表1(Table 1)
,
传统资产定价理论将投资者假设为同质性抽象主体，但越来越多行为金融学的研究发现，投资者之间的意见分歧是股票市场交易活动的核心驱动力量。意见分歧是指不同投资者对同一股票的未来收益分布判断的差异，现有对投资者意见分歧研究的主要思路是将用股票市场变量作为衡量意见分歧程度的代理指标，并将其与股票收益、交易量联系起来分析其动态效应，但少见意见分歧对流动性的影响探讨。许多国外文献已经证明，投资者行为会通过两种途径影响股票流动性：首先，噪音交易者的情绪乐观(悲观)时，会高估(低估)股票内在价值，导致噪音交易行为增加，做市商会提供更多流动性(Long et al., 1990)；其次，做市商的情绪乐观或悲观时，会低估订单信息流，出现流动性供给的非理性增加，推动流动性增加(Baker and Stein, 2004)。但我国股票市场的独特特征决定了上述模型的适用性出现问题：其一，我国股票市场不存在做市商制度，是指令驱动市场；其二，我国散户投资者占绝大部分比重，交易最为活跃，而散户投资者的信息获取能力、投资专业程度均不及机构投资者，实践中散户往往充当噪音交易者，对股票流动性可能产生重要影响。所以我国股票市场中，投资者意见分歧、投资风格与行为模式，如何对股票流动性产生影响，应该利用新的思路和方法进行分析。
近年来互联网、移动通讯等信息技术的飞速发展带来了更多的媒介渠道，深刻改变了投资者互动沟通的方式。互联网技术手段的广泛运用，不但使投资者更快、更方便地获取信息，也可以主动对外发布信息和观点，信息如同发生裂变一样得到迅速传播，短时间内引发大量关注，使上市公司信息覆盖更多投资者或潜在投资者。本文通过对股票网络社区的数据挖掘和文本情感分析，利用投资者表达的不同看法来衡量其意见分歧，分析投资风格对意见分歧的影响，发现不同的投资风格很可能导致意见分歧程度出现差异，进一步的，通过构建相同投资风格的投资者群体内部意见分歧、不同投资风格的投资者跨群体意见分歧变量，分析其与股票流动性之间的影响关系，发现两者都对股票流动性水平有显著的负向影响效应，也即意见分歧水平越大的股票流动性水平更低。经过一系列稳健性检验后，上述结论仍然成立。
尽管目前关于投资者意见分歧方面的研究众多，并且多数研究结果支持在意见分歧越高的股票股价波动风险越大。但仍然存在两个的薄弱环节：一是对意见分歧的度量多利用市场运行指标，少有文献直接衡量意见分歧水平，并进一步分析意见分歧的影响因素；二是投资者意见分歧和股票流动性水平的关系如何，并没有文献进行深入探讨。本文可能创新之处体现在以下方面：(1)直接对股票网络社区发帖内容进行数据挖掘和文本情感分析，构建了全新的投资者意见分歧(日度)衡量指标，舍弃了以往文献中对意见分歧的间接度量方法，也提高了指标的度量频率。(2)通过分析投资者直接表达的看法和观点，而不是通过观察交易行为，来划分投资者的投资风格类型，并验证了投资风格与投资者意见分歧的关系。在此基础上，构建了相同投资风格的群体内意见分歧和不同投资风格的跨群体意见分歧，发现两者具有相对的独立性，前者主要是由于信息集差异引起的，而后者是由投资模式的差异造成的。这些对投资者意见分歧根源的探究对现有文献进行了有益的补充。(3)对投资者意见分歧与股票流动性关系进行了深入分析，发现群体内意见分歧和跨群体意见分歧都与股票的流动性呈现显著的负向相关性。结合中国股票市场上不同程度的卖空限制的存在，证明了意见分歧对股票流动性的影响会受到卖空限制的影响。这些研究结论扩展了以往文献大多只关注于意见分歧所引起的价格、交易量变化的范畴，验证了投资者意见分歧的确能显著影响股票流动性。
二、文献述评与研究假设 (一) 投资者意见分歧及其度量目前多数文献通过代理指标间接衡量意见分歧，例如开盘买卖价差、分析师预测标准差、收益波动率等。Houge et al.(2001)利用开盘买卖价差来衡量投资者意见分歧，并用来解释股票IPO后的股价表现。Diether et al.(2002)利用分析师盈利预测分歧作为投资者意见分歧代理变量。Garfinkel and Sokobin(2006)首次提出了用未预期交易量作为意见分歧的衡量指标，并通过比较分析认为未预期交易量可以比其他指标更好地衡量投资者意见分歧。也有学者采取了与股价波动性有关的变量来衡量意见分歧，如股价波动率、股票特质波动率等。Bali and Hovakimian(2009)将股价特质波动率作为意见分歧的代理变量，在考虑卖空限制后发现特质波动率突然上升的股票会出现更高的超额收益。Berkman et al.(2009)分别使用分析师预期标准差、公司寿命、波动率、换手率、盈余波动率共五个指标衡量意见分歧水平，发现意见分歧程度与股票在盈余公告日前后的超额收益负相关。
国内对意见分歧的度量，比较常用的指标包括分析师预测偏差、换手率、收益波动率、悲观/乐观情绪等变量。比如，王凤荣、赵建(2006)以机构投资者的看法作为意见分歧的代理变量，发现我国股票市场中投资者意见分歧是造成短期内股票价格波动的重要因素。汪宜霞、张辉(2009)以分析师对IPO上市首日价格预测的离散程度、上市首日换手率，衡量投资者之间的意见分歧。陈国进、张贻军(2009)运用资产组合分析法和截面收益回归法，分离出未被预测的信息造成的收益波动作为意见分歧变量，结果证明意见分歧与股票未来收益存在显著负相关关系。史东永、李凤羽(2012)以日均换手率和超额收益波动率衡量投资者意见分歧，通过构建股票超额收益标准差，对比发现采用超额收益波动率与采用换手率衡量意见分歧的分析结果基本一致。
目前通行的意见分歧衡量指标各有优缺点，比如股票换手率作为反映意见分歧的间接指标，存在逻辑关系未知的不足，换句话说，很难回答到底是意见分歧还是其他因素影响了股票换手率水平。分析师预测偏差、未预测信息造成的收益波动率等指标也存在缺陷，比如分析师预测偏差只代表了专业投资人的信念差异，无法代表所有个体投资者的判断，同时分析师的预测对象覆盖率和预测频率都十分有限，构建出的意见分歧指标在精度和频率上存在一定不足。
