网络舆情对投资者羊群行为的影响研究

Research on the Impact of Internet Public Opinion on Investors’ Herding Behavior

摘要: 随着我国资本市场的不断发展，网络舆情作为一种非传统信息载体，正日益成为影响投资者行为的重要因素。本文基于2019年12月至2024年12月深交所A股上市公司日度数据，从行为金融视角出发，研究网络舆情对投资者羊群行为的影响效应及其内在机制。本文创新性地引入正面网络舆情、负面网络舆情与传播度指标，使用高频微观数据构建固定效应面板回归模型，实证发现，网络舆情对投资者羊群行为存在显著的影响，正面舆情有助于缓解投资者盲目跟风，而负面舆情则可能促进投资者羊群行为。在异质性分析中，网络舆情对投资者羊群行为的影响存在交易方向差异，买方行为更易受到正面情绪激励，而卖方行为更易被负面舆情驱动。此外，本文发现舆情的传播度的放大效应也显著增强了舆情对羊群行为的影响。

Abstract: With the continuous development of China’s capital market, internet public opinion—an unconventional information carrier—has become an increasingly important factor influencing investor behavior. Based on daily data of A-share firms listed on the Shenzhen Stock Exchange from December 2019 to December 2024, this paper examines, from a behavioral-finance perspective, the effect of internet public opinion on investors’ herding behavior and its underlying mechanism. Innovatively, we introduce positive internet sentiment, negative internet sentiment, and a dissemination-intensity indicator, and employ high-frequency micro-data to construct a fixed-effects panel-regression model. Empirical results show that internet public opinion significantly affects herding behavior: positive sentiment helps alleviate blind following, whereas negative sentiment tends to intensify it. Heterogeneity analysis reveals that the impact differs across trading directions—buy-side behavior is more susceptible to positive sentiment, while sell-side behavior is more driven by negative sentiment. In addition, we find that the amplification effect of dissemination intensity markedly strengthens the influence of public opinion on herding.

1. 引言

在过去的30多年里，我国股票市场取得了具有里程碑意义的进展，实现了跨越式发展。然而，必须正视的是，我国股票市场兼具新兴市场与经济体制转轨的双重特征。其中，中小投资者构成了市场的主要力量，但他们往往由于专业投资知识储备不足、获取信息的渠道较为狭窄等缘故，更容易受到情绪的左右。这种情绪影响在市场现实中体现为我国股票市场频繁出现暴涨暴跌的情况，市场的稳定性和有效性依然是亟待攻克的难题。网络舆情是指在互联网上公众对社会热点问题、政治事件、社会现象、文化趋势等所表达的信念、态度、意见和情绪的总和，其在股票市场中占据着极为重要的地位，能够直接作用于投资者的决策行为。当前，中国正处于从高速度到高品质的转型阶段，于金融市场而言，网络舆情的兴起成为不可忽视的重要因素，其对投资者行为产生的影响，尤其是在引发羊群行为方面，一直是研究者讨论的热点问题。

2. 文献综述及研究假设

1) 网络舆情的定义及文本情感度量

网络舆情是舆情在互联网环境下的表现形式，舆情的要素之一是其载体，当舆情载体的空间状态即舆情表达和传播的空间由社会空间转移到网络空间的时候，网络舆情便随之产生了。Hou等人(2020)认为“舆情”指的是“通过事件对人产生刺激，并通过媒介传递的信息”[1]。舆情因特定原因产生，具备一定的指向性，且多以言论形式表现。承载舆情的言论通常包含认知、态度或情感倾向，从而可能对他人的观点、态度和情绪产生持续影响(Huang et al., 2022; Liu et al., 2024) [2] [3]。和传统舆情相比，网络舆情具有传播速度快范围广，传递机制复杂的特征，个体在网络舆情中不仅充当了接受者的角色，也是舆情的制造者和传播者(蒋国银等，2021) [4]。

