Peng (2024) — 网络情绪加剧日内过度交易
作者: Peng Yifeng（彭怡峰）。机构：香港中文大学（深圳）经管学院，广东深圳 518100。
发表: arXiv:2404.12001（2024 年 4 月，v3）。PDF 28 页。
一句话总结
用股吧（Guba）发帖推断的"小时级情绪指数"，能显著推高 A 股下一小时的超额换手——情绪对机构的影响强于个人，且在牛市明显强于熊市、对大盘股强于中小盘股。这是本库已收录 论文中唯一一篇从网络情绪（而非订单簿）切入 A 股微观结构的。
背景：A 股换手率之高
论文开篇给出的数字很关键：
| 事实 | 数字 |
|---|---|
| A 股过去十年的平均换手率 | 205.2%（CSMAR, 2022）——远超同期其他国家与地区 |
| A 股个人投资者的平均月换手率 | 84.8% |
| 同期个人投资者的费后月净收益率 | −0.2% |
这两行的对照是全文的动机：个人投资者每月换手 84.8%，换来 −0.2% 的净收益——频繁交易带来的是次优回报。
论文引用 Zhang 等（2019）的判断：A 股的高换手率主要源于过度交易的普遍存在。
过度交易的风险：多数过度交易不带来预期收益，反而因非理性行为导致亏损；在市场下跌过程中，盲目交易引发的羊群效应可能演化为恐慌性崩盘（Phan 等 2018）。
数据
- 样本：沪深 300 与深证 500 指数成分股
- 期间：2018-01-01 至 2022-12-30（5 年，含疫情与中美贸易摩擦）
- 情绪来源：东方财富股吧（Guba）的发帖
- 频率：小时级情绪指数 → 解释下一小时的超额换手率
- 被解释变量：超额换手率（excess turnover），即扣除正常换手后的部分
为什么用超额换手而非原始换手：原始换手率包含正常的信息驱动交易，超额部分才对应过度交易。这是本文的关键设计。
四个假设
| 假设 | 内容 |
|---|---|
| H1 | 投资者情绪对日内过度交易有显著正向影响 |
| H2a | 情绪对机构过度交易的影响 > 个人 |
| H2b | （对照）情绪对个人的影响 > 机构 |
| H3 | 情绪驱动的过度交易在牛市比熊市更普遍 |
理论依据：过度自信（overconfidence）是过度交易的心理根源（Bregu 2020）。机构投资者往往自认为信息优势与专业能力更强，且能把这些优势转化为超额收益——这种心态为过度自信埋下伏笔。
四个实证结果
结果一：情绪显著推高下一小时的超额换手（H1）
全样本回归显示：前一小时的投资者情绪在 1% 水平上显著影响未来一小时的超额换手率。
论文的解释：投资者受在线平台上他人情绪的影响，最终导致过度交易。这个效应在短期尤其明显——投资者可能对社交网络上的新信息反应过度，导致高估或低估股票，产生非理性交易行为。
结果二：机构受影响强于个人（H2a 成立，H2b 不成立）
在所有指标上，机构的过度交易水平都高于个人，情绪对机构的影响也更强。
结果三：上午的过度交易受情绪影响更大
交易日的第二个小时（上午）受前一小时情绪的影响最大。
论文的解释：这可能与 A 股独特的 T+1 交易机制有关。按 Guo 等（2012, 2017）的实证，A 股通常呈现"早盘低开、午后高收"的模式；从逐利角度看，早盘比午后更适合建仓。
这是一个把 T+1 制度与情绪反应联系起来的有意思观察。
结果四：牛强熊弱（H3 成立）
牛市的情绪诱导过度交易显著强于熊市（Table 4）。
论文的两层解释：
交易量视角：牛市的高情绪吸引更多投资者开户，带来更高成交量与更多非理性投资。熊市中大多数投资者被"套住"，盈利空间小，交易积极性与可用资金量都低于牛市，故过度交易水平更低。
心理视角：熊市的恐慌会促使投资者考虑是否割肉止损——这属于信息驱动的卖出，而非情绪驱动的过度交易。
结果五：大盘股受情绪影响更大
大盘股、中盘股、小盘股三类都支持 H1 与 H2a，但情绪对大盘股过度交易的影响大于中盘股与小盘股。
论文的解释：多数投资者偏好交易规模大、风险低、前景好的公司。另一可能解释是：2018 年中美贸易摩擦与 2020 年疫情期间，多数投资者减少了对小盘股的投资。
一个方法论细节：情绪指数的构造
论文的做法：