(二) 意见分歧对股票市场运行的影响标准理性预期模型认为股价由公司股权内在价值来决定，股票交易的原因在于投资者资产配置的流动性需求，但是这一观点无法解释现实中大量的股票交易和剧烈的价格波动现象。Miller(1977)很早就运用均衡分析的方法论述了在卖空限制下，投资者对未来股价走势乐观和悲观看法的差异性会导致股价高估，进而出现价格反转现象。后续大量研究将意见分歧与股价波动、IPO后股价走势、交易量等变量联系起来分析其动态效应。
意见分歧与股票价格的关系方面，研究者不断放松条件假设，加入新的变量进行研究，但结论不尽相同。大多数研究表明，投资者意见分歧程度与股票短期收益正相关，但与未来长期收益存在负向相关性，比如Hal(1985)在不考虑卖空限制的条件下证明了那些意见分歧较大的股票，反而在未来具有相对较低的股价水平。Banerjee et al.(2009)在此基础上进一步加入了信息不对称、动量效应等因素，也得出了类似的结论。国内学者陆静等(2011)、包锋、徐建国(2015)相继从不同角度出发，利用中国股票市场数据进行的实证研究也得出了投资者意见分歧水平越大，则股票短期动量收益越高的结论，但从长期来看收益会发生反转。但也有部分国外学者得出相反的结论，比如Diamond and Verrechia(1987)在Miller(1977)的模型中加入了理性交易者后，发现股价高估会被理性交易者的交易行为所抵消，这样长期来看，股票仍然有较好的收益表现。Rees and Thomas(2010)认为当意见分歧过大时，投资者不得不耗费更高的成本搜寻私人信息以修正自己的投资决策，这种信息成本的增加会使投资者要求更高的收益补偿，反而会压低股价，降低了未来收益水平。
由于IPO股票具有先天卖空限制，加之没有历史交易信息可供参考，投资者的意见分歧对IPO后价格走势的研究具有重要价值，所以许多学者将意见分歧引入IPO溢价研究中来。Houge et al.(2001)研究了美国股票市场2026只IPO样本股，以开盘价差度量意见分歧水平，发现投资者之间的意见分歧能够解释IPO首日溢价现象。Loughran and Marietta(2005)利用换手率衡量投资者意见分歧程度，发现换手率较高的IPO投资组合在短期内的溢价程度也较高，表明意见分歧是影响IPO溢价的一个重要原因。Chen(2010)研究了新兴行业公司IPO规律，发现投资者先验异质性会导致乐观投资者很大程度上决定了股票IPO后的股价运行，这种乐观倾向会造成股价高估。
意见分歧与交易量方面，传统资产定价理论认为交易量是由于投资者评估生命周期内的财富配置需要，进行资产组合调整引起的，但这种观点显然无法解释股市中如此巨大的交易量。所以Milton and Artur(1993)建立了一个投资者对公共信息存在不同解读的定价模型，解释了在股价没有明显变化的情况下，仍然有巨量成交量的现象，这一研究是较早从投资者意见分歧角度来阐述股票成交量波动的文献。Cao et al.(2009)建立了一个意见分歧动态模型，证明了当投资者偶尔出现大的意见分歧时，交易量将出现聚集性的正自相关，说明对信息认知分歧将会引发当期的交易量波动。还有文献将意见分歧与个体投资者异常交易行为联系起来，比如Carlin(2014)对投资者意见分歧微观层面的决定性因素进行了深入地探讨，并研究其对预期收益、收益波动和交易量的影响，发现分歧程度上升往往与较高的预期收益、较大的收益波动和交易量有关，还发现波动本身不会导致更高的交易量，只有当市场出现意见分歧时，才会产生更多与异常交易量相关的不确定性。
(三) 投资风格与投资者意见分歧的关系意见分歧到底是由何引起的？Miller(1977)认为未来不确定且难以预测时，投资者之间往往会出现意见分歧。Hong and Stein(2007)则进一步提出了一个关键的问题，即什么样的机制会在个人认知水平下产生意见分歧，他们认为有三个关键因素导致了意见分歧的存在：渐进信息流动、有限注意和先验的异质性。Chang et al.(2013)研究了个体投资者之间意见分歧的原因，发现当存在沟通障碍时达成协议更为困难，生活在语言多样化地区的投资者对信息会表达更多不同的看法，由此将语言多样性确定为意见分歧产生的原因之一。郑敏(2015)将异质性投资者对股票市场的影响大致分为两类，第一类是假设投资者具有相同的信息集，但由于自身经验等原因对相同信息集做出不同的诠释；第二类是考虑不同的投资者获得信息也有所不同，投资者会根据不同的信息做出对自己最佳的决策。朱宏泉等(2016)指出同质性假设含有两个前提：一是投资者可以同时获得市场信息，二是投资者处理信息的方式相同。这种同质性假设忽略了真实世界中人们认知的差异性，如先验信念、获取信息速度与渠道、诠释信息和承担风险的能力等，而这些差异可能导致投资者预期的差异，从而产生意见分歧。
但在实证方面要做到精确地区分信息来源驱动型意见分歧和信息处理驱动型意见分歧，存在相当的难度。本文参考并进一步发展Hong and Stein(2007)的观点，认为不同投资风格是意见分歧的一个重要原因，并根据投资风格将投资者划分为两类群体：价值型投资者和技术型投资者。具体来说，前者的决策行为主要基于对上市公司做出的具体判断，是详细分析了公司业绩后妥善做出的，在不受外部影响的情况下，这种判断具有一定的稳定性，其对股票价值的初始先验概率一经确定，在没有受到剧烈影响的情况下不会轻易改变；后者主要决策依据是市场技术指标，指标的多变性导致其对市场信息的解读会发生变化，更多模仿市场中群体行为。这样分类的基础是不同的投资风格意味着不同的信息处理模式，而同样风格群体内部的意见分歧则来源于投资者面临着不同信息集的差异。通过分别计算不同投资风格的投资者群体内和跨群体意见分歧，本文后续将验证以下假设：
