《基于上市公司管理层信心的资产定价问题研究案例13000字【论文】》.docx

《《基于上市公司管理层信心的资产定价问题研究案例13000字【论文】》.docx》由会员分享，可在线阅读，更多相关《《基于上市公司管理层信心的资产定价问题研究案例13000字【论文】》.docx（22页珍藏版）》请在第一文库网上搜索。

1、基于上市公司管理层信心的资产定价研究一、绪论1(-)研究背景及意义1(-)研究现状21 .国外管理者情绪研究现状22 .国内管理者情绪研究现状3()研究内容与方法3二、文本分析及资产定价理论基础4(-)词典法文本情绪分析4(二)Sc)-PM1算法4(三)投资组合排序法5三、管理者情绪与资产定价实证分析5(-)管理者情绪指数构建及数据预处理51情感词典构建52.样本选取与数据预处理7(二)单变量排序分析9(三)双变量排序分析H1 .控制上市公司市值规模112 .控制行业类型13四、稳健性检验16()单变量排序Fama-French五因子超额收益检验16(二)双变量排序公司规模市值加权检验17()

2、考虑文本字数与情绪关系的资产定价分析191 .单变量排序192 .双变量排序203 .Fama五因子检验21五、结论22参考文献23一、结论(-)研究背景及意义上市公司管理层对市场经济活动起着重要作用。与投资者相比，管理者实际参与了上市公司的日常经营活动及投资活动，更加了解公司的当前财务状况及未来发展趋势，掌握着更准确、更及时、更全面的公司动态，具有明显的信息优势。管理者情绪会对上市公司的经济行为产生影响，同时也会在调研活动、公开会议、年度报告中表现出来，从而影响投资者行为。上市公司往往通过定量信息和定性信息传递消息。诸多学者已经对定量信息，例如财务报表中的数字，进行了较为详尽的研究，而定性的

3、文本描述有时候传递的信息比定量信息更有价值。因此，各学者对上市公司表现出的定性信息越来越重视。各国大多对上市公司年报中的文本进行分析，试图从中获得潜在信息。而年报的频率太低，所蕴含的信息只是对上市公司一年经济活动的总、结，无法衡量较短时间内上市公司的状况。不同于以往对年度财报文本的分析，本文分析投资者对上市公司的调研纪要文本，从中挖掘管理者情绪的相关信息。与年报相比，投资者调研活动频率较高，可以为上市公司研究提供更加准确、及时的信息，具有重要的研究意义。通过分析管理层回答文本，对管理者情绪进行量化，并运用投资组合排序法，观察管理者情绪与投资组合预期收益的关系，为资产定价提供新思路。(二)研究现

4、状1 .国外管理者情绪研究现状外国学者对影响管理者情绪的因素以及管理者情绪的预测能力进行分析。JiangetaI.(2019)对管理者情绪的股票收益预测能力进行分析。他以美股上市公司财务披露的文本基调为基础，构建了管理者情绪指数，发现管理者情绪是未来股票市场较强的负预测因子，并通过分析管理者情绪与上市公司行为，提出管理者情绪负预测的经济原因。Gupta,R.(2019)则对管理者情绪的其他预测能力迸行分析。他发现经理情绪对波动性的预测能力强于股票收益率，但在收益率条件分布的极值和波动率条件分布的上端的条件下，管理者情绪完全没有可预测性。RichardP.Gregory(2023)则对影响管理者

5、情绪的经济变量进行研究。他发现管理者情绪会受通货膨胀、流动性、期限溢价以及更多的私人信息影响。2 .国内管理者情绪研究现状国内关于管理者情绪的研究的发现较少。文芳(2011)发现薪酬激励对管理者情绪有较大的正向影响，并发现管理者情绪越高，因上市公司业绩低迷而导致的离职风险越低。叶落(2008)、董慧娜(2015)、王艺宁(2018)均发现管理者情绪越高，越可能导致上市公司的过度投资。()研究内容与方法(1)数据处理。本文从CSMAR经济金融数据库获得上市公司管理层在投资者调研时的问答纪要，并对文本信息进行预处理；(2)词典构建。本文选用坡森通用情感词典作为基础词典，并运用SO-PM1算法建立补