传统的文本情感通常基于词典和机器学习进行分类。鉴于大多数研究集中在文本内容的浅层特征，而对其内在特征关注不足，栗雨晴等(2016)基于How Net、Word Net和NTUSD词典构建双语情感词典将微博文本情感分为社会关爱、高兴、悲伤、愤怒、恐惧五类，该词典有效解决了文本情感分析方法多基于单一语种的问题[5]；曾子明和万品玉(2018)基于改进后的情感词典提出一种融合深层演化特征、浅层词性特征和情感特征的多层次特征组合模型，将情感进行正负性分类并且准确度达到85% [6]。邓君(2020)基于Word2Vec和支持向量机将微博舆情文本情感分为积极和消极两类，经训练后该模型的分类准确率达到93%，但其并未考虑句式和语法结构对情感分类准确率的影响[7]。机器学习法改进情感字典分析方法在领域依赖性上的局限性，从而显著提高情感分析的准确性。

2) 羊群行为的检验及影响因素

羊群行为是指投资者倾向于忽视个人所获得的的信息，模仿他人进行投资决策(朱菲菲等，2019) [8]。最早的羊群行为检验模型由Lakonishok等(1992)提出，即LSV模型，该模型被广泛应用于投资者行为研究[9]。国内学者姚禄仕(2018)对LSV模型进行了适当改进，以研究基金市场中机构和个人投资者的羊群行为显著性[10]。随后，刘天宇(2018)在LSV模型中加入媒体报道因素，基于上市公司数据研究媒体信息对我国机构投资者羊群行为的影响[11]。有研究指出羊群效应表现为一种脆弱易变的短期现象，通过对不同度量频率下的羊群行为检验发现随着度量频率的提高，A股市场上的羊群行为呈现严格的递增趋势(朱菲菲等，2019) [8]。不同于LSV模型，CH模型和CSAD模型的出发点是基于股价的分散度，CH模型最早是由Christie和Huang (1995)提出，袁军(2020)通过CH模型研究我国A股市场是否存在羊群行为[12] [13]。随着对羊群行为的深入研究，学者们发现CH模型仅适用于检测严重的羊群行为，这可能导致低估。为此，Chang和Cheng (2000)对CH模型进行了改进，结合资本资产定价模型(CAPM)建立了CCK模型[14]。李晓等(2023)通过百度指数衡量个体投资者关注度，发现其与股票市场羊群效应显著正相关[15]。

近年来，学者从不同角度研究了可能影响羊群行为的因素。如市场状况，市场类型等都会影响股票影响市场的羊群行为。学者对国内股票市场研究发现，市场走势会影响投资者羊群行为(Lin et al., 2017) [16]，沪深股市在高波动区制中羊群效应较强(郑挺国和葛厚逸，2021) [17]。然而，也有一部分学者认为在市场上涨的趋势里，羊群行为更为突出(Arjoon, 2017) [18]。另外，有学者认为公共突发事件对金融市场的羊群行为存在显著性影响(杨子晖，2020；Bharti & Kumar, 2022) [19] [20]。在行为金融理论中，基于投资者的有限理性，投资者的决策行为容易受到情绪的影响。而情绪是也导致模仿行为的关键因素之一。Chiang和Lin (2019)发现市场情绪与股票分析分析师的羊群行为存在显著相关性，随着市场情绪的上涨，分析师在发布分析建议时的从众倾向越强烈[21]。另外，由于不同的资产受投资者情绪影响的程度不同，因此，投资者情绪对不同类型资产中羊群效应的影响程度也会存在差异(Hudson et al., 2020) [22]。前述研究认为投资者情绪直接对羊群效应产生影响，而张本照等(2021)则认为，投资者情绪在经济政策不确定性与基金羊群效应的关系中发挥中介作用[23]。从已有研究来看，投资者情绪会对羊群效应产生影响，但其对不同主体产生的影响可能存在差异。