H1：投资者风格是影响股票投资者之间意见分歧的一个重要因素，不同投资风格的跨群体意见分歧、相同投资风格的群体内意见分歧是股票市场中投资者意见分歧的两个不同来源。
(四) 投资者意见分歧与股票流动性迄今为止，尚未有文献就投资者意见分歧对股票流动性的影响做出有说服力的解释。国外基于做市商制度的研究已经证明，投资者对股价的未来预期造成的决策偏差会通过两种途径影响股票流动性：噪音交易与流动性供给。Kyle(1985)将投资者划分为噪音交易者和知情交易者，在噪音交易者增加的情况下，做市商面临的逆向选择风险降低，将减少买卖价差，提供更多流动性。Long et al.(1990)建立了一个不存在做空限制的模型，模型中将投资者分为三类：知情交易者，做市商与噪音交易者，噪音交易者乐观(悲观)时高估股票价值，非理性买入(卖空)股票，增加噪音交易数量。这些研究都表明当投资者对未来预期产生乐观或悲观的分歧时，会推动股票流动性增加。但另一方面，做市商也可能存在非理性行为，其乐观或悲观情绪会使其非理性提供流动性，推动股票流动性增加。比如Baker and Stein(2004)将投资者分为知情交易者、做市商与流动性需求者，又将做市商划分为理性和非理性两种，假设理性做市商可以从订单流中得到知情交易者的私有信息，而非理性做市商会低估订单流中隐含的私有信息。做市商的乐观或悲观情绪会使其低估订单流中隐含的私有信息，乐观时高估股票内在价值，以高于股票内在价值的价格为知情交易者提供更多卖出股票的流动性，悲观时反之。
我国股票市场的报价机制是指令驱动，并不存在做市商，市场流动性提供者可能是任意投资者，换句话说，任何投资者既可以是做市商又可以是投资者，所以基于做市商市场得到的分析结果并不一定适用于中国。同时，我国股票市场中个体交易者规模庞大而且交易更为活跃，从规模上看，截至2017年底我国A股市场个体投资者和机构投资者分别为1.3398亿和0.0034亿，个人投资者占比超过99%；从交易量上看，以沪市为例，个体投资者在2017年全年交易量占到了总交易量的82.01%，贡献了相当于机构投资者5倍的交易额①。另一方面看，个体投资者相对来说处于信息弱势，很难准确划分为噪音交易者和知情交易者，投资决策更容易出现意见分歧，且意见分歧多变，其对市场运行和流动性的影响需要更好的研究思路去挖掘分析。
① 投资者规模数据来自于中国证券登记结算有限公司发布的《中国证券登记结算统计年鉴(2017)》；投资者交易量数据来自于上海证券交易所发布的《上海证券交易所统计年鉴(2018卷)》。
对股价走势预期不同的个体投资者会根据报价信息流进行决策，如果投资者预期乐观，则会选择市价下单以便立即成交，因为投资者认为此时订单的实际交易方向将与自己的预期交易方向相同而竞争激烈，尽早下单会以最满意的价格立即成交，此时投资者成为流动性提供者；反之，如果投资者预期悲观，即预期报价信息流与自己预期方向相反，则会采用限价订单下单，等待成交，用对自己更有利的价格成交以便降低成本，此时投资者消耗了股票流动性，造成流动性水平降低。同时，尽管我国已经实施了融资融券制度，但是标的股票有限，加之成本因素，卖空受到一定程度上的限制。当市场整体情绪乐观时，悲观投资者很难彻底通过卖空抵消其对流动性的影响，所以随着意见分歧程度的增加，股票流动性会降低。由于“羊群效应”的存在，如果投资者发现市场出现超额需求，也会跟进买入某只股票，导致进一步供求关系的失衡，影响股票流动性。此时，流动性提供者(比如卖空股票的提供方)由于担心投资者反应过度，未来会进一步乐观(或者悲观)，因此不愿意提供流动性。这样随着卖空限制约束的降低，跨群体意见分歧程度增加时，这种冲击效应会被放大，助涨流动性。基于此提出假设H2和H3:
H2：投资者跨群体意见分歧会影响股票流动性，并且分歧水平越大的个股，其流动性水平越低，反之个股流动性水平会改善并提高。
H3：卖空制度会影响意见分歧对股票流动性的作用程度，随着卖空限制的降低，跨群体意见分歧对股票流动性的作用程度会增强。
三、数据说明与变量设计 (一) 数据来源和处理 1. 样本选取样本股票均来自沪深300指数成份股，时间段为2015年8月~2017年8月，观测值为日度数据，其中股票市场数据来自万德金融数据库。为保证数据的完整性和连续性，剔除以下样本：(1)在时间区间内调进或调出沪深300指数的样本，共189家；(2)无个股论坛或者个股论坛中发帖数目过小，无法满足数据挖掘需要的样本，共12家；(3)停牌时间长于1个月的样本，共12家，最终获得87个样本公司观测值。
2. 股票网络社区选取经过对国内多个股票论坛的比较，本文选取国内主流财经门户网站—东方财富网的股票论坛帖为研究对象。东方财富吧的优点是根据上市公司个体进行了个股论坛的区分，对该股票感兴趣的投资者会在其中发表看法并相互回帖交流，非常有利于样本股票的意见挖掘。而且其股吧中的资讯丰富，发帖频率高，能对最新行情做出大众化解读，同时股吧论坛的专题分类页齐全，保留的发帖相较其他论坛有更长的历史追溯性，为日度数据挖掘提供了便利。
3. 有效注册用户资料在87家样本公司的论坛中，利用爬虫软件挖掘东方财富网股吧的注册用户信息，在样本期内获得所有发帖用户56446个，经过数据测试、人工检查比对，去除恶意发布广告、外部链接的用户18014个，剩余38432个有效用户。利用用户资料中的识别信息和发帖信息，通过自然语言学习对投资者按照价值投资、技术分析两种投资风格进行分类界定。
4. 投资者意见的获取和预处理本文选取东方财富吧中个股论坛中的实时评论、交流贴作为原始数据来源，首先，通过爬虫软件共获得3944576条文本信息，每条文本信息都用用户名、时间、文本内容等标签。其次，对样本贴进行数据净化处理，将重复发帖、杂乱符号、与语义表达无关的停用词和数字等剔除，将情感符号改变为文字，获得待处理文本数据。初步数据分析表明，所有观测值每天至少有5条以上的发帖、跟帖数量，能确保利用日度数据构建起高频投资者意见分歧指标。