6、充词典，符基础词典和补充词典相结合构建领域词典。并基于领域词典对管理者回答文本进行分析，获得最终的管理者情绪指数。(3)实证分析。基于管理层情感指数构建投资组合，观察它的原始收益以及在CAPM模型、Fama-FrenCh三因子模型的风险调整下，该因子是否能够获得超额收益；同时运用上市公司市值规模、不同行业类别进行双变量排序，观察在不同条件限制下管理者情绪指数是否能够带来超额收益。(4)稳健性检验。通过分析Fama-FrenCh五因子模型回归得到的多空对冲组合超额收益率、市值加权双变量排序以及考虑文本字数对情绪得分的影响，对前面得到的结论进行稳健性分析。二、文本分析及资产定价理论基础()词典法文

7、本情绪分析文本情绪分析，是指将文本中蕴含的定性信息通过分词、打分等方式进行量化，使文本所包含的情感信息通过数字形式展示出来，方便人们对文本情感进行相关研究。目前，词典法和机器学习方法是文本情绪分析的两大主要方式。作为最原始的文本情绪分析方法，词典法是通过构建与分析文本相关的领域情感词典，将文本中分词得到的积极词汇和消极词汇赋予分值，从而对所分析的文本进行打分，获得文本情绪指数。相对于机器学习法，词典法的主观性小，可复制性强，方便实践。因此，本文选择词典法，通过选择基础情绪词典，并结合基于文本的拓展词典，合并形成领域词典，对管理层的调研回答文本进行情绪分析。(二)SO-PM1算法点互信息算法(P

8、MI)可以计算出两个词语之间的关联性，其定义如下：PM1=Iog2(F丝塔竺为(1)8IP(WordI)P(Word2)由公式可知，两个词语之间的相关性越大，P(Word1,WOrd2)就相比于P(Word1)P(Word2)越大，PM1值就越大。SC)-PM1算法即是通过使用PM1算法，求出文本通过分词处理得到的词语和事先准备好的积极、消极基础词之间的PM1值，来筛选出分析文本中的词语情感倾向。SOPMI(word)=X葭PMI(Word,POSi)-X晨T(TIeg)p4i(w0rd,neg()(2)总体来说，若PM1值大于0,这说明该文本词汇是具有积极情绪倾向的词汇，若PM1值小于0,则

9、说明该文本词汇是具有消极情绪倾向的词汇。在此基础上，人工对自动分析倾向的情感词汇进行筛选，与基础情感词典进行合并，最终构建符合分析文本的领域词典。相比通用情感词典，运用SO-PM1算法进行补充形成的领域词典可以更加准确地判断所分析文本的情感倾向，为文本更加准确地进行情感打分。()投资组合排序法组合投资排序法，是实证资产定价研究中一种被广泛运用的统计方法，它用于检验横截面上多个变量之间的关系。通过根据变量的不同水平，将股票进行排序并分组，从而形成不同的股票组合；检查个股票组合的收益情况，来检验一个或多个变量对股票未来收益的预测能力。同时，它也可以通过分析横截面上不同变量之间的关系，来检验变量是否

10、对股票收益具有预测能力。与回归分析相比，该方法是一种非参数技术分析的方法，不需要使用者对待检验的变量在横截面上的关系提出假设，这表明它有助于解释使用参数方法很难检验变量之间的非线性关系。本文运用单变量排序法依照管理者情绪指数构建投资组合，并比较各组合之间在同一时间段内股票收益上的差异，以此来分析管理者情绪指数与股票横截面收益的关系；之后运用双变量排序法，检验在控制了上市公司市值规模和行业领域的条件下，管理者情绪指数和股票收益有何关系，最终探究其是否可以为投资者决策提供参考。三、管理者情绪与资产定价实证分析(-)管理者情绪指数构建及数据预处理1 .情感词典构建(1)基础词典选择上市公司管理者在投