3) 研究假设的提出

在传统金融理论的框架中，投资者被假定为理性个体，会根据市场信息做出独立的、以追求财富最大化为目标的投资决策。然而，行为金融学提出了与此不同的观点，认为投资者在面对市场的不确定性时，往往表现出信息驱动的非理性行为。网络舆情作为一种信息来源，可以迅速传播市场情绪，进一步影响投资者的决策偏好，导致群体性非理性行为的形成。这种行为可以解释为一种社会心理机制，即投资者希望通过与大多数人保持一致来减少自己可能承担的决策风险。当网络舆情中正面情绪传播时，投资者更容易感到乐观和自信，促使其独立思考，使他们在面对市场波动时更倾向于依赖理性分析而非情绪反应，避免盲目跟随他人的决策。网络舆情是负面舆情的传播，会加剧投资者的焦虑和恐慌，使他们更倾向于追随他人投资，以降低心理压力和决策成本。因此，本文拟提出假设1：

H1：网络舆情对投资者羊群行为的影响具有不对称性，正面舆情抑制投资者的羊群行为，而负面舆情促进投资者的羊群行为。

基于信息不对称理论，在正面舆情时，市场整体对企业的预期较为乐观，企业信息披露的积极性相对较高，透明度也相应增加。这使得买方投资者对企业的未来发展更有信心，加大买入力度，引发买方羊群行为。而卖方投资者在看到信息透明度提高且企业前景向好时，倾向于持有股票，抑制卖方羊群行为。在负面舆情下，企业可能面临困境，信息透明度降低，卖方投资者出于对风险的担忧和信息不足的恐慌，更倾向于跟随市场抛售行为，导致卖方羊群行为增加。而买方投资者因信息不透明，难以准确评估风险，买入意愿降低，买方羊群行为削弱。因此，本文拟提出如下假设2：

H2：网络舆情对投资者羊群行为的影响在不同交易方向上存在差异，正面网络舆情显著加剧买方羊群行为而抑制卖方羊群行为，负面网络舆情显著削弱买方羊群行为却促进卖方羊群行为。

基于舆情的放大效应，在如今的网络环境中，公众不再只是信息的被动接收者，而成为积极的参与者与传播者。他们借助多元的传播渠道和媒介，通过评论、点赞、分享等行为，对各类事件表达看法与态度，从而构成强大且广泛的社会影响。一旦舆情的传播范围随之扩大，其影响力也随之不断增强，投资者更是容易受到他人观点的影响，它会显著强化舆情本身对投资者决策的影响力。由此本文提出假设3。

H3：网络舆情的传播具有放大效应，对投资者羊群行为具有正向调节作用。

3. 研究设计

(一) 样本选择与数据来源

为研究网络舆情对投资者羊群行为的影响研究，本文选取2019年12月~2024年12月中国深交所A股上市公司为研究对象，为了更好的满足本论文研究的要求和实现本论文研究的目的，根据以下4个条件对样本数据进行剔除和筛选：1) 剔除*ST、ST及PT类上市公司。本论文主要是对处于正常生产经营管理状态下网络舆情对投资者羊群行为的影响因素进行分析，如果企业退市等对于本论文而言不具有研究意义，予以剔除。2) 由于本文研究的模型变量较多，部分公司的数据缺失，因此本文把数据不全的样本剔除在外。3) 为避免极端值影响，本文对所有连续性变量进行上下1%缩尾处理。本文样本数据来源于国泰安CSMAR数据库和CNRDS数据库。4) 考虑到数据的量纲和可比性，本文将变量进行了扩大缩放处理，以便更准确地反映经济现象。

(二) 变量定义与模型构建

1) 投资者羊群行为程度(被解释变量)

关于投资者羊群行为程度(abs_herding)的度量，参考LSV方法。该指标主要通过买卖双方交易量的不均衡来度量羊群行为。其计算公式为：

$H{M}_{it}=\left|p_{it}-E\left(p_{it}\right)\right|-AF\left(i,t\right)$ (1)