5. 投资者意见分歧的分析与量化为了分析每条发帖中隐含的意见倾向。利用词库匹配法对发帖文本进行情绪分析，其中文本分析程序利用Python语言编写，所用基础情感词典数据库是SnowNLP中已训练好的语料库、中国知网(Hownet)情感词典和台湾大学简体中文情感极性词典(NTSUSD)。为了更精准的衡量情绪意向，将知网(Hownet)里面的正(负)面评价词语、正(负)面情感词语和NTSUSD的positive(negative)词典消重之后组合在一起，成为基础积极(消极)情感词典并加以训练，将所有样本贴分为“乐观”和“悲观”两种意见情绪状态。由于意见分歧是指不同投资者对同一股票的未来收益状况判断的差异，所以本文利用投资者看涨和看跌之间的差异来衡量意见分歧水平，构建意见分歧度量指标。
文本分析过程中，并非只保留了与情绪相关的词，因为很多帖子的叙述中没有情感词汇，这会导致分类结果中含有中性类别。针对中性类别帖子，利用Python编写程序，安装JIEBA并在Python中导入NLTK资料库，使用卡方统计方法选择这些中性类别的发帖中排名前1000的单词和双词，把单词和双词一起作为特征，构建训练需要的数据格式，为积极文本赋予“pos”，为消极文本赋予“neg”，形成一个新字典，由此获得训练数据。然后在NLTK中使用scikit-learn接口来训练分类器，对中性类别的发帖进行分类。随机从87只样本股票的发帖中各抽出300条，共26100条。将这26100条发帖的排列随机化，其中80%的发帖作为训练例，20%作为测试例，通过scikit-learn接口来训练分类器，并对测试例的数据进行分类，对比机器分类预测结果和人工标注的正确结果，得出分类器的准确度，结果表明平均识别率达73%，最终获得1159987个乐观帖和902798个悲观帖。
一个容易引起争议的问题是，股吧里的发帖有没有可能是某些投资者为了故意诱导其他投资者而表达的假观点，以及大量的情绪宣泄类的跟帖？但本文认为这些不足以影响研究的科学性，主要原因有三：首先，对多数注册用户来说，通过发表对股票的看法，如果能预测成功将极大提升其论坛影响力并吸引追随者，所以发表符合其真实意思的看法符合发帖者自身利益；其次，东方财富吧中有数量众多的发帖者和追随者，并且没有形成微博、博客中的大V认证的“权威人士”，单个发帖者的看法很难影响众人的看法和判断；最后，即使大量情绪宣泄贴存在，或者一些发帖者并未持有相关股票而发帖，这仍然反应了发帖者的看法，阅读浏览者会根据其对相关股票的看法来选择相应的操作策略。但为了保证科学性和真实性，本文在Python文本分析程序设计时，降低了对部分极值词汇的权重赋值，以便过滤和减弱极端情绪宣泄对意见分歧度量的影响。
(二) 变量构建 1. 投资风格的界定按照本文研究思路，用户投资风格被分为价值投资型(Value-investor)和技术投资型(Tech-investor)，两者区别在于投资决策依据的差异：前者更关注宏观经济运行、公司基本面和财务数据等信息；后者更关注技术指标、图表走势等信息。但由于东方财富吧中用户资料比较简单，无法从注册资料中获得有效信息，所以分离两种投资风格存在困难。
鉴于此，首先，利用Python编写语言程序，对有效观测用户的全部发帖进行文本语义分析，抽取使用频率最高的前100个特色关键词，并结合NLTK中的决策树分类法对其进行解读分析其风格类别。其次，在用户发帖中，含有属于价值型投资的关键词数量多于技术型投资的关键词数量时，界定为价值投资型发帖，反之则为技术投资型发帖。最后，对价值投资型发帖数大于技术投资型发帖数的用户界定为价值投资型，反之为技术投资型。发帖关键词特点与标准如表 1：
|
表 1 投资风格界定标准 |
参考Antweiler and Frank(2004)的思路，将每条看涨和看空的网贴数量进行统计，对每种投资风格的投资者发帖来说，有：
| $ opnion_{V-invest;i, t}(opnion_{T-invest;i, t})=(pos_{i, t}-neg_{i, t})/totalpost_{i, t} $ | (1) |
公式(1)中OpnionV-invest; i, t，OpnionT-invest; i, t分别代表了价值型、技术型投资者在第t日对股票i的情绪倾向，posi, t，negi, t分别代表乐观、悲观帖子数量，totalposti, t为个股当日总发帖数。
我国股市开盘交易时间为上午9:00-下午3:00，而众多发帖是在休市时间发布的，很显然t-1日下午股票市场闭市后，投资者对股票的意见看法仍然会影响到t日的开盘交易情况。为了更精确的对投资者意见进行时间定位，我们从第t-1日下午3:00市场收盘到第t日下午3:00市场收盘之间发布的消息来统计。不同群体内部的意见分歧表示如下：
| $ disagre{e_{V - invest(T - invest);i, t}} = \sqrt {1 - {{\left({opnio{n_{V - invest(T - invest);i, t}}} \right)}^2}} $ | (2) |
公式(2)中disagreeV-invest(T-invest); i, t的取值区间为[0, 1]，如果为1则说明投资者意见分歧程度最大，为0则意见分歧程度最低。
3. 跨群体意见分歧进一步的，在给定样本股票的日度水平上计算两类投资风格的投资者意见的标准差，以此来构建跨群体意见分歧指标：
| $ Crodisagree_{i, t}=SD\{opnion_{V-invest, i, t}, opnion_{T-invest, i, t}\} $ | (3) |
