池鱼之殃：上市公司社交媒体联结与股价溢出效应——基于中国监管处罚的事件研究.pdf

doi:10023.04.006Apr.2023JOURNAL OF MANAGEMENT SCIENCESIN CHINA2023年4 月Vol.26 No.4理报学学科管第2 6 卷第4 期池鱼之殃：上市公司社交媒体联结与股价溢出效应基于中国监管处罚的事件研究郭峰，吕晓亮2*，林致远3，龚志强（1 上海财经大学公共经济与管理学院，上海2 0 0 4 33；2.上海财经大学会计学院，上海2 0 0 4 33；3.明尼苏达大学双城分校，明尼阿波利斯5 5 4 5 5，美国）摘要：投资者在资本市场社交媒体中的广泛讨论与互动，为上市公司之间创造了一种特殊的社交媒体联结关系，本研究考察了社交媒体联结对公司股价溢出效应的影响.利用2 0 1 7 年6月至2 0 1 9年1 2 月的A股上市公司监管处罚作为外生冲击，研究发现当上市公司被监管处罚后，短期内受处罚公司的累计超额收益率显著为负，同时与该公司存在社交媒体联结关系的公司的累计超额收益率也显著为负.排除竞争性解释和使用工具变量方法都证明社交媒体联结强度与股价溢出效应之间存在因果关系，同时，进一步分析也表明个人投资者负面情绪的传染效应是其中的重要影响机制.本研究拓展了人们对于数字经济时代社交媒体重要价值的认识，为加强中国资本市场风险管控提供了参考.关键词：社交媒体；投资者情绪；溢出效应；个人投资者中图分类号：F830.91文献标识码：A文章编号：1 0 0 7-98 0 7(2 0 2 3)0 4-0 1 1 1-2 10引言在数字金融时代，人们的投资理财、借款融资均实现了数字化，甚至智能化，同时人们获取和分享金融信息，也非常倚重互联网，包括互联网社交媒体.作为获取和传递信息、表达和传染情绪的重要途径，社交媒体在经济社会生活中扮演了越来越重要的角色1-3.在资本市场内，投资者在专业化的社交媒体中的广泛交流与互动可以汇聚成巨大的能量，产生重要影响.例如，2 0 2 1 年初，个人投资者通过Reddit（美国知名论坛网站）等社交媒体平台广泛串联，反制了多家基金对“游戏驿站（GameStop）”公司的做空，两周时间内使得股价上涨1 5 8 5%，迫使多家空头基金平仓认输，引发“拔网线”事件。而且，投资者在社交媒体中的广泛讨论与互动，特别是其同时对不同公司的关注和评论，为上市公司之间创造了一种特殊的社交媒体联结关系.已有关于社会网络联结的研究主要是基于真实的业务网络或者关系网络，即“经济联系”，但本研究考察的社交媒体联结为“虚拟联系”“虚拟世界”的社交媒体联结是否会对公司产生经济后果，值得进行考察.本研究利用中国资本市场的一个代表性社交媒体“东方财富网股吧论坛”为研究对象，考察了上市公司因为投资者在社交媒体上的共同关注和评论而产生的社交媒体联结，是否也能产生股价溢出效应.以中国资本市场作为研究对象，是因为其一个非常显著的特征：在中国资本市场中，个人投资者的数量和活跃程度均非常高，而且非理性特征明显.根据收稿日期：2 0 2 1-0 5-0 4；修订日期：2 0 2 1-1 2-0 2.基金项目：国家社会科学基金资助重大项目（1 8 ZDA091）；国家自然科学基金资助项目（7 2 0 0 32 1 4；7 2 1 7 2 0 8 3）；上海市哲学社会科学规划课题项目（2 0 2 0 BJB004）；上海财经大学研究生创新基金项目（CXJJ-2020-336）。通讯作者：吕晓亮（1 992 一），男，河南林州人，博士生Email：l y u x i a o l i a n g 1 2 6.c o m羊惠、兰怡潇，美国散户大战华尔街续集：券商“拔网线”，散户顽强拉爆虚拟币，美国证监会发声，时代周报微信公众号（timeweek-ly),2021年1 月31 日,https:/ 月报学学科管112上海证券交易所2 0 2 0 统计年鉴，上海证券交易所2 0 1 9年的股票投资者为2 36 0 0.3万户，其中自然人2 35 2 4.8 万户，占比达99.6 8%.而囿于信息渠道、知识水平等的限制，个人投资者通常具有有限理性甚至非理性的特征，在信息处理和决策过程容易受到自己和他人情绪的影响，表现出过度反应、反应不足和羊群效应等市场异象4,5从而为研究社交媒体中的上市公司社交媒体联结与股价溢出效应创造了条件.在经济生活中，个体的经济行为不仅受其自身特征左右，也受其所附属的社会网络的影响6,反之亦然.