其中$H{M}_{it}$ 指的是第i种股票在第t期内的羊群行为程度；$p_{it}$ 指的是在第t期内所有第i种股票的买入笔数与该种股票总交易笔数(买入笔数和卖出笔数之和)的比率，其计算公式如式(2)；$Nbu{y}_{it}$ 指的是在第t期内所有第i种股票的买入笔数；$Nsel{l}_{it}$ 指的是在第t期内所有第i种股票的卖出笔数。

$E\left(p_{it}\right)$ 为$p_{it}$ 的期望值，即在第t期内买入股票的笔数占交易该种股票的所有笔数的比例，其计算公式如式(3)，$n_t$ 指的是在第t期内有交易的股票只数。

$p_{it}=\frac{Nbu{y}_{it}}{Nbu{y}_{it}+Nsel{l}_{it}}$ (2)

$E\left(p_{it}\right)=\frac{{{\displaystyle \sum }}_{i=1}^{n_t}Nbu{y}_{it}}{{{\displaystyle \sum }}_{i=1}^{n_t}Nbu{y}_{it}+{{\displaystyle \sum }}_{i=1}^{n_t}Nsel{l}_{it}}$ (3)

$AF\left(i,t\right)$ 为调整因子。由于假设投资者的决策是相互独立的(即不存在羊群行为的)前提下，买入某只股票的笔数应该是服从参数为$\left(N_{it},E\left(p_{it}\right)\right)$ 的二项分布，其中$N_{it}=Nbu{y}_{it}+Nsel{l}_{it}$ ，即第t期内交易了第i种股票的总笔数，所以LSV模型中取$AF\left(i,t\right)=E\left|p_{it}-E\left(p_{it}\right)\right|$ ，表示在没有羊群行为存在的假设下，$\left|p_{it}-E\left(p_{it}\right)\right|$ 的期望值。

关于调整因子$AF\left(i,t\right)$ ，一些学者采用二项分布来计算，如式(4)所示。

$AF\left(i,t\right)={\displaystyle {\sum }_{Nbu{y}_{it}=0}^{N_{it}}\left[\left|p_{it}-E\left(p_{it}\right)\right|*C_{Nbu{y}_{it}}^{Nit}E{\left(p_{it}\right)}^{Nbu{y}_{it}}{\left(1-E\left(p_{it}\right)\right)}^{N_{it}-Nbu{y}_{it}}\right]}$ (4)

$H{M}_{it}$ 越大，说明投资者羊群行为程度越严重。但是LSV模型的缺陷在于不能区分投资者是在买入还是卖出股票时具有羊群行为。因此我们进一步采用Wermers (1995)在LSV基础上提出的两个用来衡量买入和卖出行为羊群行为程度的指标：

买方羊群行为程度：

$BH{M}_{it}=H{M}_{it}|p_{it}>E\left(p_{it}\right)$ (5)

卖方羊群行为程度：

$BH{M}_{it}=H{M}_{it}|p_{it}<E\left(p_{it}\right)$ (6)

① 网络舆情指标(解释变量)

本文结合公司的网络舆情数据，构建两种反映舆情冲击的指标：Sen1 (正面舆情指标)和Sen2 (负面舆情指标)。Sen1为某只股票每日正面帖子数量与帖子总量之比，Sen2为该股票每日负面帖子数量与帖子总量之比。

② 舆情传播度(调节变量)

在网络环境下，公众不再是信息的被动接受者，而是积极参与者和传播者。他们通过评论、分享等方式，表达自己对事情的看法和态度。本文使用评论数和阅读数之比来衡量舆情的传播度(spread)。

③ 控制变量

为控制其他影响网络舆情和投资者羊群行为的因素，借鉴已有研究，本文选取的控制变量集(Controls)包括：公司规模(Size)、换手率(turnover)、市净率(pb)、市盈率(pe)、涨跌幅(changeratio)，本文的所用控制变量具体如表所示。此外，本文还控制了个体和时间变量。