Crodisagreei, t反应了不同投资风格的投资者对股票i在第t日的跨群体意见分歧程度，其值越大说明投资者之间对股票走势看法越背离，意见对立比较严重。如果给定的公司、日期没有发布任何消息，则将意见分歧水平的平均值设置为0。
4. 个股流动性水平张峥等(2014)利用我国股票市场的数据，对比了多种流动性指标在中国的适用性，证明Amihud非流动性测度指标既能反映交易成本，还能较为准确的反映价格冲击的作用。本文选取这一指标来衡量股票流动性水平，具体公式如下：
|
(4) |
其中Rtdi代表股票i在第t月内第d天的收益率，$VOLtdi为股票i在第t月内第d天的日交易金额，Illiqtdi表示股票i在第t月内第d天的非流动性，衡量的是交易量对价格的冲击效应，Illiqtdi越大的股票流动性越小。
5. 控制变量现有文献对股票流动性的影响因素研究较多，既有公司截面特征，比如规模、账面市值比等因素(Amihud，2002)，也有宏观经济数据(郑振龙等，2013)、金融货币政策的变化(Dumas et al., 1998)等外部因素。综合考虑，本文采用公认的与可观测的代理指标，包括账面市值比(Book-to-market)、公司规模(Size)引入模型，同时为了解决内生性问题和遗漏变量问题，加入市场收益率(Rtmkt)、市场非流动性指标(Illiqtmkt)作为控制变量。
四、实证研究 (一) 描述性统计分析表 2同时给出了主要变量时间序列的描述性统计和变量序列的平稳性检验结果，同时对变量进行肯德尔τ非参数相关性检验，结果发现变量之间的相关性都很低。从表 2可以发现所有变量都拒绝正态分布假设，J-B统计量有很强的显著性，单位根检验结果表明变量都是平稳时间序列。有趣的是，初步分析表明不同风格的投资者的发帖数量和活跃程度，以及意见分歧水平有明显的差异。具体来说，技术投资者发帖更为活跃，意见分歧水平差异更大，而且更容易发布看涨的意见，价值型投资者则恰好相反。
|
|
表 2 描述性统计与平稳性检验 |
为了避免异常值对检验结果的影响，对所有连续变量在1%的水平上进行了Winsorize缩尾处理。为避免多重共线性影响，对所有解释变量进行了方差膨胀因子(VIF)诊断，结果显示VIF平均为1.94，排除了多重共线性问题。由于所用数据为面板数据，为了避免异方差和横截面相关等问题，主要采用Driscoll-Kray标准差进行估计，并利用Robust异方差稳健性方法对标准误差进行检验。
(二) 投资风格对意见分歧的影响为进一步了解投资风格与投资者意见分歧的关系，接下来通过方差分析投资风格对意见分歧的影响程度，建立(5)和(6)固定效应的面板模型，在控制样本公司和时间影响因素的前提下，分析投资者风格对投资者意见看法的影响程度：
| $ opnion_{g;i, t}=α_{0}+α_{1}style_{i, t}+ε_{g;i, t} $ | (5) |
| $ \mathit{\Delta }opnion_{g;i, t}=opnion_{g;i, t}-opnion_{g;i, t-1}=β_{0}+β_{1}style_{i, t}+ε_{g;i, t} $ | (6) |
模型(5)和(6)分别代表了投资者风格g(style)的投资者对股票i在第t日的总体情绪倾向(opniong; i, t)、情绪变化状况(Δopniong; i, t)的影响程度，对两个模型进行方差分析，结果见表 3：
|
|
表 3 总体情绪倾向及其变化的方差分析结果 |
表 3结果显示，公司和时间效应能解释12.8%的意见变化情况，加入投资风格变量后，可以提高2.12个百分点的解释能力，对投资者意见变量的一阶差分的解释力度也会提高0.86个百分点。也就是说，面临同样的信息集，两种不同风格的投资者显著地表达出来不一致的意见看法。对比来看，时间和公司的固定效应对投资者意见变量的一阶差分只解释了3.1%，意见变化受到投资者风格影响的程度要小于意见本身。假设H1得到初步验证。
(三) 意见分歧对股票流动性的影响建立模型(7)以检验跨群体意见分歧对股票流动性的影响：
| $ Illiq_{i, t}=α+β_{1}Crodisagree_{i, t}+β_{2}Illiq_{i, t-1}+β_{3}Crodisagree_{i, t-1}\\~~~~~~+β_{4}BM+β_{5}Size+β_{6}R_{t}^{mkt}+β_{7}Illiq_{t}^{mkt}+ε_{t} $ | (7) |
模型中Illiqi, t为非流动性比率；Crodisagreei, t为股票i在t日的跨群体意见分歧水平；考虑到流动性的滞后效应，加入滞后一期变量Illiqi, t-1；BMi, t和Sizei, t分别为账面市值比和市值规模；Rtmkt是市场指数的日度收益率，用沪深300指数来核算；Illiqtmkt为市场总体非流动性比率，由沪深300指数日度收益率绝对值除以市场整体日度交易额得到，其值越高则表明市场流动性越弱；εt表示其他影响因素。考虑到变量的非正态性，利用变系数回归方法，逐次加入控制变量进行估计，表 4为回归结果。
|
|
表 4 跨群体意见分歧对股票流动性的影响回归结果 |
表 4中，(7-1)结果显示跨群体意见分歧与流动性存在显著正相关关系，1个单位的意见分歧变化会造成股票非流动性上升0.102个单位，这表明意见分歧水平越高的股票，流动性水平越低，假设H2得到验证。需要注意的是，从模型(7-2)开始，尝试加入跨群体意见分歧滞后一期变量，分析意见分歧对流动性是否有预测能力，结果发现跨群体意见分歧滞后一期与股票非流动性显著负相关，说明意见分歧能迅速的被反应到当期流动性变化当中，对流动性存在滞后影响效应。
