投资者情绪指数构建方法、异质性主体市场模拟方法、设备及介质

摘要

本发明提供了一种投资者情绪指数构建方法、异质性主体市场的模拟方法、设备及介质，其中的投资者情绪指数构建方法包括通过相关性分析从候选投资者情绪代理指标中选取若干第一类投资者情绪指标；通过文本挖掘方法对股评文本进行挖掘分析以获得第二类投资者情绪指标；通过对所述若干第一类投资者情绪指标和所述第二类投资者情绪指标进行主成分分析，得到所述投资者情绪指数。本发明提供的投资者情绪指数由传统的投资者情绪代理指标和文本挖掘获取的投资者情绪指标通过主成分分析构建，其能够更加有效地实现对投资者情绪的度量。

说明书

技术领域

本发明涉及大数据领域，具体而言，本申请涉及一种投资者情绪指数构建方法、异质性 主体市场模拟方法、设备及介质。

背景技术

心理因素一直以来都是影响人们分析问题、作出决策的终于因素，也是相对于其他因素 比较难直观衡量的因素，对投资领域的影响主要体现在情绪上。譬如我国的股票市场存在大 量的散户投资者，其资本少、易受其他投资者影响的特点尤为显著。

维护股票市场的稳定有赖于投资者情绪的稳定，现阶段很多行为金融研究都是建立在投 资者情绪的基础上。现阶段对投资者情绪的研究主要包括从宏观层面对投资者情绪进行度量 及从微观角度对投资者的预期进行研究。

宏观层面对投资者情绪的度量的主要研究内容是合理地选择投资者情绪代理指标以实现 对投资者情绪的测度。目前主流的做法是通过整理分析股票市场的相关客观数据后得到可以 较好地反映投资者心理变化的指标。例如，Baker和Wurgler在2006年提出的最经典的投资者 情绪模型，选择如下6个投资者情绪代理指标：封闭市基金折价，股利溢价，首次公开发行的 数量，IPO首日平均回报率，纽交所营业额，新股发行中的股权。

国内的研究者大多是根据国内股市的特点，在投资者情绪代理指标的选取、各投资者情 绪代理指标的权重赋值方面进行创新，如，车恒在2017年提出的投资者情绪模型，选择市盈 率、还手率、成交量和上海银行间拆放利息作为投资者情绪代理指标，运用主成分分析方法 构建投资者情绪指数。田丽在2018年提出的投资者情绪模型，则选择融资融券中融资余额、 融券余额、融资买入额、两融交易额占A股成交额之比作为投资者情绪代理指标，运用CRHIC 赋权构造投资者情绪指数。

文本挖掘技术的兴起，让学界和业界意识到利用这项技术可以从微观层面挖掘有关投资 者情绪和观念的大量信息，大量研究已经运用文本挖掘技术证明了金融文本中投资者情绪的 存在性和对交易的显著影响。因此，可以期待，将传统的投资者情绪代理指标和文本挖掘获 取的投资者情绪指标融合在一起将能构建出更优的投资者情绪指数。然而，由于技术难度较 高，目前尚未出现相关的研究。

从微观角度对投资者的预期进行的研究中，大多是基于异质性主体模拟真实的股票市场。 例如，Zeeman和Brock等提出的异质主体模型(HAM)是假定金融市场由使用不同启发式方 法形成期望的主体组成。模型中通常包括两类投资者，基础价值投资者和技术型投资者。Fredj 等认为两类投资者的转换是通过投资者情绪的内生变化而发生的，基础价值投资者只受股息 收益、市盈率、工业生产增长和利率期限结构费率影响，技术型投资者只受投资者情绪和过 渡函数影响，过渡函数中包含滞后一期的投资者情绪。Frijns等在2019年开发了一种将异质性 与情感相结合的资产定价模型，投资者情绪直接影响两类投资者的期望形成过程。

现有的异质性主体模型，仅将投资者简单地分为基础价值投资者和技术型投资者两类， 且其所引入的投资者情绪指数仅由宏观层面的资者情绪代理指标构建而成，因此采用现有的 异质性主体模型并不能实现对股票市场中的形形色色的投资者的期望形成过程的有效研究。

