学术创新-学术贡献举例一.pdfVIP

3.2 学术贡献举例一 （候选人主要学术贡献、重要创新成果及其科学价值或社会经济意义，以近五 年为主，不超过一页） 行为金融理论指出不理性的投资者情绪是资产价格暴涨暴跌的核心驱动因素。为了分析和预测 资产价格过度波动，首先需要精确的度量和预测投资者情绪的波动。但是，投资者情绪属于宏观心 理活动，难以被直接观察和测度。本申请人在使用大数据和机器学习技术测度投资者情绪取得世 界一流学术成果。 在Review of Financial Studies （2015年）论文,我们开创使用有监督机器学习技术即偏最 小二乘法 （PLS）测度投资者情绪新方法和理论，PLS方法的核心思想是用股票收益变动作为工具 变量协助提取投资者情绪，在提前情绪因子时，PLS方法给予那些对投资者情绪敏感 （因此情绪信 息含量高）的代理变量较高的权重，反之给予较小的权重，据此构造PLS投资情绪指数。PLS投资者 情绪指数可以有效地提取代理变量中对股票收益预测有用的投资者情绪信息，并去除公共或个体噪 音的不利影响。进一步研究发现，投资者情绪变动确实造成了资产价格暴涨暴跌，高涨的情绪带来 估值泡沫并预测较低的未来股票市场收益，低情绪带来低估并预测较高的未来市场收益。市场情绪 对股票回报的预测能力多集中在高投资者情绪时期和熊市，这部分是由于卖空约束的影响，部分是 由于牛熊市转换时候投资者情绪剧烈波动，带来更大的市场冲击。此外，投资者情绪对股价变动的 的预测能力高于绝大多数宏观经济变量。最后，我们从现金流预期偏误和套利摩擦角度给出来了经 济解释：高涨的投资者情绪和经理人情绪一般伴随着悲观的盈利和宏观经济增长预期，说明高市场 情绪倾向于带来过度高估的现金流预期，脱离基本面，造成股票市场泡沫；而当基本面信息逐渐披 露，投资者意识到对未来的现金流预期过度乐观，从而向下修正对未来的价格预期，导致泡沫破灭。 而且，情绪对小市值、高波动、低流动性和长期亏损等难以套利的公司的解释能力更强。 在 Journal of Financial Economics （2018）论文，我们开创使用金融市场文本大数据分析方 法测度经理人情绪指数的新方法和理论。我们使用机器学习文本情绪分析技术将上市公司披露 的非结构化文本信息（如年报、季报、电话会议等文本文档）转换为结构化定量情绪测度信息 （高或低文本情绪），并由此构建反应经理人非理性乐观或悲观情绪状态的经理人情绪指数。 进一步研究发现，高经理人情绪包含重要的预测信息，能显著预测低未来股票回报、低未预期 盈余以及高过度投资。经理人情绪对未来股票回报的预测能力非常强，月度 R 方指标高达 9.75%，从资产配置和投资管理角度看每年能带来大约7%的超额收益。此外，我们发现经理人 情绪对资产价格、公司盈余、宏观经济和公司投资行为都有重要的影响和预测能力，高涨的经理人 情绪会带来低效率过度投资、亏损和资产价格泡沫，这种现象在有高现金流不确定性、高估值主 观性或高套利摩擦的公司尤其明显。还从过度外推偏误和过度自信角度研究了经理人情绪的行为经 济学基础。这些研究对资产价格泡沫和行为金融理论、大数据金融和资产管理行业、经济稳定和金 融风险监管都有重要科学和社会经济意义。