本文是一篇投資分析論文，通過(guò)挖掘分析微博平臺(tái)中投資者情緒的變化發(fā)現(xiàn)，在疫情這個(gè)大環(huán)境背景下，網(wǎng)絡(luò)社交媒體中的網(wǎng)絡(luò)輿情會(huì)對(duì)股市產(chǎn)生影響，因此從網(wǎng)絡(luò)輿情的角度對(duì)投資者、網(wǎng)絡(luò)社交平臺(tái)提出相關(guān)建議。
1相關(guān)理論與方法基礎(chǔ)
1.1行為金融學(xué)理論
傳統(tǒng)金融學(xué)理論認(rèn)為，金融市場(chǎng)上的投資者均為理性人，金融市場(chǎng)是一個(gè)有效的市場(chǎng)。由于投資者是理性的，金融市場(chǎng)資產(chǎn)價(jià)格并不會(huì)隨著投資者情緒產(chǎn)生波動(dòng)。但隨著時(shí)間推移，金融市場(chǎng)上出現(xiàn)許多有效市場(chǎng)假說(shuō)無(wú)法解釋的異象。傳統(tǒng)金融學(xué)理論認(rèn)為的觀點(diǎn)與如今的實(shí)際數(shù)據(jù)出現(xiàn)偏差?；谶@些偏差，學(xué)者們開(kāi)始質(zhì)疑傳統(tǒng)金融學(xué)理論的適用性，行為金融學(xué)理論逐漸產(chǎn)生。
行為金融學(xué)理論將人類心理活動(dòng)如何對(duì)金融市場(chǎng)產(chǎn)生影響納入研究范圍[41]。隨著行為金融學(xué)理論的迅速發(fā)展，對(duì)傳統(tǒng)金融學(xué)理論造成了很大的沖擊。行為金融學(xué)博采眾長(zhǎng)，涉及心理學(xué)，社會(huì)學(xué)等領(lǐng)域、人類學(xué)及其他有關(guān)概念，從行為產(chǎn)生的內(nèi)在心理活動(dòng)進(jìn)化開(kāi)始，探討了投資者投資決策在金融市場(chǎng)中的作用。行為金融學(xué)理論具有許多代表性學(xué)說(shuō)，例如認(rèn)知偏差理論。認(rèn)知偏差理論指出，當(dāng)一個(gè)人面對(duì)投資決策時(shí)，根據(jù)自己的經(jīng)驗(yàn)法則來(lái)評(píng)判，這一行為易導(dǎo)致決策失誤。行為金融學(xué)包括許多經(jīng)典理論，這些理論為后續(xù)投資者情緒對(duì)金融市場(chǎng)影響的相關(guān)研究奠定了扎實(shí)的理論基礎(chǔ)。
..................
1.2文本挖掘技術(shù)
在網(wǎng)絡(luò)信息時(shí)代，用戶可通過(guò)網(wǎng)絡(luò)獲取各種不同形式，不同門類的數(shù)據(jù)，包括技術(shù)資料，娛樂(lè)資訊。組成一個(gè)異常巨大的數(shù)據(jù)庫(kù)。對(duì)大量數(shù)據(jù)進(jìn)行采集和加工，傳統(tǒng)信息檢索技術(shù)的加工方法已不能令人滿意，而文本挖掘技術(shù)可以有效解決這一問(wèn)題[42]。文本挖掘作為數(shù)據(jù)挖掘中的重要分支之一，它是從數(shù)據(jù)挖掘演變而來(lái)。它可以將網(wǎng)絡(luò)中獲取的文本內(nèi)容轉(zhuǎn)化為可被利用的信息，但它不僅僅是將數(shù)據(jù)挖掘技術(shù)簡(jiǎn)單地挪用到文本上，還需要做很多準(zhǔn)備與處理工作。
1.2.1文本挖掘過(guò)程介紹
文本挖掘是一個(gè)從非結(jié)構(gòu)化到結(jié)構(gòu)化的過(guò)程，是多方技術(shù)的綜合。總體來(lái)看，文本挖掘是將非結(jié)構(gòu)化的原始文本信息進(jìn)行一系列處理，變成結(jié)構(gòu)化數(shù)據(jù)從而進(jìn)行知識(shí)發(fā)現(xiàn)。根據(jù)文本挖掘工作的流程，將其過(guò)程分為以下幾個(gè)部分：
（1）文本獲?。壕W(wǎng)絡(luò)文本一般以網(wǎng)頁(yè)的形式出現(xiàn)，需要利用爬蟲(chóng)技術(shù)對(duì)網(wǎng)頁(yè)進(jìn)行抓取并形成文本數(shù)據(jù)庫(kù)。
（2）文本預(yù)處理；對(duì)文本信息進(jìn)行篩選，去除網(wǎng)頁(yè)中的不必要信息。
（3）分詞：詞是最小的情感單元，分詞即將連續(xù)的句子按照規(guī)則切分成詞語(yǔ)，對(duì)于中文分詞，國(guó)內(nèi)已有許多開(kāi)源的分詞工具。
（4）去停用詞：將一些如標(biāo)點(diǎn)符號(hào)等沒(méi)有研究意義的停用詞去除，有利于更高效地處理數(shù)據(jù)。
（5）特征選擇：從原始特征中篩選出有效特征從而對(duì)數(shù)據(jù)集進(jìn)行降維的過(guò)程。
（6）文本挖掘：完成上述步驟后，文本數(shù)據(jù)轉(zhuǎn)化為矩陣，根據(jù)需要選擇算法對(duì)文本進(jìn)行挖掘。
....................