例如,在资本市场中,某一个重大事件发生后，不仅事件公司自身会受到直接的影响，与其同处一个行业7-0、一个地区.1 2,隶属同一集团1 3-1 5,共用相同的审计师1 6-1 9、承销商2 0,或存在董事联结2 1.2 2、风险投资机构联结2 3的其他公司也会受到某种影响，即各种类型的社会网络联结使得关联公司之间的股价存在溢出效应.不过，虽然个体投资者行为也是影响股价波动的重要原因，但在相关研究中,鲜有研究考虑公司股价是否会通过因为在社交媒体上受投资者共同关注形成的社交媒体联结关系而产生溢出效应.考虑到社交媒体对经济社会产生的重大影响，这一方面的研究缺失呕待填补。相关研究困难首要在于数据的可得性问题，但股票论坛为研究这个问题提供了一个较好场景.随着信息技术和互联网的发展，互联网社交媒体作为交易场所和信息源已经越来越流行，股票论坛已成为股民重要的信息交流、情绪宣泄的场所.机构投资者通常拥有私有信息和信息分析资源，而个人投资者则主要依靠股票论坛等非正式渠道来获取信息并分享观点，可以让研究中难以观测的因素得到体现.目前，中国有股吧论坛、雪球网、淘股吧等多个股票论坛，其中以股吧论坛规模最大、参与者最多.例如，根据整理，在2 0 1 7 年5月至2 0 2 0 年1 月的样本期间，东方财富网股吧论坛的用户共发布了约7 90 0 万个帖子（每日约8万个帖子），覆盖30 0 0 多家上市公司.而且，除发帖人发布的具体帖子文本信息外，本研究还获取了发帖人的ID信息，这样就可以获取这些发帖人在不同公司下的发帖，最终将两个公司因为共享大量的发帖人而构成的联结称为两个公司的社交媒体联结，并进而考察通过这一联结产生的股价溢出效应.为了更好地识别股价溢出效应，本研究以上市公司被监管当局处罚作为一个外生冲击，来考察事件公司受到这样的处罚后，是否会在与其存在社交媒体联结的其他公司中产生溢出效应.这样一个负面外生冲击对识别股价溢出效应具有非常重要的意义，因为监管处罚事件的溢出效应的方向性并不是必然的：传染效应和竞争效应可能会并存2 4。一方面，大量研究显示个人投资者的投资行为极易受到情绪的左右，非理性投资特征非常明显4.5.当事件公司出现负面冲击时，会对个人投资者的情绪产生负面冲击，同时，这些投资者还可能把这些负面情绪带到其他公司，不仅会对其他公司产生直接的冲击，还会进一步影响这些公司其他投资者的情绪，进而造成与事件公司存在社交媒体联结的公司的累计超额收益率也为负，此即在负面冲击中，两个公司因社交媒体联结产生的“传染效应”.另一方面，如果A和B两个公司被投资者所共同关注，那么在A公司受到冲击时，这些投资者可能会将资金优先转移到B公司，从而A公司股价的坏消息，就成为B公司股价的好消息92 5,这一效应可以概括为“竞争效应”。显然，在资本市场中，竞争效应和传染效应可能同时存在，本研究利用股吧论坛的海量数据，对两个公司因社交媒体联结而产生的股价溢出效应中究竟哪种效应占据主导地位，进行了检验.研究发现：当上市公司被证监会等监管部门行政处罚后，受处罚公司的累计超额收益率显著为负，同时与该公司存在社交媒体联结的公司的累计超额收益率也显著为负，这表明在社交媒体联结产生的溢出效应中，传染效应占据主导地位，而且进一步研究也证明个人投资者负面情绪的传染效应是这一溢出效应的重要影响机制.为确保上述结论的可靠，进行了一系列因果识别工作：一方面，排除了可能存在的其他竞争性的解释机制对研究结果的干扰，如同一概念板块、同一行业、同一地区、同一审计事务所、同一IPO承销商等渠道；另一方面，也使用工具变量方法来解决社交媒体联结存在的内生性问题,分析结果显示,在解决因果识别问题之后，相关结论仍然成立，股价确实存在通过社交媒体联结的溢出效应.在现有文献基础上，本研究有如下几个贡献：郭基于中国监管处罚的事件研究峰等：池鱼之殃股价溢出效应113第4 期1）通过研究上市公司社交媒体联结的溢出渠道扩展了关于股价溢出效应的研究.已有研究关注的溢出效应渠道，包括同一行业、同一地区、同一集团、董事联结、同一审计师、同一承销商、同一风险投资机构，等等.这些都是常规的溢出效应渠道.而本研究基于资本市场社交媒体大数据，研究发现社交媒体联结这种“虚拟世界”的虚拟联系，也是一个重要的股价溢出效应渠道，从而拓展和丰富了现有关于股价溢出效应的文献.2）丰富了资本市场关于社交媒体作用的文献.