Hong and Stein(2007)认为投资者意见分歧来自于两个不相关的来源：信息集差异、信息处理模式差异。跨群体意见分歧更多反映了信息处理模式的差异，而群内意见分歧更多反映了信息集差异。为了分析两者对股票流动性的影响贡献度差异，将两者同时纳入回归模型(8)：
| $ Illiq_{i, t}=α+β_{1}Crodisagree_{i, t}+β_{2}disagree_{V-invest;i, t}+β_{3}disagree_{T-invest;i, t}\\~~~~~~~~+β_{4}Illiq_{i, t-1}+β_{5}BM+β_{6}Size+β_{7}R_{t}^{mkt}+β_{8}Illiq_{t}^{mkt}+ε_{t} $ | (8) |
模型(8)中，disagreeV-invest; i, t，disagreeT-invest; i, t分别代表价值投资者和技术投资者的群体内意见分歧水平，其他变量同模型(7)，通过逐次加入自变量，控制跨群体和群体内意见分歧水平的方法，回归结果见表 5：
|
|
表 5 不同类型的意见分歧对股票流动性的影响回归结果 |
表 5中(8-1)结果可以看出，跟表 4结果类似，跨群体意见分歧的增加会造成股票非流动性的上升，(8-2)和(8-3)依次控制了价值型投资者和技术型投资者的群内意见分歧后，跨群体意见分歧对流动性的影响效应仍然非常显著，且群体内意见分歧对股票非流动性也有显著影响，方向皆为正向，说明跨群体意见分歧和群内意见分歧是两种不同的分歧来源。假设H1得到进一步验证。
(8-4)为全部自变量加入后的回归结果，从系数对比上看，价值型投资者群内意见分歧的系数最小，对股票非流动性的影响最小，意味着价值投资者的意见分歧对流动性水平的影响效应最为明显；技术型投资者群内意见分歧的影响系数最大，表明其对股票流动性水平的影响效应最小。这可能是由于技术类投资者的主要决策依据来自于历史走势，有公认的技术分析方法和走势判断标准，这类投资者中的看法分歧相对较小，对流动性的影响程度最低。以上实证结果充分说明投资风格会导致意见分歧水平的差异，特别对价值型投资者来说，由于解读相同信息的模式不同，即使信息丰富程度提高，也不会降低意见分歧水平并改善流动性。假设H1和假设H2得到进一步验证。
(四) 卖空限制的影响Miller(1977)关于投资者异质性的经典论文中有一个重要的假设前提是市场交易中存在卖空限制。这一假设具有一定的合理性，因为在真实的股票市场中绝对自由的卖空机制并不存在，卖空成本的存在、可供卖空的股票数量限制都会限制卖空行为。即使在美国这样卖空机制比较发达的市场上，单只股票的卖空限制在某些程度上仍然存在，一方面许多机构投资者被禁止卖空，另一方面许多股票总的卖空头寸较少。Dechow et al.(2001)研究表明，1976-1993期间美国纽约证券交易所超过80%的股票卖空头寸比例占流通股的比例不高于0.5%。我国股票市场在2010年3月正式开通融资融券交易系统，但是对投资者资质有一定的门槛要求，两融标的股票资格也有限，所以绝对卖空限制和卖空自由状态都不适合我国股票市场，需要将这一因素考虑进来深入分析。
根据Davies(2014)的观点，在面临卖空限制的情况下，当股票被看空时投资者无法通过卖空股票套利，这样在有限注意的影响下，卖空限制越严格的股票，被关注的程度越小，看空的观点也越少。借鉴Liu(2015)的方法，将机构投资者所持有的样本股票的数量作为卖空限制的衡量指标，即通过机构持股数来反映各样本股票的卖空限制的情况，机构持股数的衡量通过样本期间内单个股票每季度末的机构持股总数的均值作为该样本股票的机构持股数。选择机构持股数量作为卖空限制的衡量指标的原因在于卖空实现的条件是存在能够借入的股票，机构投资者持股数量比较集中、规模较大，是卖空市场上股票借入的主要供给者。如果机构持股规模相对较小，意味着能够借出股票给其他投资者进行卖空操作的可能性和规模也较小，卖空限制越严格。
将样本股票按照机构持股数量的大小进行升序排列并八等分，其中机构持股水平最低组作为对照组；其次，计算样本股票的非流动性水平；再次，在控制其他因素的基础上，分别分析跨群体意见分歧对各样本组的非流动性的影响，对比其影响程度的差异；最后，分析两个极值样本组中，跨群体意见分歧对流动性影响的差异性是否显著。表 6报告了结果，其中类型1是根据机构持股数按升序排列的最底端的样本组(机构持股规模最小，卖空限制最大)的非流动性为因变量的回归结果，类型8是最顶端的样本组(机构持股规模最大，卖空限制最小)的回归结果。最后一列是类型8与类型1非流动性水平之差为因变量的回归结果。
|
|
表 6 卖空限制在跨群体意见分歧对股票非流动性影响中的作用 |
从表 6可以看出：(1)按照机构持股规模大小进行升序分类的样本股票中，跨群体意见分歧对股票非流动性的影响均是显著为正且系数依次降低，表明机构持股比越小，即卖空限制越严格的股票，其意见分歧对股票流动性水平的影响越小，这意味着卖空制度会影响意见分歧对股票流动性的作用程度，随着卖空限制的降低，意见分歧对股票流动性的影响程度会加强。(2)跨群体意见分歧对类型8与类型1的股票非流动性之差的影响显著为负，进一步证实了卖空限制较小的股票，流动性水平受跨群体意见分歧的影响程度更大，假设H3得到验证。
(五) 稳健性检验股票流动性研究中，选用合适的流动性衡量指标非常重要，根据Brennan and Subrahmanyam(1996)的观点，大量流动性研究的文献中之所以研究结论会出现很大的差异，是因为流动性的衡量指标不统一造成的。现有衡量流动性的方法中，换手率最直观的反应了交易者换手速度，Chordia et al.(2000)进一步论证了换手率与买卖价差、市场深度存在很强的正相关性，而且换手率也是比较容易获得数据的指标之一。接下来选取样本股票月度换手率作为流动性衡量指标，遵循模型(7)进行稳健性检验，结果见表 7。前文采用的个股非流动性指标来反向衡量股票流动性水平，而稳健性检验选取的换手率是从正向衡量流动性水平。从表 7的结果看，尽管显著性水平和程度有差异，但解释变量与因变量之间呈现出与前面实证同样的结果，而且模型拟合程度较好。