2投資者情緒指數(shù)的構(gòu)建
2.1文本信息獲取來(lái)源及采集方法
2.1.1文本信息獲取來(lái)源
互聯(lián)網(wǎng)如今作為重要的信息獲取來(lái)源，迎來(lái)了大量的使用者。根據(jù)CNNIC發(fā)布的第49次《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示，截至2021年12月，互聯(lián)網(wǎng)使用者的數(shù)目已經(jīng)達(dá)到10.32億，互聯(lián)網(wǎng)普及率達(dá)到73.0%[43]。隨著網(wǎng)民規(guī)模的穩(wěn)步增長(zhǎng)，更多的人會(huì)主動(dòng)地在社交媒體平臺(tái)發(fā)表自己的意見(jiàn)看法，表達(dá)自己對(duì)各類事件的情緒，互聯(lián)網(wǎng)成為情緒信息獲取的重要平臺(tái)。本文也選擇互聯(lián)網(wǎng)中社交媒體作為構(gòu)造投資者情緒所需的文本數(shù)據(jù)來(lái)源，對(duì)比各種社交媒體，本文最終選擇微博作為信息獲取來(lái)源。微博在社會(huì)分發(fā)速度、影響力、傳播速度等方面都優(yōu)于其他社交媒體。也是現(xiàn)在年輕人進(jìn)行資源共享及信息交流的首選工具。由于本文研究發(fā)生于新冠疫情背景下，對(duì)于新冠疫情這種影響廣泛的突發(fā)公共衛(wèi)生事件，人們更愿意在微博這種面向大眾的平臺(tái)上表達(dá)自己的觀點(diǎn)與看法，因此微博更能及時(shí)地反映情緒的變化。綜上，本文選擇微博作為文本信息的獲取來(lái)源。
2.1.2文本信息的爬取方法
由于微博數(shù)據(jù)復(fù)雜且存在各種限制，無(wú)法通過(guò)普適性方法對(duì)所需全部信息進(jìn)行抓取，因此，本文采用爬蟲(chóng)技術(shù)，根據(jù)本文所需數(shù)據(jù)自行編寫(xiě)程序，來(lái)實(shí)現(xiàn)文本自動(dòng)化抓取。爬蟲(chóng)是指模擬瀏覽器通過(guò)一些程序?qū)W(wǎng)絡(luò)信息自動(dòng)抓取的過(guò)程。爬蟲(chóng)的基本流程如圖2-1：

投資分析論文參考

...............................
