这是“金融学前沿论文速递”第1472篇推送
选文:李雨 审稿:徐菁桦 终审:戚豪凯 编辑:李雨
仅用于学术交流，原文版权归原作者和原发刊所有
原刊和作者：
Journal of Financial Economics 2024年8月
J. Anthony Cookson (University of Colorado at Boulder)
Runjing Lu (University of Alberta)
William Mullins (University of California)
Marina Niessner (Indiana University)
（一）社交信号的平台差异
1. 关注与情绪的跨平台共性差异
首先用主成分分析(PCA)将三个平台产生的社交信号分解为关注和情绪。发现关注有一个强大的共同成分，第一主成分解释了67%的变化。相比而言，情绪的第一主成分只解释了39%的情绪变化，仅略高于各自独特信号所能解释的33%。接着再用关注和情绪对可能的原因变量和公司固定效应回归，并对残差信号进行主成分分析，发现以上结果不是由新闻、公司披露、股票收益或公司固定成分所驱动。这种条件主成分分析得出的模式与开始使用的无条件主成分分析非常相似，表明投资者社交媒体中的共同信号与传统媒体中的信息不同。
2. 排除替代解释
(1)平台算法差异
情绪的跨平台相关性较弱的另一种解释是，各平台的信号是用不同的自然语言处理算法(NLP)提取的。为了排除这个可能性，在保持平台特征和算法不变下来比较StockTwits不同类型用户，说明算法不能解释这些差异。与跨平台结果一致，发现关注在用户类型（如网红、专家和新手）之间高度相关（即第一主成分解释了84%的变化），而情绪信号在用户类型之间的相关性较弱。因此，本文结果并非因算法差异导致。此外，该结果还反映，即使算法和所有平台特征保持相同，用户群体的不同也会产生情绪信号的跨平台差异。
(2)公司规模差异
社交投资平台间最显著的区别在于其覆盖公司的规模。StockTwits更关注小公司，而Twitter和Seeking Alpha更关注大公司。按公司规模重复条件主成分分析，发现无论公司规模如何，关注都比情绪表现出更多的共性。且大公司在关注和情绪上比小公司的共性更强。基于规模的情绪异质性表明，社交金融文献中有关情绪的研究结果可否跨平台应用，取决于小公司对该结果的重要性。
（二）社交信号的信息量差异
1. 关注与情绪的收益预测力
接着考察情绪和关注信号的信息量在各平台的异同。为了捕捉信息量，对三个平台的情绪和关注信号的次日超额收益回归，控制传统媒体新闻、公司公告、滞后收益和波动性以及谷歌搜索量。任何平台的信号都是由共同成分（情绪和关注的第一主成分捕捉）及各平台特定成分的组合。研究发现，情绪的共同成分预测次日的超额收益为正，而关注的共同成分预测次日的超额收益为负。观察每个平台的信号，发现不同平台间信号的信息量存在显著差异。总体而言，StockTwits比Twitter和Seeking Alpha的共同成分（尤其是关注）对次日收益的预测更强。
2. 机制检验
为考察社交信号所蕴含信息量的背后机制，考察其与当日收益及20日收益的关系。发现，积极的情绪与更高的当日及次日收益相关，且在随后的20天内没有逆转。相比之下，关注度越高，当日收益越高，随后10-20日内会出现部分逆转。进一步挖掘，发现个人净买入与当日情绪和关注正相关，但这种正相关性只持续1-2日。这些结果有助于解释社交信号对次日收益的信息性发现：情绪的正向可预测性是因其包含了收益相关的信息，而关注的负向可预测性则符合高关注日过度反应的逐步反转。
（三）前因研究：平台间社交信号差异的原因
接着基于两个事件，深入了解平台特性和用户不同会否导致情绪和关注的信息性差异。
(1)平台特征：发帖字数限制事件
第一个事件是2019年5月8日StockTwits将每条消息的字符限制从140字符增加到1000字符。考察当日附近社交信号信息量的变化。发现该变化后，StockTwits的情绪更能预测次日的股票收益。此外，该影响由长消息的情绪驱动，而短消息的信息量和关注没有变化。还发现，专业人士发布的消息平均信息量更大，且在字符限制增加后发布的信息更长，这表明了一种可能的机制。与Twitter和Seeking Alpha不受StockTwits字符限制增加影响的事实一致，发现这些平台信号的信息量没有变化。这些结果表明，平台内用户沟通能力会影响社交媒体信号中的市场相关信息，符合传播理论。这些发现还表明，投资者社交媒体平台之间的结构性差异导致了其信息的信号差异。
(2)投资者类型：GME散户逼空事件
其次，考察2021年1月GME散户逼空事件中情绪和关注的信息量变化。2020年，受新冠疫情居家令以及许多经纪商引入免交易费，美国零售经纪账户数量迅速增加，StockTwits也涌入大量新用户。Bradley et al. (2024)发现，GME逼空事件后，基于WSB“尽职调查”报告的Reddit零售交易的信息量下降。本文发现，GME逼空后，所有平台的情绪信息性显著恶化：收益对情绪的敏感度降低。此外，信息量的下降主要集中于新用户的消息，因为老用户（2020年之前加入）信号的信息量在2021年1月后并未改变。这些发现说明用户人群和信息表述在塑造社交信号的信息内容中的重要性。
本文比较StockTwits、Twitter和Seeking Alpha社交平台上生成的社交信号的异同。研究发现，社交投资平台之间情绪比关注的差异更显著。这些差异源于投资者类型的差异（例如，大V、专家和新手）及平台特征的差异（例如，帖子的字符限制）。
投资者社交媒体在近二十年间稳步增长，近年发展尤其迅速。在线投资论坛每天吸引成千上万用户，实时、集中地讨论个股。鉴于平台之间有差异，特别是依赖其他类型媒体（例如Discord和TikTok）的新进入者，未来社交信号和散户交易的信息性也会随之演变。这些新技术会增强还是削弱信息环境？期望未来能更多地研究这些新兴技术的影响。
原文：
Cookson, J.Anthony, Runjing Lu, William Mullins and Marina Niessner, 2024, The Social Signal, Journal of Financial Economics 158, 103870.
【长按二维码自动识别】查看摘要或原文
本文所属系列和领域（点击阅读）
系列：国际顶级前沿
领域：资产定价
关于我们 |
微信公众号“金融学前沿论文速递”精选推送国内外金融学顶级期刊最新论文。欢迎转载。本号由上海财经大学讲席教授徐龙炳、陆蓉带领的“上财金融创新团队”负责。联系方式：FinanEx@163.com。 分类检索文献：点击标题下面蓝字“金融学前沿论文速递”，关注，进入公众号，页面下方按“系列”“领域”或“期刊目录”分类检索。 “系列”包括：国际顶级前沿、国内顶级前沿、ESI高被引系列、趣文推荐系列、专题系列、平台及团队介绍、上财金融风采系列。 “领域”包括：资产定价、公司金融、行为金融、投资者行为、金融市场、金融中介、金融工具及其他、机器学习。 “期刊目录”包括：JF、JFE、RFS、《经济研究》《管理世界》《金融研究》等。 |
金融学前沿论文速递 |
