraddingthelagofattentionintothemodel,theeffectoftoday'sattentionalsohassignificantpositiveeffectontoday'sstockreturn.
Keywords:AssetPricing;BehavioralFinance;Attention