发明内容

为了解决上述技术问题中的至少一个，本发明第一方面提供了一种投资者情绪指数构建 方法，其具体技术方案如下：

一种资者情绪指数构建方法，其包括：

通过相关性分析从候选投资者情绪代理指标中选取若干第一类投资者情绪指标；

通过文本挖掘方法对股评文本进行挖掘分析以获得第二类投资者情绪指标；

通过对所述若干第一类投资者情绪指标和所述第二类投资者情绪指标进行主成分分析， 得到所述投资者情绪指数。

在一些实施例中，所述通过相关性分析从候选投资者情绪代理指标中选取若干第一类投 资者情绪指标包括：

确定候选投资者情绪代理指标；

对数据进行标准化处理；

计算各候选投资者情绪代理指标之间的相关系数，去除相关性高的指标，保留下来的若 干候选投资者情绪代理指标即为所述第一类投资者情绪指标。

在一些实施例中，所述通过文本挖掘方法对股评文本进行挖掘分析以获得第二类投资者 情绪指标包括：

采用网络爬虫技术从预定的股评网络平台爬取股评文本数据；

采用jieba技术对股评文本数据进行分词把并去除停用词；

综合Hownet中文基础词典和金融领域情感词典计算股评文本数据中的每一条评论的情 绪得分：

其中：sent

根据情绪得分将各条评论标记为消极评论或积极评论；

按日期汇总每一天的评论总数，计算出消极评论、积极评论的概率：

pos

其中：pos

基于消极评论、积极评论的概率构建如下情绪指标作为第二类投资者情绪指标：

Sent_wb＝pos

在一些实施例中，在通过对所述若干第一类投资者情绪指标和所述第二类投资者情绪指 标进行主成分分析，得到所述投资者情绪指数之前，还包括：

计算各所述第一类投资者情绪指标与所述第二类投资者情绪指标之间的相关系数，去除 与所述第二类投资者情绪指标之间的相关系数超过预定值的第一类投资者情绪指标。

在一些实施例中，所述投资者情绪指数表示如下：

Sent_wbzhu＝W

其中：X

与现有技术中的投资者情绪指数相比，本发明第一方面提供的投资者情绪指数由传统的 投资者情绪代理指标和文本挖掘获取的投资者情绪指标通过主成分分析构建，其能够更加有 效地实现对投资者情绪的度量。

本发明第二方面提供了一种异质性主体市场模拟方法，其包括：

按本发明第一方面任一项所述的投资者情绪指数构建方法构建投资者情绪指数；

构建宏观经济因素指数；

根据投资者的类型，将所述投资者情绪指数及所述宏观经济因素指数作为影响因子加入 至异质性主体模型中，从而实现对异质性主体市场的模拟。

在一些实施例中，所述构建宏观经济因素指数包括：

通过相关性分析从候选宏观经济因素指标中选取若干宏观经济因素指标；

过对所述若干宏观经济因素指标宏观经济因素指标进行主成分分析，得到所述宏观经济 因素指数。

在一些实施例中，所述投资者的类型包括受情绪和宏观经济因素影响的投资者、仅受宏 观经济因素影响的投资者、完全不受情绪及宏观经济因素影响的投资者，其中：所述受情绪 和宏观经济因素影响的投资者包括基础价值投资者和技术型投资者。

本发明第二方面提供的异质性主体市场模拟方法具有如下优势：其所引入的投资者情绪 指数由传统的投资者情绪代理指标和文本挖掘获取的投资者情绪指标通过主成分分析构建， 其能够更加有效地实现对的异质性主体市场的模拟、刻画。

本发明的第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器内并可在 处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明第二方面任一项所述的 异质性主体市场模拟方法。

本发明的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有 计算机程序，该程序被处理器执行时实现本发明第二方面任一项所述的异质性主体市场模拟 方法。