2.2文本數(shù)據(jù)的預(yù)處理
經(jīng)過(guò)爬蟲(chóng)技術(shù)獲取微博原始文本后，需要經(jīng)過(guò)清洗、分詞、去除停用詞等預(yù)處理工作，才能轉(zhuǎn)化成可以被識(shí)別的格式，進(jìn)而開(kāi)展后續(xù)的分類和情感分析工作。文本數(shù)據(jù)預(yù)處理包括數(shù)據(jù)清洗。分詞及去除停用詞。
2.2.1文本數(shù)據(jù)清洗
爬取的微博數(shù)據(jù)常常都帶有一些無(wú)關(guān)字符和網(wǎng)頁(yè)鏈接的標(biāo)簽等，還有一些語(yǔ)句中夾雜的符號(hào)，如“【】”“#”等，這些對(duì)文本的情緒分析無(wú)關(guān)，可能會(huì)影響情緒分析的準(zhǔn)確性。因此，在進(jìn)行文本分析前，要對(duì)這些無(wú)關(guān)信息進(jìn)行數(shù)據(jù)清洗。
2.2.2文本分詞
由于中文語(yǔ)句一般沒(méi)有空格符間隔，因此需要將語(yǔ)句進(jìn)行切分割，將每條語(yǔ)句的詞語(yǔ)分開(kāi)，轉(zhuǎn)化為一個(gè)個(gè)有語(yǔ)義特征的詞語(yǔ)，進(jìn)而轉(zhuǎn)化為一定長(zhǎng)度的數(shù)值型特征向量進(jìn)行后續(xù)的情緒分析及相關(guān)計(jì)算。分詞是分類過(guò)程的一個(gè)基本環(huán)節(jié)，文中選用的分詞方法是在Python環(huán)境中使用jieba分詞程序包實(shí)現(xiàn)中文文本數(shù)據(jù)分詞。把它加工為具有語(yǔ)義特征的一定長(zhǎng)度的詞。
jieba是一款被廣泛使用的高性能及高準(zhǔn)確率的中文開(kāi)源分詞包。且提供如Python、C++等多種編程語(yǔ)言支持，使用非常方便。它是基于規(guī)則和統(tǒng)計(jì)兩種方法建立的。jieba分詞支持四種分詞模式，即精確模式、全模式、搜索引擎模式和Paddle模式，本文主要調(diào)用了分詞模式中的精確模式，這個(gè)模式能最準(zhǔn)確地分離句子，適合文本分析。同時(shí)，jieba分詞支持用戶添加自定義詞典，以便包含jieba里沒(méi)有的詞匯。在分詞過(guò)程中發(fā)現(xiàn)，jieba分詞庫(kù)的詞匯不完全包含疫情相關(guān)固定詞匯，會(huì)容易導(dǎo)致這些詞匯被錯(cuò)誤地拆分，通過(guò)對(duì)分詞后的結(jié)果進(jìn)行歸納整理，形成了疫情自定義詞典，將其加入到j(luò)ieba自定義分詞庫(kù)中重新進(jìn)行分詞。例如，沒(méi)有添加自定義詞典前，jieba原始分詞庫(kù)將“無(wú)癥狀感染者”分成“無(wú)癥狀”和“感染者”兩個(gè)詞語(yǔ)，所以為了保證分詞的嚴(yán)謹(jǐn)性，將這些疫情固定詞匯加入再進(jìn)行分詞，以達(dá)到更為精準(zhǔn)的效果。
......................
3投資者情緒對(duì)股票市場(chǎng)回報(bào)率影響的實(shí)證分析......................23
3.1樣本選取................................23
3.2變量說(shuō)明....................................23
4投資者情緒對(duì)股票回報(bào)率影響的行業(yè)差異分析....................33
4.1樣本選取......................................33
4.1.1醫(yī)藥行業(yè)樣本選取................................33
4.1.2旅游行業(yè)樣本選取............................33
5研究結(jié)論與政策建議...............................47
5.1研究結(jié)論........................................47
5.2相關(guān)政策建議............................48
4投資者情緒對(duì)股票回報(bào)率影響的行業(yè)差異分析
4.1樣本選取
4.1.1醫(yī)藥行業(yè)樣本選取
在新冠疫情的強(qiáng)烈沖擊下，國(guó)內(nèi)大部分行業(yè)都停滯不前。相對(duì)于其他行業(yè)而言，醫(yī)藥行業(yè)自身的韌性很強(qiáng)，遇到疫情沖擊時(shí)自我調(diào)節(jié)能力較強(qiáng)。從股價(jià)的角度來(lái)看，疫情期間醫(yī)藥衛(wèi)生行業(yè)發(fā)展迅猛，醫(yī)藥行業(yè)股票價(jià)格呈上漲趨勢(shì)，市場(chǎng)對(duì)于醫(yī)藥行業(yè)股票回報(bào)率的確定性，使醫(yī)藥股備受投資者的青睞。
本文選擇上證醫(yī)藥主題指數(shù)（000121）作為衡量醫(yī)藥行業(yè)的代表指數(shù)。上證醫(yī)藥主題指數(shù)是從上證綜指中以規(guī)模大小為標(biāo)準(zhǔn)，選擇歸屬于醫(yī)藥衛(wèi)生行業(yè)的50只主題股票組成的指數(shù)，是上交證券所上市的大、中市值且日成交金額為前50支的股票組合。這一指數(shù)具有較高的相關(guān)性和準(zhǔn)確性，能較好地反映醫(yī)藥股的整體市場(chǎng)波動(dòng)，因此該指數(shù)被選為反映醫(yī)藥股整體表現(xiàn)的代表性指數(shù)。
4.1.2旅游行業(yè)樣本選取
以人員的空間移動(dòng)為主的旅游業(yè)，對(duì)于疫情這類重大突發(fā)公共事件具有高敏感性。由于旅游活動(dòng)本身具有時(shí)空特點(diǎn)，因此旅游業(yè)的恢復(fù)要比其他行業(yè)慢很多，損失和影響也是即刻顯現(xiàn)的。與此同時(shí)，因?yàn)橐咔楸l(fā)是在春節(jié)來(lái)臨之際，許多居民的出游計(jì)劃被迫取消，大多旅游企業(yè)經(jīng)營(yíng)舉步維艱，投資者對(duì)于疫情的悲觀情緒使得收益率下降。本文選擇中證旅游指數(shù)（930633）作為旅游行業(yè)的代表指數(shù)。

投資分析論文怎么寫(xiě)

.......................