已有研究表明，社交媒体发布的信息可以预测股价波动性以及股票交易量2 6，股票收益率2 7,2 8,股票收益预期2 9,30 和公司销售情况31,并且发挥公司治理作用32.34.而本研究发现社交媒体中的社交网络也可以影响股价，从而丰富了关于资本市场社交媒体的研究.3)有助于监管部门更好地理解社交媒体大数据对资本市场产生的影响，从而为制定相关政策提供参考.本研究从溢出效应角度考察了行政监管的有效性,发现行政监管不仅影响受处罚公司，还影响与事件公司存在社交媒体联结的其他公司，从而拓展了关于行政监管市场效应的认识，为政府更好、更谨慎地运行监管工具，提供了启发1文献综述与本研究关系最为密切的文献首先是关于股票市场溢出效应方面的文献，这方面丰富的研究文献为本研究提供了宝贵的借鉴.在现有文献中，溢出效应可以分为传染效应和竞争效应2 4.传染效应理论认为存在某种联结的公司之间存在股价共涨共跌，或其他行为相互模仿、趋同的现象，而竞争效应理论则认为存在某种联结的公司之间会存在相互竞争的关系：对某公司不好的消息，对作为其竞争对手的关联公司就是好消息.关于股票市场传染效应的文献主要基于不同类型的社会关系网络而开展，研究存在某种关联的上市公司之间是否存在股价共涨共跌，以及其他行为趋同的现象.具体而言，几个代表性关联关系产生的传染效应研究主要包括：1)行业内的传染效应，有文献研究发现当某行业的公司发生财务重述8 或股价大幅下降7 时，同行业其他企业也会同步变化.2）同地区内的传染效应，有研究发现公司违规行为1 2、财务报表重述行为1 1 存在着地区同群效应.3）董事联结的传染效应，Chen和Goh21研究发现当公司进行财务报表重述后，与该公司存在共同董事的其他公司的市场反应也显著为负，即企业间董事联结关系影响股价联动.4）同一集团内的传染效应，根据已有文献，企业集团内部公司的经营业绩1 3，财务风险和市场风险1 5,违规行为1 4 也会存在传染效应.5)共用相同审计师的传染效应，当事务所或审计师发生审计失败时，审计失败会通过同一审计师“传染 给其他审计客户1 6.1 8，1 9，因此，当某公司发生证监会行政处罚等外部冲击时，与该公司共用同一审计师的其他公司，也会面临负面冲击1 7.6)同一风险投资机构联结产生的传染效应，何顶和罗炜2 3发现当风险投资支持的上市公司涉嫌违规时，与其存在同一风险投资联结的其他上市公司的股价也会被“传染”，产生显著的负面市场反应.7）同一承销商的传染效应，Beatty等2 0 研究发现美国证监会对承销商的调查会导致承销商声誉受损，进而该承销商涉及到的其他关联客户的股价也会同步下降.虽然研究竞争效应的文献相对较少，但相关研究也对更严谨地进行研究设计和结果分析提供了启发.Lang和Stulz24以破产事件为样本,发现行业竞争程度、财务杠杆是影响溢出效应的重要因素，在行业竞争程度高以及杠杆率低的行业，竞争者会从其竞争对手的破产中获得收益，市场反应为正，表现为竞争效应.此外，竞争效应能否显现出来,与整个市场环境也存在直接关系，王永钦等9发现在监管制度比较好的市场环境中，信任品市场中个别企业的丑闻会对其竞争对手产生“竞争效应”，在股票市场上表现为同类企业股票价格的相对上升.如果投资者信任某个行业，那么行业内某公司出现问题时，其竞争对手也会成为获益者.基于网贷平台的数据，王正位等2 5 的研究发现网贷平台爆雷后竞争效应处于占优地位，即某平台出现问题后，会促使其投资者或外部投资者转移到其他平台，使得这些平台成交量提升.此外，金智等35 以信息披露违规公司的处罚公告为切入点，发现同行公司会计信息质量对传染效应和竞争效应意义重大：同行公司会计信息质量越差，越容易产生传染效应，反之，越可能产生竞理报学科2023年4 月学管114争效应。区别于已有文献，本研究从股票市场溢出效应的直接中介投资者角度出发，基于上市公司在资本市场社交媒体形成的社交媒体联结，考察其是否有可能成为股票市场溢出效应的新的渠道.个人投资者的投资行为易受到投资者情绪的影响，从而其产生的社会网络可能会有不一样的表现.关于投资者情绪的相关研究相对较多5，特别是关于投资者情绪对资本市场证券定价、价格波动、收益率等产生重要影响的文献，对本研究的立论基础提供了丰富的文献依据.在社交媒体方面，Antweiler和Frank26开创性的研究发现社交媒体中的投资者情绪有助于预测随后的股价波动性以及股票交易量.之后大量文献进一步基于其他角度和场景，考察了投资者情绪与股价及股票收益率之间的关系2 8.36.37.