附图说明

图1为本申请实施例的资者情绪指数构建方法的流程示意图；

图2为本申请实施例的资者情绪指数构建方法的流程示意图；

图3为本申请实施例的资者情绪指数构建方法的流程示意图；

图4为本申请实施例的异质性主体市场模拟方法的流程示意图；

图5为本申请实施例的异质性主体市场模拟方法的流程示意图；

图6为本申请实施例的电子设备的结构示意图；

图7为三种投资者情绪指数的变化趋势图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式 对本发明作进一步详细的说明。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了 在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、 产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

现有的投资者情绪指数一般仅基于投资者情绪代理指标构建，其对投资者情绪的度量效 果欠佳。现有的异质性主体模型，仅将投资者简单地分为基础价值投资者和技术型投资者两 类，且其所引入的投资者情绪指数仅由传统的资者情绪代理指标构建而成，因此采用现有的 异质性主体模型并不能实现对股票市场中的异质主体的期望形成过程的刻画。

本申请提供的投资者情绪指数构建方法、异质性主体市场模拟方法、设备及介质，旨在 解决现有技术中的上述技术问题。

下面以具体实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进 行详细说明。下面这几个具体实施例可以相互结合，对于相同或相似的概念或过程可能在某 些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

实施例一

本实施例提供了一种资者情绪指数构建方法，如图1至图3所示，该资者情绪指数构建 方法包括：

步骤S101、通过相关性分析从候选投资者情绪代理指标中选取若干第一类投资者情绪指 标。

具体的，步骤S101包括如下子步骤：

子步骤S1011、确定候选投资者情绪代理指标。

可选的，本实施例确定的候选投资者情绪代理指标包括收盘价、最高价、最低价、涨跌 幅、成交量、每股收益(EPS)、每股帐面价值(BPS)、每股现金流(CFPS)、市盈率(PE)、市静率(PB)、市销率(PS)及近120日波动率，所述若干第一类投资者情绪指标包括最高 价、涨跌幅、每股收益(EPS)、每股帐面价值(BPS)、每股现金流(CFPS)、近120日 波动率等12个指标。指标数据为上证综指(000001SH)从2015年1月至2020年7月的月 度数据，数据来源于WIND、网易财经网站中的上证综指页面。

子步骤S1012、对数据进行标准化处理。

可选的，可以采用最为简单的min-max处理方法对复合影响因子进行标准化处理，从而 将数据的数值控制在0～1范围内。

子步骤S1013、计算各候选投资者情绪代理指标之间的相关系数，去除相关性高的指标， 保留下来的若干候选投资者情绪代理指标即为所述第一类投资者情绪指标。

本实施例中的12个候选投资者情绪代理指标的相关系数如下表1所示：

表1：

表1(续)：

基于表1的结果，最后选取最高价、涨跌幅、每股收益(EPS)、每股帐面价值(BPS)、每股现金流(CFPS)及近120日波动率等6个指标作为第一类投资者情绪指标，该所述的第一类投资者情绪指标即为最终确定的投资者情绪代理指标。

步骤S102、通过文本挖掘方法对股评文本进行挖掘分析以获得第二类投资者情绪指标。

具体的，步骤S102包括如下子步骤：

子步骤S1021、采用网络爬虫技术从预定的股评网络平台爬取股评文本数据。

本实施例中，股评文本数据自东方财富股吧中的上证指数股吧爬取，数据的时间区间为 2015年1月至2020年7月，股评文本数据的内容包括帖子标题文本、阅读数、评论数、发 帖时间和作者信息等数据。特别的，完成数据的爬取后，去除作者为“财经评论资讯”、“股 吧”、“东方财务证券”等官方发布的资讯及重复数据。经过处理后，最终获得66597条数据。

