1.1.2　研究意义

传统金融学的“有效市场理论”（EMH）认为证券市场的波动由“新信息”驱动，理性投资者根据上市公司基本面的“新信息”不断更新对证券未来价值的预期，调整投资行为，从而推动证券市场波动（Fama，1965）。可见，媒体报道在一定程度上传递了上市公司基本面情况的“新信息”。Solomon等（2012）发现媒体高曝光能够使投资者对上市公司未来前景形成更高的预期，从而导致更高的股票价格。Engelberg和Parsons（2011）指出，媒体对相关公司的曝光可以显著提升投资者对该公司股票的交易频率和交易量。近代行为金融学的“非理性投资者理论”发现，证券市场的异常波动是由非理性投资者的情绪冲动引起的（De Long et al.，1990；Shleifer et al.，1997），投资者可能会受到媒体信息中的同行意见或专家倾向性观点的影响，产生的非理性投资行为导致证券市场的波动。Tetlock（2007）和Tetlock等（2008）在金融学顶级期刊Journal of Finance上连续发表了两篇研究报告，通过对16年的《华尔街日报》新闻的分析，首次论证了运用新闻信息来捕捉投资者非理性行为对相关证券波动影响的有效性。2019年，Calomiris和Mamaysky在顶级金融学期刊Journal of Financial Economics上发文，通过对51个国家证券市场的检验，发现财经新闻可以预判一个国家证券市场的未来发展趋势（Calomiris et al.，2019）。综上所述，不论是传统金融学中基于市场对信息吸收能力的EMH，还是近代行为金融学中的信息对投资者情绪影响的“非理性投资者理论”，都认同证券市场的波动与媒体关于资本信息的发布、传播和吸收是紧密相关的（De Long et al.，1990；Fama，1965；Rechenthin et al.，2013）。

随着信息技术的发展，证券市场媒体效应研究逐渐被计算机学者关注，他们尝试采用基于机器学习的分类模型来捕捉媒体信息与证券市场风险波动之间的关系。Bollen等（2011）成功从1 000万条推特信息（Tweets）中提取出投资者公众情感，并利用自组织模糊神经网络（self-organizing fuzzy neural network，SOFNN）模型，发现其中的“冷静”情感指标与未来3至4天的道琼斯工业平均指数（Dow Jones industrial average，DJIA）有惊人的相似性，对DJIA趋势预测的准确率达到了86.7%。为了准确预测未来的真实股价，而不仅限于变化趋势，美国亚利桑那大学的Schumake和Chen（2009b）率先运用了SVR来直接分析新闻对股票具体价格的影响。Li等（2014b）发现媒体信息发布后的第26分钟对股价的影响最大，随着时间的推移，影响逐渐变弱。可见，无论是金融学领域还是计算机科学领域，证券市场的媒体效应已经被学术界广泛证实。

然而，以往的研究通常是基于所有新闻对证券市场整体的影响力的探讨，鲜有研究能够更深层次地探索某类新闻对证券市场局部的影响。特别是在“互联网+大数据”时代下，海量的互联网财经新闻究竟是如何影响证券市场的？其对证券市场风险波动更深层次、更细致、更具体的影响又是怎样的？对于这类问题，学界却一直没有给出答案。因此，本书的研究意义主要在于寻求方法学的突破，利用先进的大数据分析手段，将互联网财经新闻因素引入证券市场风险波动研究中，利用传统金融计量模型和深度学习框架，从多个维度（施动者、受动者、管理者）深化和拓展了互联网媒体新闻报道对相关上市公司证券风险波动的影响研究，最终从投资者认知行为、上市公司治理、金融市场监管三个不同的角度给予建议。不管是在理论层面还是现实层面，本书都具有十分重要的研究意义。

1.1.2.1　理论意义层面

本书从大数据分析的方法学视角，为证券市场媒体效应领域的研究提出了一套切实可行的基于大数据分析技术的解决方案和理论框架。传统金融学关于证券市场媒体效应的研究通常以事件分析法为主导，仅将媒体浓缩成一个“点”，考察媒体事件发生与否同证券市场波动的关联。显然，这种研究模式在大数据时代下显得相形见绌。“大数据”为我们获取事物最真实的本质带来了契机，本书从文本大数据的角度出发，不再局限于具体案例分析和抽样统计，而是通过对海量数据进行直接的分析，利用智能化的文本大数据收集、整理、分析技术，深层次地定量解析新闻内容、公司属性、管理者媒体行为对中国证券市场波动的影响状况。

本书从施动者（媒体）、受动者（公司）和管理者三个维度，更深入、细致、具体地探索了证券市场媒体新闻效应，为更深层次地认知证券市场媒体效应提供了理论依据。在施动者层面，本书有利于人们更加深刻地理解异质性新闻在证券市场波动中的作用机理。在受动者层面，本书填补了国内外研究的空白，率先进行了行业之间媒体效应的比较性研究，证实了新闻在各行业中的影响力差异性。在管理者层面，本书从高层梯队理论（upper echelons theory）出发，探讨了公司高层管理者的媒体行为特质与公司在证券市场上的表现的关系。

对于复杂经济系统研究，金融学依循解构思维，利用数理统计模型或经济计量模型逐一分析不同因素对系统的影响。然而，复杂系统的运动一定是各种因素交叉融合、相互作用的合力结果。传统的金融计量方法难以捕捉这一过程的全貌。本书从系统论出发，利用深度学习机制，提出了一个智能计算框架，用整体、连续，而非单一的数据关系，研究复杂市场因素对证券市场新闻媒体效应的综合影响。希望通过这一系列研究，为探寻金融学资产定价经典命题背后的经济运行机制，提供一个智能计算的思维方式，为复杂经济系统风险研究拓展一个基于智能计算思维量化的新领域。

1.1.2.2　现实意义层面

本书从金融市场监管、上市公司治理、投资者认知行为三个不同的角度，为证券市场实践提供重要的理论参考和决策辅助。具体而言，本书在为市场监管政策和信息披露机制的制定提供理论依据方面，建议监管机构应该针对上市公司的不同情况制定不同的信息披露机制，特别是在上市公司处于政策扶持、重组并购或违规受罚等重大决策情况时；在为上市公司治理与规范运作提供决策辅助方面，建议上市公司积极维护公司媒体形象和信誉，时刻关注和监控相关互联网新闻，建议高层管理者积极参与市场信息的发布与传播，消除与投资者的信息不对称；在为投资者减少非理性投资行为、保护投资者利益方面，建议加强对投资者投资知识的普及，提升其有效鉴别高波动、高风险行业的股票的能力以及保持投资情绪稳定的能力，避免错误情绪引发的投资者群体性运动，造成市场的“羊群效应”。