在中国股票市场，尹海员和吴兴颖38 发现投资者情绪能正向预测股票市场运行，情绪分歧度则能够预测交易量，与之前段江娇等2 7 的研究结论一致.当然，也有研究持不同观点，认为投资者情绪对股价波动的影响可以忽略不计39-4 1.还有学者认为网络股票留言板上的信息对稳定股价具有积极作用：网络信息交流能抑制股市羊群行为的持续扩散，从而减弱羊群行为导致的股价剧烈波动4 2.Sun等4 3,熊熊等4 以及姚尧之等4 5 则进一步将投资者正向情绪与负向情绪分开讨论，发现投资者情绪的预测作用具有不对称性，正向情绪对未来收益的影响要远远大于负向情绪4 6.4 7.除对公司短期估值产生的影响外，也有文献考察了个人投资者在股票论坛的广泛讨论对公司业绩和公司治理产生的影响，例如，可以影响到公司盈余管理行为334 8、并购决策32、股价崩盘风险34，以及IPO业绩表现4 9,等等.不同于这些文献，本研究更注重考察股吧论坛的社交属性.社交媒体之所以重要，并不仅仅是因为社交媒体上发表的评论会对该公司产生影响，更重要的是在社交媒体中，投资者的情绪会通过社交媒体形成的社会网络相互传染，相互影响，进而产生更大的溢出效应.Chen等5 0 基于传统媒体的研究显示，传统媒体共同关注两家公司，会导致两家公司股价联动，而东方财富股吧的网址为：http:/ 1.此外，基于股吧论坛的研究还显示，处于社交媒体网络中心位置的公司股价崩盘风险更小34、股价同步性更低5 2】,这些研究也为本研究提供了启发.为了更精准地考察公司通过社交媒体联结而产生的股价溢出效应，本研究以上市公司被监管当局行政处罚这样一个外生冲击作为切人点进行研究.证券监管及其在资本市场的作用一直是相关学科重要的研究领域.作为一个发展历史较为短暂的资本市场，中国证券市场监管行为究竟是否有效，一直是相关文献考察的重点.一部分文献认为中国证监会和交易所的监管行为有效，处罚公告日前后公司的累计超额收益率（CumulativeAbnormal Return,CAR）为负3.5 4.此外,也有文献研究发现证券监管能够改善公司治理，表现为上市公司被处罚后，提高盈余质量5 5 6、审计质量5 7.5 8 1、融资成本增加9,等等.不过,也有文献认为中国的证监会和交易所的监管行为无效，对市场没有什么实质性影响6 0-6 2.虽然关于中国的证券监管能否对规范企业运行起到实质性的作用，尚未达成一致结论，但是已有研究均表明，对于上市公司而言，资本市场监管处罚是一个负面事件，一旦被处罚，其公司股价在短期内会下跌.而且，根据大多数文献的估计，监管处罚公告发布前后，市场反应程度大约在1%至2%区间5 3.5 4 1.监管处罚给上市公司估值带来的这一负面外生冲击，为本研究识别股价通过上市公司社交媒体联结而可能存在的溢出效应，创造了条件.2数据说明与研究设计2.1研究样本和数据来源本研究使用的数据主要由两部分组成，一部分是股吧论坛数据，一部分是上市公司被监管处罚的信息，对此分别阐述。在中国多个股票论坛当中，东方财富网旗下的股吧论坛最早成立且最具影响力.股吧论坛专注于资本市场，投资者可以免费登录，并自由发表观点或回复他人的观点，而且论坛为每家上市公司都提供了单独的讨论区.股吧论坛已经成为郭115基于中国监管处罚的事件研究峰等：池鱼之殃：轩媒体联缘股价溢出效应第4 期研究中国资本市场个人投资者的重要数据来源，被大量文献所采用用2 8,32,34,5 1,5 2,6 3,6 4 本研究使用Python开发了爬虫程序，爬取了2 0 0 8 年1 月一2020年3月股吧论坛中的每家公司所有的发帖数据，主要信息包括：公司ID、帖子ID、发帖人ID、精确到秒的时间戳、帖子类型、标题文本、正文文本，以及每个帖子的评论量、阅读量、点赞量，等等.在删除资讯、公告等特殊帖子后，共计获得2.4亿条投资者发帖样本.不过，为了避免泄露用户隐私，东方财富网股吧论坛曾经进行过改版，发帖人名称由早期的IP地址改为用户昵称，而且，对于论坛中未重新注册的发帖人IP地址则统一修改为“上海网友”，同时早期的帖子样本的发帖人ID(16位的数字串）也无法获取，因此大量早期帖子无法清楚定位到具体发帖人.经过对数据的简单清洗，本研究发现2 0 1 7 年5 月之前用户昵称数据中存在大量“上海网友”且存在发帖人ID缺失的情况，因此以2 0 1 7 年5 月1 日为股吧样本的起始日期.