5研究結(jié)論與政策建議
5.1研究結(jié)論
在新冠疫情背景下，股票市場(chǎng)發(fā)生嚴(yán)重震蕩，通過(guò)研究新冠疫情引起的投資者恐慌情緒對(duì)股票市場(chǎng)的影響，有助于投資者做出合理投資決策。本文選取2020年1月9日到2021年12月31日作為研究區(qū)間，選擇微博作為反映投資者對(duì)疫情產(chǎn)生情緒變化的文本信息來(lái)源，利用網(wǎng)絡(luò)爬蟲(chóng)技術(shù)完成了新冠疫情相關(guān)微博內(nèi)容的收集工作，并對(duì)收集到的文本進(jìn)行分詞等預(yù)處理工作后，利用隨機(jī)森林算法對(duì)全部文本進(jìn)行分類，分別構(gòu)建了疫情爆發(fā)期和疫情常態(tài)期的投資者情緒指數(shù)，并構(gòu)建VAR模型與對(duì)應(yīng)時(shí)間段的A股市場(chǎng)回報(bào)率進(jìn)行實(shí)證研究，分析疫情不同時(shí)期投資者情緒與A股市場(chǎng)回報(bào)率二者的關(guān)系，同時(shí)選取受疫情影響較大的3個(gè)行業(yè)，分別是醫(yī)藥、旅游、交通運(yùn)輸。利用VAR模型，研究疫情不同時(shí)期投資者情緒對(duì)不同行業(yè)的影響差異。本文主要得出以下結(jié)論：
一、投資者情緒與A股市場(chǎng)回報(bào)率存在單向格蘭杰因果關(guān)系，且該種關(guān)系僅在疫情爆發(fā)期存在。在疫情爆發(fā)期，投資者情緒是股票市場(chǎng)回報(bào)率的格蘭杰原因、因?yàn)樵谝咔槌醣l(fā)的時(shí)期，投資者面對(duì)突發(fā)疫情無(wú)法快速做出決策，較為依賴社交平臺(tái)上其他投資者態(tài)度影響，當(dāng)發(fā)布內(nèi)容多為對(duì)疫情及市場(chǎng)利害信息后，投資者投資的意愿減少，導(dǎo)致回報(bào)率降低；但在疫情常態(tài)期，投資者情緒不是市場(chǎng)回報(bào)率格蘭杰原因，因?yàn)樵诖藭r(shí)期，投資者面對(duì)常態(tài)化疫情已經(jīng)可以自主分析市場(chǎng)變化趨勢(shì)，對(duì)社交平臺(tái)發(fā)表言論及態(tài)度的參考性減少。
二、投資者情緒變化會(huì)引起A股市場(chǎng)回報(bào)率的變化，但在疫情不同時(shí)期的股票回報(bào)率對(duì)投資者情緒的反應(yīng)程度有所不同。從脈沖響應(yīng)和方差分解結(jié)果來(lái)看，在疫情爆發(fā)期，投資者情緒的變動(dòng)會(huì)導(dǎo)致A股市場(chǎng)回報(bào)率產(chǎn)生同向變動(dòng)，投資者情緒增加會(huì)導(dǎo)致A股市場(chǎng)回報(bào)率增加，影響可持續(xù)7-8期，解釋力度可達(dá)到24.45%左右，疫情爆發(fā)期投資者情緒對(duì)股票市場(chǎng)回報(bào)率影響不容忽視。在疫情常態(tài)期，投資者情緒的變化對(duì)A股市場(chǎng)回報(bào)率的影響作用十分微弱，解釋力度僅為0.65%，隨著疫情發(fā)展進(jìn)入中長(zhǎng)期，市場(chǎng)恐慌情緒逐漸穩(wěn)定，疫情進(jìn)入常態(tài)化，帶給股市的邊際效益減弱，說(shuō)明疫情對(duì)A股市場(chǎng)產(chǎn)生的邊際震蕩效應(yīng)逐漸減弱。
參考文獻(xiàn)（略）