子步骤S1022、采用jieba技术对股评文本数据进行分词把并去除停用词。

子步骤S1023、综合Hownet中文基础词典和金融领域情感词典计算股评文本数据中的每 一条评论的情绪得分：

其中：sent

子步骤S1024、根据情绪得分将各条评论标记为消极评论或积极评论。

子步骤S1025、按日期汇总每一天的评论总数，计算出消极评论、积极评论的概率：

pos

其中：pos

子步骤S1026、基于消极评论、积极评论的概率构建第二类投资者情绪指标：

Sent_wb＝pos

步骤S103、通过对所述若干第一类投资者情绪指标和所述第二类投资者情绪指标进行主 成分分析，得到所述投资者情绪指数。

可选的，在实施步骤S103之前，还包括如下步骤：

计算各所述第一类投资者情绪指标与所述第二类投资者情绪指标之间的相关系数，去除 与所述第二类投资者情绪指标之间的相关系数超过预定值的第一类投资者情绪指标。

本实施例中的6个选定的第一类投资者情绪指标与的通过文本挖掘的第二类投资者情绪 指标Sent_wb的相关系数如下表2所示：

表2.

可见，基于文本挖掘的第二类投资者情绪指标Sent_wb与6个选定的第一类投资者情绪指 标的相关性都非常小，说明第二类投资者情绪指标Sent_wb与6个选定的第一类投资者情绪之 间基本不存在信息重叠，因此，本实施例中，不需要删除任何第一类投资者情绪。可选直接 对6个选定的第一类投资者情绪指标和第二类投资者情绪指标Sent_wb进行主成分分析。

经主成分分析，保留因子的解释的总方差与累计的影响数如下表3所示：

表3.

从表3中可见，前四个主成分的累计贡献率已经达到82％，说明前四个主成分已经可以 很好地提供原始数据的信息，所以提取指标变量中前四个主成分进行进一步分析。

前四个主成分的旋转因子载荷矩阵如下表4所示：

表4.

令最高价为X

F

F

F

F

继续参考表3，将各主成分的特征值作为赋权值，获得投资者情绪指数为：

Sent_wbzhu＝(2.16F

其中，0.82为前四个主成分的累计过程率。

因此，基于主成分分析法构建的最终的投资者情绪指数表示为：

Sent_wbzhu＝2.26X

从构造出的投资者情绪指数Sent_wbzhu来看，本实施例中，投资者情绪与最高价、CFPS、 近120日波动率和评论者情绪成正比，即最高价越高、成交量越大、CFPS越大、近120日波 动率正向波动越大、评论者情绪越积极，投资者情绪也越高涨越积极；而与涨跌幅、EPS、 BPS成反比，即涨跌幅越大、EPS和BPS越大，投资的不确定性越大，因此投资者情绪越消 极。

至此，我们完成了对本实施例中的投资者情绪指数的构建过程，下文将对该投资者情绪 指数的有效程度进行验证。

当然为了体现出本实施例的投资者情绪指数的优越性，我们另外构建了两个投资者情绪 指数作为对照，其中：

第一个对照投资者情绪指数：仅由上文中的6个选定的第一类投资者情绪经主成分分析 构建而成，具体构建过程与前文中的本实施例的投资者情绪指数的Sent_wbzhu的构建过程基 本一致，我们将该对照投资者情绪指数记为Sent_zhu，其具体表示为：

Sent_zhu＝2.08X

第二个对照投资者情绪指数：仅通过文本挖掘形成的投资者情绪指数，即前文中的第二 类投资者情绪指标Sent_wb。

我们仍然采用2015年1月至2020年7月期间的相关数据对三种投资者情绪指数的变化 趋势进行绘制，绘制出的趋势图如图7所示。

情绪的变化与中国股市的变化紧密相关，投资者情绪指数的变化趋势与股市行情的走势 的相关性可以直接评估该投资者情绪指数的有效性。

由图7知，2015年上半年投资者的情绪是不断上涨的，虽然从5月份开始投资者情绪不 断下降，但是到8月之前始终大于0，即情绪一直是积极的。8月之后，情绪降为负值，情绪 由积极转变为消极。实际上，2015年上半年延续了2014年的涨势，股市平稳发展。但在6月15日，沪指触及5178.19点后随即掉头向下；7月27日，沪指连续失守3900、3800两 整数关口；8月18日，两市近1600股跌停。下半年股市在“去杠杆化”、“去泡沫化”的 风波事件影响下，行情并不好，12月汇金减持引爆了股市大跌，市场充满消极情绪。投资者 情绪反应了股市的变化情况。