此外，考虑到2 0 2 0 年新冠肺炎疫情的暴发会对资本市场包括投资者情绪产生严重冲击6 5，因此也剔除了2 0 2 0 年2 月2 0 2 0 年3月的样本，最终股吧评论样本时间跨度为2 0 1 7 年5月1 日一2 0 2 0 年1 月31 日.在这一时间段，股吧论坛共计有7 930.4 万条投资者发帖数据，即投资者平均每天在股吧论坛发布了7.9万个帖子，涉及37 5 4 家公司.最后，借鉴相关研究，剔除金融企业、退市企业、ST企业，以及相关重要数据不全的公司，最终得到的样本包括7 4 6 3.4 万帖子信息，涉及30 5.7 万发帖人和35 7 3家公司.关于监管部门对上市公司的监管处罚数据，主要来自于CSMAR数据库的违规处理子库.该数据库收集了1 994 年以来，发生违规行为的上市公司发布的企业公告、证监会指定媒体的报道及监管机构所出的公告等相关数据.该违规处理数据库收录的数据来源于交易所和证监会，数据源权威稳定，已被相关文献广泛使用1 2.1 4.2 3.5 3.考虑到一个处罚事件前后需要有充分的发帖人信息，才能构造一个公司的社交媒体联结公司，因此对于处罚事件数据的时间区间，前后各删掉了一个月，即处罚事件样本时间（按公告日期）跨度为2017年6 月1 日至2 0 1 9 年1 2 月31 日.在这一时间段内，该数据库共计收录了2 8 37 个处罚事件公告样本.本研究从数据库获得初选样本后，又进行了如下相关处理：剔除处罚对象非上市公司样本；剔除处罚决定人缺失样本，这些样本主要是一些关于短线交易的公告；如果某公司某一天被多次公开处罚，则仅保留违规性质最严重、处罚金额最高的一个公告，其余删除；剔除退市、ST股、B股以及金融行业样本；删除处罚事件公告日前后2天存在其他重大事件（财报发布、高管变更)干扰的样本.经清理后，监管处罚事件共计1 35 4 个样本，涉及8 1 4 家公司.图1 中报告了样本区间的行政处罚数量的月度时间趋势.从图1 中可以发现，随着时间推移,行政处罚数量存在一定的增加趋势.其他财务数据分别来源于WIND和CSMAR数据库.1001806040202017-072018072018-072019-072019-072020-01月份图1 上市公司行政处罚数量的月度分布Fig.1 Monthly distribution of the number of regulatory penaltiesforthe listed firms2.2变量构造2.2.1社交媒体联结公司本研究要考察的问题是监管处罚事件在对被处罚公司造成影响的同时，是否会通过社交媒体联结渠道而影响到其他公司.这一研究成为可能，是因为东方财富网股吧论坛不仅提供了发帖人发布的具体帖子文本信息，还可以获取发帖人的ID信息，因而可以较为容易地获取这些发帖人在不同公司下的发帖.本研究将两个公司因为共享大量的发帖人而构成的联结称为上市公司社交媒体联结.为严谨起见，本研究没有将这种联结关系称交易日和非交易日，发帖量存在较大差异，平均每个交易日的发帖量为1 0.1 万.理报学学科管2023年4 月116为“投资者联结”，或“共享投资者”，不过根据Ang等32 的分析,在股吧论坛上的大多数发帖人为真实的投资者，社交媒体联结其实就是投资者共同关注，至少是潜在投资者的共同关注.此外，由于投资者在不同时间关注的公司可能存在不同，因此公司之间的共享发帖人也是动态变化的，为了使得社交媒体联结公司的构建更为准确，本研究以监管处罚事件公告日前30 d为基准,来构造这1个月内被处罚公司的社交媒体联结公司.此外，由于与每一个被处罚公司存在至少一个共同投资者的社交媒体联结公司可能存在多家，考虑到计算的便利性,本研究最终以该时间窗口内,与被处罚公司在股吧论坛中共享发帖人发帖数量最多的公司作为被处罚公司的社交媒体联结公司.图2 展示了根据上述方法构造的社交媒体联结公司共享发帖人发帖数量的分布.从图2 中可以看出，共享发帖人发帖数量的均值为2 37 个帖子（日均8 个帖子），中位数为1 4 2 个帖子（日均5 个帖子）.而根据本研究的统计，股吧中每家公司每天的帖子数量平均2 1 个（交易日为28个），因此上述共享发帖人的发帖数量占据了一定的比例.