[讀論文]谷歌搜索量與我的投資者交易行爲

Kostopoulos, D., Meyer, S., Uhr, C., Google search volume and individual investor trading, Journal of Financial Markets, https://doi.org/10.1016/j.finmar.2020.100544.

這篇文章的核心故事是講述市場情緒（sentiment）與投資者行爲之間的關係。一個賣點是經過谷歌搜索的關注度數據構建了市場情緒指標（FEARS index）（FEARS全稱爲Financial and Economic Attitudes Revealed by Search），另外一個賣點是經過與德國當地的股票經紀商合做，得到了投資者交易行爲的微觀數據。

本文中主要關注的是市場情緒對投資者行爲的影響，這些行爲包括交易量、交易品種、交易行爲的可持續性，做者還用其中一節專門討論了FEARS index對股票市場收益的影響，或許是廣大投資者和投資研究人員更關心的問題。

指標和代理變量的構建

幾個比較重要的指標和代理變量分別是：市場情緒指標（FEARS index）、個體投資者數據、交易行爲變量、證券風險水平。

FEARS index

該指標由5步構建：

1. 識別搜索詞彙。

   （1）用Harvard IV-4 Dictionary和Lasswell Value Dictionary搜索出和經濟相關且具備積極或消極情緒的英文詞彙。

   （2）把這些詞彙翻譯成德語。

   （3）對於每一個單詞，識別出十項最相關的搜索詞彙。

   （4）移除全部和經濟不相關的單詞。

2. 下載所識別出的搜索詞彙。

   （1）移除全部由於搜索量過小而沒法下載的條目。

   （2）移除全部因帶有德語連音而沒法下載的條目。

3. 計算調整後的SVI（search volume index）

   （1）計算SVI的對數變化率。

   （2）去除（Winsorizing）5%水平的極端值。

   （3）經過帶時間的啞變量回歸，保留殘餘項，來進行季節調整。

   （4）經過除以標準差進行標準化，獲得ASVI。

4. 對於每6個月的時間窗口，識別出30個最相關的條目。

   （1）在時間窗口內，將以上整理出的條目（198個）每一條和市場收益率做迴歸。這裏通常回歸係數是負數。

   （2）用t統計量做排序。

   （3）只有t統計量最小（說明負相關更顯著）的條目用於構建接下來6個月的FEARS index。

5. 計算FEARS Index

   （1）計算公式爲：
   \[ FEARS_t = \frac{1}{30}\Sigma_{i=1}^{30}R^i(\Delta ASVI_t) \]
   其中R是第四步中用t統計量排序作出的權重。

個體投資者數據

投資者數據是和德國當地的經紀商合做拿到手的，樣本時間是從2005年7月到2015年6月。爲了符合研究主題的要求，進行了一些篩選，最終選出了101223名投資者約1580萬條的交易數據。

交易行爲變量

做者用去除趨勢項以及季節效應後的購買量做爲「超買」行爲的代理變量，而且按照交易量和交易額，計算了兩種代理變量。以按照交易量計算的變量爲例，其公式以下：
\[ ExBSI_{i,t}^\# = \frac{Buy_{i,t}^\#}{Buy_{i,t}^\#+Sell_{i,t}^\#}-\frac{Buy_{i,y(t)}^\#}{Buy_{i,y(t)}^\#+Sell_{i,y(t)}^\#} \]
其中等式右邊的第一項是t時間的買入量，第二項是t時間考慮趨勢以及季節因素的基準買入量。

證券風險水平

按照German Security Trading Act (§31, enacted July 2007)，每一筆交易行爲都須要進行風險評級。所以做者使用了現成的證券資產風險評級信息，打成1到5分。

FEARS index和我的交易行爲之間的關係

該部分做者主要是驗證了3個假設。

H1：當FEARS index高的時候，我的投資者的買入量更少。

H2：當FEARS index高的時候，我的投資者傾向於賣出風險類資產。

H3：我的投資者因爲FEARS index高而賣出證券的後續交易日中並不會買回證券。

做者的計量檢驗是支持以上假設的，這也很符合經濟直覺。

FEARS index和德國股票市場收益率之間的關係

做者用德國股票市場指數DAX和他們構建的FEARS作了一個VAR模型，模型的滯後期數是6期（6個交易日），而且使用了一些控制變量。

控制變量包括：全市場交易量的5階滯後（作了去趨勢項處理），市場波動性變量的5階滯後，用於控制季節效應的兩個日期啞變量。

做者發現了FEARS index和DAX收益率之間比較顯著的負相關關係，當FEARS增長一個單位，DAX降低26個bp。

一點點評

Journal of Financial Markets算是個還不錯又不是很是好的期刊。這篇文章原創性不是那麼高，主要是參考了Da et al.(2015)，也沒有按照學界最主流的方法對指標的股票收益解釋能力進行驗證。可是筆者是沒有想到Da et al.(2015)提出的這麼簡單的指標竟然還能檢驗出有效。

或許若是百度熱詞能開放下載，咱也能構建個什麼仍舊有效的預測指標？

References

[1] Kostopoulos, D., Meyer, S., Uhr, C., Google search volume and individual investor trading, Journal of Financial Markets, https://doi.org/10.1016/j.finmar.2020.100544.

[2] Da, Z., Engelberg, J., & Gao, P. (2015). The sum of all FEARS investor sentiment and asset prices. The Review of Financial Studies, 28(1), 1-32.