由图7可知，2016年投资者情绪基本稳定在0附近，以积极情绪为主，偶尔出现消极情 绪的情况。对比股市的实际情况来看，2016年伊始，A股迎来了熔断机制的实施，1月4日及1月7日，市场发生了4次熔断。2月20日开始，A股走势大体呈现稳步上升的态势。4 月13日沪指创半年指数3097.17最高点，随后沪综指两个多月在2800-3100点区间中维持弱 市震荡态势。二、三季度市场整体仍在区间震荡。进入四季度以后，中国股市的融资压力却 骤然提速，而在此期间，股市限售股减持解禁压力也得到了迅猛地抬升，股市出现下跌。相 比于2015年，2016年股市总体发展平稳。

2017年的情绪指数也是稳定在0附近，基本大于0，虽然下半年情绪指数不断下降，但 是始终大于0，即2017年情绪总体而已是积极的。股市上，2月市场仍然处在震荡调整中，月初指数略有回调，随后一路震荡上行。3月央行分别上调逆回购和MLF操作利率10个基点，货币政策收紧、去杠杆不断加强，导致3、4月A股下跌。到了下半年，股市震荡比较 平稳，呈现小幅波动缓慢上升的格局。虽然多数指数今年均上涨，但整体行情却呈现出了明 显的二八分化，即两市全年80％的股票下跌。

2018年的情绪指数均为负数，且指数不断下降，说明投资者情绪始终为消极情绪，而且 消极程度越来越大，甚至在2018年底出现了所选取时间期间的第一个最低值。

从2019年初开始，情绪指数不断上升，说明投资者情绪的消极程度在逐步降低，虽然仍 然不看好股市的发展前景，但是相比2018年的预期还是好了很多。到了下半年，情绪指数呈 波动下降的趋势，情绪的消极程度逐步加深。对比股市的实际情况，2019年年初，A股估值 处于极低位，市场情绪极度悲观。4月，市场高位开始调整。6月份，市场情绪好转，但随后 又是一波三折，市场行情先扬后抑。8月，市场回暖。进入四季度，股市下行。

到了2020年，投资者情绪进一步下降。2020年年初股市延续了2019年的涨势，股市稳 定上升，但是1月底新冠肺炎疫情蔓延，2、3月疫情尤其严重，大量企业歇业，人们居家隔离，市场几乎处于静止状态，加上人们对疫情对恐惧心理，市场一度充满消极情绪。5月之后，随着疫情稳定，各地经济逐步复苏，投资者情绪也出现上涨态势。

通过对比三个投资者情绪指数的变化曲线与股市的走势，我们可以看出：相比于仅由第 一类情绪指标通过主成分构建的投资者情绪指数Sent_zhu，仅由文本挖掘形成的投资者情绪 指数Sent_wb，本发明实施例构建的投资者情绪指数Sent_wbzhu与股市行情的走势的相关性 更加密切。

这也从实证上说明：在构建投资者情绪时，综合主成分分析和文本挖掘的方法效果更好。 主成分分析法趋近于描述市场的实际情况，虽然客观，但是无法体现投资者的主观性在市场 的表现；文本挖掘的方法虽然充分描述了个体投资者的主观情绪，但投资者在评论时会夸大 情绪，构建的投资者情绪的主观性会加大；而综合二者的方法投资者情绪涵盖了宏观和微观 两个层面，更能全面、客观地反映投资者情绪。

实施例二

本实施例提供了一种异质性主体市场的模拟方法。

与现有的异质性主体模型相比，本实施例中的异质性主体模型，其将投资者分成三大类， 分别为：受情绪和宏观经济因素影响的投资者，仅受宏观经济因素影响的投资者及完全不受 情绪及宏观经济因素影响的投资者。进一步的，受情绪和宏观经济因素影响的投资者被细分 为基础价值投资者和技术型投资者。