11、资者调研中的回答往往与投资者的提问紧密相关，而对于不同行业，管理者回答的内容不尽相同。为了更好地覆盖管理者的调研回答文本所包含的情感信息，本文选用玻森通用情感词典（BOSOnnIP）作为基础词典。玻森通用情感词典是基于新闻、论坛等大量具有问答性质的文本进行分析，得到情感打分的开源情感词典。由于它的基础文本是人们对观点看法或对提问的回答,与管理层对投资者提问的回答异曲同工，两者具有较强的相似度。因此，本次分析选择玻森通用情感词典作为基础情感词典。在BOSOnnIP情感词典中，一共有114767个情感词汇，其中积极词为78586个，消极词为36181个。词汇的得分区间为-7,7,分值为正则表明该词

12、汇为积极词汇，正值越大，词汇积极程度越大；分值为负则表示该词汇为消极词汇，负值越大，词汇消极程度越大。表1BoSonnIP情感词汇（部分）Word团结一心满意欢欣鼓舞无能为力烂账工伤Score5.192.841.38-1.52-3.05-3.66（2）基于SO-PM1算法的补充词典为了更好地对管理层的调研回答文本进行情感分析，本文对基础词典进行了拓展。基于积极词汇100个、消极词汇100个的种子词词典，通过PythOn的jieba分词，对管理层调研回答文本进行分词处理，并运用So-PM1算法对所得到的分词进行分析，得到分词的基本情感倾向。同时，由人工对算法分析得到的补充词典进行筛选，对算法误判

13、的名词、极端值等状况进行剔除，得到最终的补充词典。补充词典一共有18908个词汇，其中积极词为17137个，消极词为1771个。在补充词典中，由于Se）-PM1算法只是判断出词汇的基本情感倾向，并为对词汇的情感程度进行打分度量，为了和基础词典相匹配，同时考虑到补充词典词汇量较小、人工情感打分主观影响大等因素，本文将具有积极倾向的词汇赋予1分值，将具有消极倾向的词汇赋予J分值。表2基于So-PM1算法的补充词典（部分）Word核心竞争力优质产品品牌优势囤货并发症资金紧张Score111-I-I-1将基础词典与补充词典进行整合，构建适合分析管理者调研回答文本的领域词典，并基于领域词典对管理者调研回

14、答文本进行情感打分，最终得到管理者情结指数。2 .样本选取与数据预处理本文的分析文本是2013年2023年个人或机构投资者对上市公司进行调研时，上市公司管理层针对投资者提出相关问题所回答的文本。该文本包含所有A股股票，覆盖了中国市场上所有类型的公司。文本来自CSMAR经济金融数据库。中国的无风险利率、Fama-FrenCh三因子模型(1993)及Fama-FrenCh五因子模型有关数据均来自于RESSET金融研究数据库。数据处理与投资组合分析通过Python和SAS软件完成。基于上述的样本选取，为了使分析更加准确，本文对初始数据进行以下处理：(1)剔除金融行业公司的股票。由于金融行业的特殊性，

15、本文根据中国证监会的上市公司行业分类指引(2012版)，删除行业代码为J66、J67、J68、J69的公司。(2)删除ST、PT状态的股票。本文删除在投资组合构建初期处于ST(特殊处理)、PT(特殊转让)状态，即处于金融困境与缺乏市场流动性的股票。(3)异常值与缺失值处理。本文删除了关键值缺失的公司，同时为了消除异常值影响，本文对变量进行缩尾处理，消除极端值的影响，尽可能排除了数据误差。最终，我们样本中共有58275条管理者在调研活动中对投资者的回答文本，并由此计算得出了管理者情绪指数。图12013年-2023年调研报告及调研公司数量图1展示了2013年2023年上市公司调研活动数量及调研所涉及的公司数量。总体来说，投资者调研每年的活动数量基本稳定，2013年2017年总体保持在年均7200条以上，从2018年开始，调研活动数量有所下降，其中2019年最少，仅有5843条。2023年的调研活动数量又有所回升，上升至6753条。调研报告所涉及的上公司数量与调研活动数量变化趋势大致相同。2013年2017年调研涉及的公司数量呈持续增长趋势。2018年2023年公司数量有所波动，但基本稳定在1200家公司左右。管理者情绪指数(SnIP指数)是由通过统计文本中的积极词情感得分以及消极