同时，为了保证研究结果的可靠性，在稳健性分析中，本研究还分别采用了与事件公司共享发帖人发帖数量第二高的公司、共享发帖人数量最高的公司、以及共享发帖人发帖数量比例（共享发帖人发帖数量/公司总帖子数量）最高的公司，作为社交媒体联结公司的其他界定标准.0.0040.0030.0020.0010500100015002000共享发帖人发帖数量图2共享发帖人发帖数量的分布Fig.2 Distribution of the number of posts by common posters2.2.2累计超额收益率CAR采用事件研究法，分析处罚事件公告日期前后某个窗口期内事件公司和社交媒体联结公司的股票累计超额收益率CAR的变动，来考察股价通过社交媒体联结的溢出效应.本研究采用资本资产定价模型CAPM计算事件日前后的超额收益AR和CAR,具体步骤为：首先，定义事件日（t=O）为监管处罚的公告日，然后估计每日的股票超额收益，估计期为（-2 1 0，1 1).市场模型如下：Ri=；+:Rm+8i,其中R,和Rm分别是股票i和市场证券组合在t期的收益率（均考虑现金股利再投资），；和；是对应股票的回归系数，8 i是回归残差.市场证券投资组合的回报为股票所在交易市场的综合日市场回报率（流通市值加权平均法）.其次，根据市场模型估计出单个股票的超额收益率ARi：A R；=R，R最后,将事件窗口期内AR进行累加，得到整个样本在事件窗口期的CAR.为了保证结果的稳健性，本研究还采用市场证券投资组合的回报为股票所在交易市场的综合日市场回报率（等权平均法）进行检验。根据CAR的定义,CAR在未受到监管处罚影响时应当接近于0.因此，如果在处罚事件公告日前后,某个时间窗口内，CAR的均值显著小于O,说明在监管处罚事件中，被处罚公司的股价受到了负面冲击.而如果与事件公司存在社交媒体联结的公司在该时间窗口的CAR显著小于O,则说明社交媒体联结产生的溢出效应中，传染效应占据主导地位；反之,如果其均值显著大于0,则说明竞争效应占据了主导地位2.2.3投资者情绪构建根据上文的分析，投资者情绪的相互传染可能是监管处罚事件通过社交媒体联结而影响到其他公司的重要机制，因此本研究使用机器学习方法识别了每一个帖子代表的投资者情绪，进而计为了方便展示，将共享发帖人发帖数量大于2 0 0 0 的样本替换为2 0 0 0估算过程中，要求至少有1 0 0 个交易日数据，否则将该样本删除.郭第4期基于中国监处罚的事件研究峰等：池鱼之股价溢出效应117算“公司日期”层面的投资者情绪指数.这里仅简要介绍数据处理和机器学习算法，详细做法可以参阅Li等 2 8 、钱宇等 6 4 等代表性文献.第一步：文本数据获取，如上文所述，本研究使用Py-thon爬取了东方财富网股吧论坛中个人投资者发帖数据，时间区间为2 0 0 8 年一2 0 2 0 年3月，约2.55亿个帖子.第二步：文本数据清洗，在数据清理中，删除了重复的帖子，也删除了非文本项，例如图像、表格以及HTML标签等，并仅保留少于500个汉字的帖子，以消除潜在的异常值影响，最终获得2.42 亿帖子.第三步：文本分词，考虑社交媒体用语特点，采用jieba分词工具同时加载自定义词典，也加载了停用词词典，并删除词频小于10 的罕见词语.第四步：训练集构建，采用分层抽样的方法选取2 0 0 0 0 条帖子，由课题组的3名研究生分别进行人工阅读，将每条帖子的投资者情绪分为“积极”，“消极”或“中性”三类，3名研究生标注均一致的样本（10 8 0 0 条）作为机器学习训练和测试集（4：1）.第五步：机器学习算法，参考已有文献的做法 2 8.6.6 ,，采用词嵌人算法（W o r d 2 v e c）和卷积神经网络（TextCNN）的方法进行文本情感分类.具体而言，使用Skip-Gram模型来实现Word2vec表示，采用Python软件中的Keras模块进行处理，将窗口宽度设置为5，其他参数均采用默认值.然后，搭建了包含一层卷积层、一层池化层和全连接层的CNN框架，卷积层的卷积核大小为2 30 0、330 0、430 0、5300、6 30 0，且每种卷积核的数目都使用了100个；卷积核以步长1在输人的矩阵滑动，从而生成特征图进人池化层；池化层采用1-maxpoo-ling的方法；卷积核经过池化层后的输出拼接成500维的高维句向量表征；50 0 维的高维句向量作为全连接层的输入，全连接层输出帖子情绪分类。采用上述模型和参数之后，CNN模型在文本情绪分类上能够达到8 1.5%的准确率，达到了现有同类文献的水平 2 8 ,在识别出每个帖子的投资者情绪后，本研究又参考Antweiler和Frank26等文献的经典做法，构造了一个“公司日期”层面的投资者情绪指数.