在对本实施例的异质性主体市场的模拟方法的实施步骤进行介绍之前，我们先介绍本实 施例中用到的改进后的异质性主体模型的构建过程：

根据Brock和Hommes提出的经典异质性主体模型(参考：Brock W A,HommesC H.Heterogeneous beliefs and routes to chaos in asimple asset pricing model[J].Journal of Economic Dynamics and Control,1998,22(8-9):1235-1274.)，假设一个经济中有一个风险资产，价格为p

W

其中R是无风险利率，z

其中E

z

将n

将风险资产的外部供给设置为零，所以：

所以：

假设基本价格为

Rx

本发明另投资者情绪和宏观经济因素共同作用于投资信念，并将投资者类型扩展到三类， 加入了仅受宏观经济因素影响的投资者及完全不受情绪及宏观经济因素影响的投资者，公式 (6)重写为：

其中：S

不同主体能够根据组的相对表现在组之间切换，根据Brock和Hommes的经典模型，n

简化为：

选择参数的强度β

其中

π

综上，本实施例中的改进后的异质性主体模型可以总结为以下动态系统：

如图4至图5所示，本实施例的异质性主体市场的模拟方法包括如下步骤：

S100、构建方法构建投资者情绪指数。

本实施例中，按实施例一中的投资者情绪指数构建方法构建所述投资者情绪指数Sent_wbzhu。

S200、构建宏观经济因素指数。

具体的，步骤S200包括如下子步骤：

子步骤S201、通过相关性分析从候选宏观经济因素指标中选取若干宏观经济因素指标。

可选的，本实施例确定的候选宏观经济因素指标包括工业增加值(IAV)、消费者物价指 数(CPI)、零售物价指数(RPI)、广义货币供应量(M2)、进出口金额(IMEX)、社会 消费品零售总额(RSCG)和城镇新增就业人数(UJ)。所有指标数据来源于WIND从2015 年1月至2020年7月的月度数据。

获得数据后，对数据进行标准化处理。可选的，可以采用最为简单的min-max处理方法 对复合影响因子进行标准化处理，从而将数据的数值控制在0～1范围内。

接着，计算各候选宏观经济因素指标之间的相关系数，去除相关性高的指标。

本实施例中的7个候选宏观经济因素指标相关系数如下表5所示：

表5.

基于表5的结果，最后选择保留消费者物价指数(CPI)、广义货币供应量(M2)、进出口金额(IMEX)、社会消费品零售总额(RSCG)四个宏观经济因素指标。

子步骤S202、过对所述若干宏观经济因素指标宏观经济因素指标进行主成分分析，得到 所述宏观经济因素指数。

本实施例中，对消费者物价指数(CPI)、广义货币供应量(M2)、进出口金额(IMEX)、社会消费品零售总额(RSCG)四个宏观经济因素指标进行主成分分析。

经主成分分析，保留因子的解释的总方差与累计的影响数如下表6所示：

表6.

从表6中可见，前三个主成分的累计贡献率已经达到84％，说明前三个主成分已经可以 很好地提供原始数据的信息，所以提取指标变量中前三个主成分进行进一步分析。

前三个主成分的旋转因子载荷矩阵如下表7所示：

表7.

从表7的旋转因子载荷矩阵中获得主要成分与原始变量之间的相关系数，因此选择的前 三个主成分具体为：

F

F

F

继续参考表6，将各主成分的特征值作为赋权值，模拟出宏观经济因素指数为：

MA＝(1.38F

其中，0.84为前四个主成分的累计贡献率。

因此，基于主成分分析法构建的最终的宏观经济因素指数表示为：

MA＝1.81CPI+0.33M

从构造的宏观经济因素指标MA来看，MA与CPI、M

S300、根据投资者的类型，将所述投资者情绪指数及所述宏观经济因素指数作为影响因 子加入至异质性主体模型中，从而实现对异质性主体市场的模拟。

本发明实施例中的异质性主体市场的模拟方法具有如下优势：其所使用的投资者情绪指 数由传统的投资者情绪代理指标(宏观)和文本挖掘获取的投资者情绪指标(微观)通过主 成分分析构建，其能够更加有效地实现对异质主体市场的模拟、刻画。

为了验证该结论，下文中将通过实证分析进行比对。

实证分析过程中，总共计算六种场景下的参数，首先估计没有转换

对照例1：基于文本挖掘构建的投资者情绪指数的异质性主体模型。

即，将实施例一构建的投资者情绪指数Sent_wb和和宏观经济因素指数MA作为影响因子 加入至异质性主体模型中进行实证分析。具体如下：

六种场景下的参数如下表8所示：

表8.