- 对股吧发帖做数据清洗（论文明确说"为保证实证结果的可信度"）；
- 词频统计后人工标注（dictionary-based 方法）。
这意味着情绪指数依赖人工词典的覆盖度——这是这类方法的固有局限。
对本 wiki 的位置
- 入口概念: concepts/microstructure/日内过度交易（新建；本 wiki 尚无投资者情绪概念页）
- 源论文: 本文
- 作者: Peng Yifeng（香港中文大学深圳）— 需建实体页
- 与已有页面的关系:
- concepts/microstructure/高频收益可预测性（#9）——本文同为"高频情绪 → 高频行为"路径， 但对象是过度交易而非收益预测
- concepts/microstructure/订单流分解 (Order Flow Decomposition)（Shen 2023）——本文从情绪侧、 那篇从订单结构侧，两者都在回答"谁在制造噪声"
- 投资者关注度相关研究——关注度 ≠ 情绪，但数据源可能重叠（股吧）
本 wiki 记录的三个方法论提醒
1. 用超额换手而非原始换手
这是本文的关键设计。原始换手率包含信息驱动的正常交易，只有超额部分对应过度交易。 若直接用原始换手率做因变量，会把正常交易的信息含量误记为情绪效应。
2. 情绪指数依赖人工词典
覆盖度决定结论的边界。 未被词典覆盖的情绪表达会被误判为中性。这不是本文的缺陷（dictionary 方法是标准做法），但引用其结论时须记住这个前提。
3. T+1 制度影响了情绪的作用时段
本文发现上午受情绪影响大于午后，论文归因于 T+1 造成的"早盘低开、午后高收"模式。这是本库已收录 论文中少见的把 T+1 制度与行为反应直接联系起来的证据。
Open Questions
- 超额换手率作为情绪的结果，还是情绪本身就是过度交易的一部分？ 论文的相关性设计无法区分。若情绪高时交易量大但收益低（论文引用的 84.8% 换手 / −0.2% 收益暗示如此），那情绪更像是过度交易的伴随现象而非原因。这是本 wiki 认为最需要澄清的一点。
- 情绪指数能否预测收益？ 本库已收录的 #9（美股）发现"网络情绪信号可预测收益"（Knoll 等 2019，见该篇参考文献）。A 股的情绪对收益方向有无预测力？ 本文只研究了情绪对换手的影响，没有研究情绪对收益的影响——这是一个明显的延伸。
- 机构受影响更强的机制：论文归因于机构的过度自信（自认信息优势更强）。但这是推测，没有直接的心理测量证据。若能区分"机构过度自信"与"机构风控约束"，结论会更强。
- Guba 的用户构成：股吧主要是散户论坛。机构投资者的情绪如何进入这个语料？ 若机构不主要在股吧发帖，则"情绪影响机构"的机制需要解释。
- 日间 vs 日内：本文关注小时级。日频情绪（更高信噪比）是否对日内过度交易影响更大？ 论文提到 Wang(2024) 发现情绪对日内收益的影响显著大于隔夜，但那是收益不是换手。
关键引用
Peng, Y. (2024). Internet sentiment exacerbates intraday overtrading, evidence from Guba. arXiv:2404.12001。香港中文大学（深圳）经管学院。
主要参考文献：Zhang 等 (2019) A 股高换手率源于过度交易；Allen 等 (2024)、Setayesh & Daryaei (2017)、Yu 等 (2015) 换手率与风险；Bregu (2020) 过度自信是过度交易的心理根源；Hoffmann 等 (2016) 过度自信与过度交易；Guo 等 (2012, 2017) A 股"早盘低开、午后高收"模式；Phan 等 (2018) 羊群与恐慌崩盘；Hassan 等 (2022) Brexit 当日欧洲股市跌约 7%；Kahneman & Tversky 的偏差与锚定；Baker & Wurgler (2006) 投资者情绪；Wang 等 (2021) 情绪与未来收益负相关；Chung 等 (2012) 市场状态下的情绪异质性；Wang (2024) 情绪对日内收益的影响大于隔夜；Knoll 等 (2019) 社交媒体信号可预测收益（见 concepts/microstructure/高频收益可预测性）。