具体而言，将t日公司i所有“积极”情绪的帖子的数量记为Mpo，将t日公司i所有“消极”帖子的数量记为Mneg.t日公司i的投资者情绪指数（Se n t i me n t)计算公式则为：Sentimenta=（M r-M）/（M p o +M n）.从上述计算公式可知，当t日公司“积极”帖子数量等于“消极”帖子数量时，Sentiment等于O；当“积极”帖子数量高于“消极”帖子数量时，该值大于0，表示该日投资者情绪总体偏积极；反之则小于0，表示该日投资者情绪总体偏消极.3基准结果与分析3.1确定事件窗口期已有研究关于监管处罚事件影响评估窗口期的选择尚无统一标准，因此为了更严谨地选择一个合适的时间窗口，作为下文估算处罚事件影响和溢出效应检验的基准，本研究首先采用事件分析的方法，分析了监管处罚公告日前后窗口期（10，+10）的市场反应.结果如图3所示，左图为累计超额收益（CAR），右图为超额收益（AR）.从图3中，特别是右图超额收益（AR）中，可以看出，大约在公告日前1d（t=1），超额收益开始为负数，表明资本市场监管处罚消息存在提前泄露的可能性，负值的超额收益一直持续到公告日后的大约第5dt=5）,之后超额收益基本恢复为0，而累计超额收益则基本保持在-1.5%左右，与已有监管处罚市场反应的文献保持一致 53.54.综合考虑监管处罚的市场反应变化趋势，本研究在在股吧等投资者论坛中的普通帖子通常相对简短，发帖人一般用短文本表达意见或情绪，较少会采用长文本.而长文本帖子，一般是从其他来源（如新闻报道和分析报告）中直接复制粘贴而来.8自定义词典包括：公司简称、股票代码、搜狗词典中的金融词库、灵格斯英汉与汉英会计金融词典、自定义的表情包词典（如大笑、赞、拜神等）.停用词词典为标准的中文停用词词库，同时保留了数字、感叹号和问号，因为标点符号也是情绪的重要表达方式；保留数字则是考虑到6 6 6、8 8 8 之类谐音数字的情绪识别价值.在Word2vec词嵌人处理中，由于2.42 亿个帖子样本量超出了本研究能运用的算力，因此仅选取其中10%的帖子来构建语料库，删除不常见词后，10%的帖子共计包含了2 9.5万个不重复的词.理报学科管2023年4月学118下文分析中采用窗口期（1,5）作为处罚事件的市场反应估算窗口，来考察监管处罚公告对事件公司的影响，以及通过社交媒体联结而产生的股价溢出效应?CARAR0.0050.0021一被处罚公司-关联公司一被处罚公司一-一关联公司0.0000.00.002-0.010-0.015-0.004-10-9-8-7-6-5-4-3-2-1012345678910-10-9-8-7-6-54-3-2-1 012345678910图3监管处罚日前后的CAR(AR）Fig.3 CAR(AR)before and after the regulatory penalties date3.2基本结果首先，为了更加清晰地展示所选样本的分布情况，在表1中列示了事件公司和社交媒体联结公司主要研究变量“公司年”单元层面的描述性统计，这些变量包括公司年末总资产的自然对数（SIZE）、资产负债率（LEV）、账面市值比（M B）、总资产收益率（ROA）、机构投资者持股比例（INST）以及股票收益波动率（VOLA）.从表1可以看出上述变量与中国资本市场上市公司的实际情况保持一致.表1描述性统计Table1DescriptivestatisticsPanel A事件公司变量ObsMeanSDMinMedianMaxSIZE99422.1561.18618.51222.16424.932LEV9940.5350.3010.0690.5192.059MB9940.6700.2500.0460.6981.156ROA994-0.0750.304-2.1600.0130.212INST9940.0440.0580.0000.0200.267VOLA9940.0280.0070.0120.0280.046PanelB：社交媒体联结公司变量ObsMeanSDMinMedianMaxSIZE83522.5391.44319.32422.41426.739LEV8350.4890.2750.0700.4801.687MB8350.6830.2600.1030.7001.200ROA835-0.0300.255-1.6390.0240.231INST8350.0410.0490.0000.0230.224VOLA8350.0300.0090.0130.0290.056表2 的PanelA报告了资本市场监管处罚事件公司的市场反应，结果显示CAR（1,5）的均值为-0.0 10 8 7，在1%水平显著.