表8(续).

注：*、**、***分别表示10％、5％、1％的显著性水平。LL为似然比检验，LLR-1是与场景(1)的 似然比检验，LLR-3是与场景(3)的似然比检验，LLR-5是与场景(5)的似然比检验，c为常数。下文 同。

在表8中，我们给出了基于文本挖掘情绪指数的异质性主体模型六种场景的估计结果。 我们从同质主体模型的估计开始，在该模型中，我们没有加入异质信念，只有一类投资者， 也没有考虑情绪和宏观因子的影响。表中的场景(1)为同质主体模型，其估计结果

场景(2)在同质主体模型中加入情绪和宏观因子，揭示了场景(1)中的同质主体模型 的条件取决于情绪和宏观因素。具体而言，在该模型中

场景(3)引入了异质性，没有情绪、宏观因子。结果表明，股票收益存在明显的异质性： 基本价值投资者

场景(4)在切换函数中引入了情绪，其结果与场景(3)的结果有差别。基础价值投资 者的预期股价没有实现均值回归。情绪对转换行为的影响为负(ψ<0)，参数

场景(5)在三类投资主体的期望形成函数中引入了情绪和宏观因子。除仅受宏观经济因 素影响的投资者外，其他投资者的系数均大于1，因此其预期股价没有实现均值回归。情绪 和宏观因子对各类投资者均产生正向影响，在这两个因素影响下，当价格偏差越大，投资者 的预期价格越高。切换参数

最后，场景(6)是完整的模型，在期望函数和转换函数中都具有异质性、转换性、情绪 和宏观经济因素。结果发现，三类投资者的系数均大于1，说明各类投资者的期望价格均没 有实现均值回归。情绪和宏观因子的系数为正，说明这两个因素对投资者产生正向影响。

综上发现，在不同场景下，各因子的系数会发生变化，本文认为投资者在获得不同信息 后，会适当地调整自己的预期，因此各因子在不同场景下的影响程度有所区别，但总体来看 区别不是特别显著。三类投资者的预期股价没有实现均值回归，情绪和宏观因子对于投资者 期望价格的形成产生正向影响，

对照例2：基于由主成分分析构建而成的投资者情绪指数的异质性主体模型。

即，将实施例一构建的投资者情绪指数Sent_zhu和宏观经济因素指数MA作为影响因子 加入至异质性主体模型中进行实证分析。具体如下：

六种场景下的参数如下表9所示：

表9.

表9(续).

在表9中，我们给出了基于主成分分析情绪指数的异质性主体模型六种场景的实证估计 结果。场景(1)为同质主体模型，其估计结果

场景(3)引入了异质性，没有情绪、宏观因子。结果表明，股票收益存在明显的异质性： 基本价值投资者

场景(4)在切换函数中引入了情绪，其结果与场景(3)的结果有差别。基本价值投资 者

场景(5)在三类投资主体的期望形成函数中引入了情绪和宏观因子。对于基础价值投资 者，情绪和宏观因子均产生正向影响，当价格偏差越大，投资者的预期价格越高；而对于技 术型投资者，情绪和宏观因子均产生负向影响。仅受宏观因素影响的投资者

综上发现，当分别引入异质性、转换性、情绪和宏观经济因素后，各因子对于不同投资 者的影响会发生变化，总体来看，基础价值投资者的预期股价实现均值回归，而技术型投资 者和其他两类投资者的预期股价不是均值回归的。情绪和宏观因素对于投资者产生正向作用， 切换参数

本发明实施例：基于主成分分析和文本挖掘构建的投资者情绪指数的异质性主体模型。

即，将实施例一构建的投资者情绪指数Sent_wbzhu和和宏观经济因素指数MA作为影响 因子加入至异质性主体模型中进行实证分析。具体如下：

六种场景下的参数如下表10所示：

表10.