|
|
表 7 意见分歧对换手率的影响回归结果 |
投资者意见分歧已经成为资本市场研究的重要问题，很多文献将其作为股票市场微观运行的基本动力之一。尽管很多学者指出投资者意见分歧的主要原因在于信息集差异和信息处理模式的不同，但受限于数据获取困难，很少有实证来检验意见分歧受什么因素影响，以及意见分歧对股票流动性是否会产生影响。本文利用网络爬虫软件和Python文本分析手段，对东方财富吧中个股论坛的投资者发帖进行挖掘分析，并构建意见分歧的直接衡量指标，分析其对股票流动性的影响效应。实证发现：(1)不同投资风格的群内意见分歧的程度有显著差异，价值型投资者群内意见分歧要高于技术型投资者，造成这一现象的主要原因可能在于技术分析型投资者的主要决策依据是股票的历史走势规律，利用成熟的技术分析手段，投资者容易形成一致的看法和观点。(2)跨群体意见分歧与股票非流动显著正相关，即与股票流动性水平呈现显著的负相关关系，意味着投资者对个股的看法对立程度越高，则股票的流动性成本增加，流动性水平下降。(3)考虑卖空机制的作用，意见分歧对流动性的影响效应会受到卖空限制的影响，禁止卖空的个股中这种影响要显著高于具备两融资格的个股，而且随着卖空限制的减轻，这种影响效应显著增强。这些结论回答了“意见分歧是否受投资风格的影响？”和“投资者意见分歧会影响股票的流动性吗？”这两个主题，发现投资者风格的确是影响投资者意见分歧的一个重要因素，并深入分析了投资者意见分歧对股票流动性的影响效应。
现有行为金融文献大都强调维持资本市场信息公开透明的重要性，支持监管部门尽可能扩展投资者的信息来源广度和深度，降低市场信息不对称程度。但现实中，规模庞大的散户作为股票市场主体，不但信息来源各异，而且受制于投资经验、投资风格甚至非理性情绪的影响，很难如标准理性预期模型那样将其视为同质性的抽象主体。更符合现实的情况是，对同一个信息的解读，不同投资者会有不同看法，投资者意见分歧既是现实情境，又可能会导致股票市场流动性的异动，影响股票市场的稳定。正如本文研究所显示的，单纯的增加信息量、提高信息传播效率，并不一定能完全改善股票流动性，降低市场波动水平。股票市场监管思路不仅需要强调信息的充分透明，还需要对投资者特别是散户投资者意见观点的追踪和分析，更需要理性投资主体的教育和塑造。
幸运的是，如今股票市场中互联网技术、新媒体平台的广泛应用为直接分析投资者情绪和意见提供了海量数据，在此基础上利用大数据挖掘、文本分析手段直接研究投资者意见分歧成为可能。当然本文在数据挖掘上仍然有进一步改进的地方，比如可以考虑跟帖、点赞数量，并根据方向和比例赋予权重来构建更精准的投资者意见指标。这些都有待于后续更深入的研究。
| [] |
包锋、徐建国, 2015, “异质信念的变动与股票收益”, 《经济学(季刊)》, 第 3 期, 第 1591-1610 页。 |
| [] |
陈国进、张贻军, 2009, “异质信念、卖空限制与我国股市的暴跌现象研究”, 《金融研究》, 第 4 期, 第 80-91 页。 |
| [] |
陆静、曹国华、唐小我, 2011, “基于异质信念和卖空限制的分割市场股票定价”, 《管理科学学报》, 第 1 期, 第 13-27 页。 |
| [] |
史永东、李凤羽, 2012, “卖空限制、意见分歧收敛与信息披露的股价效应第来自A股市场的经验证据”, 《金融研究》, 第 8 期, 第 111-124 页。 |
| [] |
王凤荣、赵建, 2006, “基于投资者异质性信念的证券定价模型第对我国股票市场价格的实证检验”, 《经济管理》, 第 18 期, 第 41-46 页。 |
| [] |
汪宜霞、张辉, 2009, “卖空限制、意见分歧与IPO溢价”, 《管理学报》, 第 9 期, 第 1204-1208 页。DOI:10.3969/j.issn.1672-884X.2009.09.013 |
| [] |
张峥、李怡宗、张玉龙, 2014, “中国股市流动性间接指标的检验-基于买卖价差的实证分析”, 《经济学(季刊)》, 第 4 期, 第 233-262 页。 |
| [] |
朱宏泉、余江、陈林, 2016, “异质信念、卖空限制与股票收益:基于中国证券市场的分析”, 《管理科学学报》, 第 7 期, 第 115-126 页。DOI:10.3969/j.issn.1007-9807.2016.07.010 |
| [] |
郑敏, 2015, “异质信念、生存条件及市场影响力”, 《管理科学学报》, 第 8 期, 第 73-82 页。DOI:10.3969/j.issn.1007-9807.2015.08.008 |
| [] |
郑振龙、王磊、王路跖, 2013, “特质偏度是否被定价?”, 《管理科学学报》, 第 5 期, 第 1-12 页。DOI:10.3969/j.issn.1007-9807.2013.05.001 |
| [] |
Amihud Y, 2002, "Illiquidity and Stock Returns:Cross-section and Time-series Effects". Journal of financial markets, 5(1), 31–56.
|
| [] |
Antweiler W, Frank M Z, 2004, "Is All That Talk Just Noise? The Information Content of Internet Stock Message Boards". The Journal of Finance, 59(3), 1259–1294.