就经济意义而言，资本市场监管处罚是负面事件，公告发布前后，被处罚公司股价会下跌，能够带来显著为负的市场反应.平均来看，被监管部门处罚前后，事件公司股价将下跌约1.1个百分点，研究结论与已有文献保持一致 53,54.这里需要注意的是，窗口期选择1到5，并非意味着处罚效应直接影响的时间长度，也有可能处罚效应直接影响时间较短，但处罚后，股价的下跌存在一个“惯性”.此处感谢审稿人的建议。郭第4期基于中国监管上罚的事件研究峰等：池鱼之殃：力公百社交媒体联结股价溢出效应119表2 社交媒体联结与股价溢出效应Table 2 Social media connections and the spillover effect of stock pricePanel A：事件公司的CARObsMeanSt ErrtvaluepvalueCAR(-1,5)13420.010870.002.5-4.29170.0000PanelB：社交媒体联结公司的CARObsMeanSt Errt valuepvalueCAR(-1,5)12360.011570.002 8-4.14890.000 0注：CAR估算时间窗口为公告日前2 10 d至前11d；社交媒体联结公司为与事件公司被处罚前30 d内共享发帖人发帖数量最高的另一公司；CAR计算时，剔除了交易日不足10 0 d的样本，因此有效样本小于处罚事件样本量.表2 的PanelB则报告了社交媒体联结公司的市场反应，结果显示CAR（1,5）的均值为-0.01157,在1%水平显著.该结果表明当事件公司被监管处罚时，与事件公司存在社交媒体联结的公司，股票价格也会显著下跌.根据上文的理论分析，当事件公司被处罚时，社交媒体联结公司的股价存在传染效应和竞争效应两种可能，而这里的结果表明在中国资本市场监管处罚公告前后，社交媒体联结产生的溢出效应中，传染效应占据了主导地位.就经济意义而言，平均来看，事件公司被监管处罚前后，社交媒体联结公司的股价下跌幅度也达到了约1.157 个百分点3.3稳健性检验3.3.1采用其他窗口期事件研究法的主要缺点是研究结果对于窗口期间的选择存在较高的敏感性，检验结果可能因为时间窗口的不同而产生较大的差异.为保证研究结论的可靠性，本研究也检验了不同窗口期的市场反应，被解释变量CAR值采用其他的窗口期(-1,1)、(-2,2)、(-3,3)、(-4,4)、(-5,5)、(-6,6)、(-7,7)、(-8,8)、(-9,9)、(-10,10）.相关结果报告在表3当中，从中可以看出，10）.相关结果报告在表3当中，从中可以看出，对于所有窗口的选择,CAR的均值全部显著为负数，这表明本研究的研究结论对于不同的窗口期选择保持稳健.表3社交媒体联结与股价溢出效应：采用其他窗口期Table 3 Social media connections and the spillover effect of stock price:Using alternative windowsObsMeanSt ErrtvaluepvalueCAR(-1,1)1236-0.0070.002-4.0070.000CAR(-2,2)1236-0.0090.003-3.6700.001CAR(-3,3)1236-0.0110.003-3.6880.000CAR(-4,4)1236-0.0120.004-3.4000.001CAR(-5,5)1.236-0.0130.004-3.3410.001CAR(-6,6)1236-0.0150.005-3.2550.001CAR(-7,7)1.236-0.0150.005-3.0660.002CAR(-8,8)1236-0.0140.005-2.7060.007CAR(-9,9)12360.0130.005-2.4030.017CAR(-10,10)1 236-0.0140.006-2.3410.019注：CAR为社交媒体联结公司的累计超额收益率，虽然，社交媒体联结公司CAR（-1,5）的均值比事件公司CAR-1,5）的均值略大，但是，组间均值差异检验显示，两者之间的差异在统计上不显著，其中t值为-0.6 49 P值为0.516.理2023年4月报学学科管1203.3.2更换社交媒体联结公司的界定在前文的分析中，本研究定义的社交媒体联结公司为处罚公告前30 d与事件公司存在共同发