表10(续).

场景(1)为同质主体模型，其估计结果

场景(3)引入了异质性，没有情绪、宏观因子。结果表明，股票收益存在明显的异质性： 基本价值投资者

场景(4)在切换函数中引入了情绪，其结果与场景(3)的结果差别不大。情绪对转换 行为的影响为负(ψ<0)，参数

场景(5)在三类投资主体的期望形成函数中引入了情绪和宏观因子。对于基础价值投资 者、技术型投资者，情绪、宏观因子产生正向影响。仅受宏观因素影响的投资者

总体来看，预期股价存在明显的异质性。基础价值投资者和随机投资者的期望价格实现 均值回归，而技术型投资者和仅受宏观经济因素影响的投资者的期望价格没有实现均值回归， 情绪和宏观因素对投资者决策产生正向影响。股市中，基础价值投资者的预期股价会回归到 基本价值，而技术型投资者和其他两类投资者很少去考虑基本面，而是根据近期价格做出预 期，因此其期望价格没有实现均值回归。投资者情绪和宏观指标越积极，投资者对未来股市 越充满信心，投资者预期也越积极，预期股价越高。投资者在积极情绪的影响下，更相信自 己之前的选择，因此转换投资类型的可能性会更小，会更加依赖近期价格的变化趋势，因此 近期的价格偏差对预期股价的影响也会上升。相反，情绪消极时，投资者由于不自信之前的 决策，很可能选择转换投资类型，会了解更多其他信息帮助决策，因此近期股价偏差对于预 期股价的影响会降低。

对比三种投资者情绪的异质性模型结果：

如下表11，通过对比三种基于不同情绪指标的异质性模型的似然比检验结果，可以发现 哪种方法的结果拟合程度最好。

表11.

注：LL为似然比检验，LLR-1是与基于文本挖掘的投资者情绪异质性主体模型的似然比 检验，LLR-2是与基于主成分分析的投资者情绪异质性主体模型的似然比检验。

从表11中似然比检验的结果来看，基于主成分分析和文本挖掘构建的投资者情绪指数明 显比其他两种投资者情绪结果显著，其解释性明显更优于其他两种方法的实证结果，说明相 较于单纯的宏观计量或者微观情绪，综合两个层面的投资者情绪，更能准确刻画异质性主体 市场。

实施例三

图6为本申请实施例提供的电子设备300的结构示意图，如图7所示，该电子设备300 包括处理器301和存储器303，处理器301和存储器303相连，如通过总线302相连。

处理器301可以是CPU，通用处理器、DSP，ASIC，FPGA或者其他可编程器件、晶体 管逻辑器件、硬件部件或者其他任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器301也可以是实现计算功能的组合，例如包括一个或多个微处理器组合，DSP和微处理器的组合等。

总线302可以包括一通路，在上述组件之间传送信息。总线302可以是PCI总线或EISA 总线等。总线302可以分为地址总线、数据总线、控制总线等。为了便于表示，图中仅以一 条粗线表示，但是并不表示仅有一根总线或一种类型的总线。

存储器303可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可以储存信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其 他光盘存储、光碟存储、磁盘存储介质或其他磁存储设备、或者能够用于携带或存储具有指 令或数据结构形式的期望程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器303用于存储本申请方案的应用程序代码，并由处理器301来控制执行。处理器 301用于执行存储器303中存储的应用程序代码，以实现实施例二中的异质性主体市场的模 拟方法。

本申请实施例最后还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有 计算机程序，该程序被处理器执行时实现实施例二中任一项的异质性主体市场的模拟方法。

上文对本发明进行了足够详细的具有一定特殊性的描述。所属领域内的普通技术人员应 该理解，实施例中的描述仅仅是示例性的，在不偏离本发明的真实精神和范围的前提下做出 所有改变都应该属于本发明的保护范围。本发明所要求保护的范围是由所述的权利要求书进 行限定的，而不是由实施例中的上述描述来限定的。