DOI:10.1111/j.1540-6261.2004.00662.x |
| [] |
Bail T G, Hovakimian A, 2009, "Volatility Spreads and Expected Stock Returns". Management Science, 55(11), 1797–1812.
DOI:10.1287/mnsc.1090.1063 |
| [] |
Baker M, Stein J C, 2004, "Market Liquidity as A Sentiment Indicator". Journal of Financial Markets, 7(3), 271–299.
|
| [] |
Banerjee S, Kaniel R, Kremer I, 2009, "Price Drift as an Outcome of Differences in Higher-order Beliefs". Review of Financial Studies, 22(9), 3707–3734.
DOI:10.1093/rfs/hhp014 |
| [] |
Berkman H, Dimitroy V, Jain P C., 2009, "Sell on the News:Differences of Opinion, Short-sales Constraints, and Returns Around Earnings Announcements". Journal of Financial Economics, 92(3), 376–399.
|
| [] |
Brennan M J, Subrahmanyam A., 1996, "Market Microstructure and Asset Pricing:On the Compensation for Illiquidity in Stock Returns". Journal of Financial Economics, 41(3), 441–464.
|
| [] |
Cao C, Hansch O, Wang X., 2009, "The Information Content of an Open Limit-order Book". Journal of Futures Markets, 29(1), 16–41.
DOI:10.1002/fut.v29:1 |
| [] |
Carlin B, Long F A, Matoba K., 2014, "Disagreement and Asset Prices". Journal of Financial Economics, 114(2), 226–238.
|
| [] |
Chordia M J, Tarun A, Richard T., 2000, "Co-Movements in Bid-ask Spreads and Market Depth". Financial Analysts Journal, 56(5), 23–27.
DOI:10.2469/faj.v56.n5.2386 |
| [] |
Chang Y C, Hong H G, Tiedens L., 2013, "Does Diversity Lead to Diverse Opinions? Evidence from Languages and Stock Markets". Journal of Financial Research, 36(4), 235–260.
|
| [] |
Chen H., 2010, "Macroeconomic Conditions and the Puzzles of Credit Spreads and Capital Structure". The Journal of Finance, 65(6), 2171–2212.
DOI:10.1111/j.1540-6261.2010.01613.x |
| [] |
Davies S W., 2014, "Retail Traders and the Competitive Allocation of Attention", Working Paper, Leeds School of Business, University of Colorado at Boulder.
|
| [] |
Dechow P M, Hutton A P, Meulbroek L., 2001, "Short-sellers, Fundamental Analysis and Stock Returns". Journal of Financial Economics, 61(1), 77–106.
|
| [] |
Diamond D W, Verrecchia R E., 1987, "Constraints on Short-selling and Asset Price Adjustment to Private Information". Journal of Financial Economics, 18(2), 277–311.
|
| [] |
Diether K B, Malloy C J, Scherbina A., 2002, "Differences of Opinion and the Cross Section of Stock Returns". The Journal of Finance, 57(5), 2113–2141.
DOI:10.1111/0022-1082.00490 |
| [] |
Dumas B, Fleming J, Whaley R E., 1998, "Implied Volatility Functions:Empirical Tests". The Journal of Finance, 53(6), 2059–2106.
DOI:10.1111/0022-1082.00083 |
| [] |
Garfinkel J A, Sokobin J., 2006, "Volume, Opinion Divergence, and Returns:A Study of Post-earnings Announcement Drift". Journal of Accounting Research, 44(1), 85–112.
|
| [] |
Hal R V., 1985, "Divergence of Opinion in Complete Markets:a Note". The Journal of Finance, 40(1), 309–317.
DOI:10.1111/j.1540-6261.1985.tb04951.x |
| [] |
Houge T, Loughran T, Suchanek G., 2001, "Divergence of Opinion, Uncertainty, and the Quality of Initial Public Offerings". Financial Management, 30(4), 5–23.
|
| [] |
Hong H, Stein J C., 2007, "Disagreement and the Stock Market". The Journal of Economic Perspectives, 21(2), 109–128.
|
| [] |
Kyle B, Albert S., 1985, "Continuous Auctions and Insider Trading". Econometrica, 53(6), 1315–1335.
DOI:10.2307/1913210 |
| [] |
Liu S., 2015, "Investors Sentiment and Stock Market Liquidity". Journal of Behavioral finance, 16(1), 51–67.
DOI:10.1080/15427560.2015.1000334 |
| [] |
Long B D, Shleifer A, Summers L H., 1990, "Noise Trader Risk in Financial Markets". Journal of Political Economy, 29(7), 703–738.
|
| [] |
Loughran T, Marietta W J., 2005, "Divergence of Opinion Surrounding Extreme Events". European Financial Management, 11(5), 579–601.
DOI:10.1111/eufm.2005.11.issue-5 |
| [] |
Miller E M., 1977, "Risk, Uncertainty, and Divergence of Opinion". The Journal of Finance, 32(4), 1151–1168.
DOI:10.1111/j.1540-6261.1977.tb03317.x |
| [] |
Milton H, Artur R., 1993, "Differences of Opinion Make a Horse Race". Review of Financial Studies, 6(3), 473–506.
DOI:10.1093/rfs/5.3.473 |
| [] |
Rees L, Thomas W., 2010, "The Stock Price Effects of Changes in Dispersion of Investor Beliefs During Earnings Announcements". Review of Accounting Studies, 15(1), 1–31.
DOI:10.1007/s11142-008-9078-z |