2) 模型设定

本文的基准回归模型设定如下：

$H{M}_{it}={\propto }_0+{\propto }_1\text{Sen}{1}_{it}+{\text{Controls}}_{it}+{\eta }_i+{\phi }_t+{\epsilon }_{it}$ (7)

$H{M}_{it}={\propto }_0+{\propto }_2\text{Sen}{2}_{it}+{\text{Controls}}_{it}+{\eta }_i+{\phi }_t+{\epsilon }_{it}$ (8)

其中，${\text{Controls}}_{it}$ 是控制变量集，包括公司规模(Size)、换手率(turnover)、市净率(pb)、市盈率(pe)、涨跌幅(changeratio)；${\eta }_i$ 、${\phi }_t$ 分别表示个体固定效应和时间固定效应；${\epsilon }_{it}$ 表示随机误差项。

4. 实证结果分析

(一) 描述性统计

本文以2019年12月至2024年12月深交所A股上市公司为研究对象，表1展示了本文研究变量的描述性统计结果，包括各变量的观测值数量、均值、标准差、最小值、中位数和最大值。根据表1的描述性统计结果，上市公司最大的羊群行为程度是0.5，均值为0.0249，标准差为0.024，表明样本企业羊群行为程度存在显著差异。这种差异可能反映了不同企业在个体特征以及规模大小方面的差异。提示需要在回归分析中控制企业特征和时间影响，以减少模型偏误。Sen1指标的均值为0.2594，标准差为0.122，Sen2指标的均值为0.1991，标准差为0.106，表明舆情数据的离散程度相对适中。此外，其他控制变量的情况如下：pb指标的均值为0.3158，标准差为0.284，pe的均值为0.0830，标准差为0.125，turnover的均值为0.0553，标准差为0.072，Size的均值为22.5460，标准差为1.108，changeratio的均值为0.0041，标准差为0.042。这些结果显示pb、pe和Size的离散程度较高，表明企业在市场表现具有较大的差异性。这一特征可能与企业规模和个体特征等因素密切相关。

Table 1. Descriptive statistics

表1. 描述性统计

变量	观测值	均值	标准差	最小值	中位数	最大值
abs_herding	832,798	0.0249	0.024	0.00	0.02	0.50
Sen1	832,798	0.2594	0.122	0.00	0.25	1.00
Sen2	832,798	0.1991	0.106	0.00	0.20	1.00
pb	832,798	0.3158	0.284	0.04	0.23	1.79
pe	832,798	0.0830	0.125	0.01	0.04	0.82
turnover	832,798	0.0553	0.072	0.00	0.03	0.88
Size	832,798	22.5460	1.108	18.58	22.37	27.96
changeratio	832,798	0.0041	0.042	−0.88	0.00	4.88

(二) 网络舆情对投资者羊群行为的影响分析

1) 基准回归检验

本文对基准回归模型(7)、(8)进行了回归，回归结果如表2所示，其中列(1)、(2)分别是正面网络舆情与负面网络舆情不加入时间个体固定对投资者羊群行为的影响，回归系数分别为−0.0090和0.0082，均在1%的水平下显著，说明正面网络舆情和负面网络舆情对投资者的羊群行为具有相反影响，正面网络舆情显著抑制投资者的羊群行为，而负面网络舆情则显加剧投资者的羊群行为。列(3)、(4)分别为加入个体、时间固定效应后正面网络舆情以及负面网络舆情对投资者羊群行为的影响，回归系数分别为−0.0090和0.0078，结果仍然是显著。

Table 2. Baseline regression results

表2. 基准回归结果

Variables	(1)	(2)	(3)	(4)
	abs_herding	abs_herding	abs_herding	abs_herding
Sen1	−0.0090^***		−0.0090^***
	(0.0002)		(0.0002)
Sen2		0.0082^***		0.0078^***
		(0.0003)		(0.0003)
pb1	−0.0012^***	−0.0013^***	0.0019^***	0.0019^***
	(0.0001)	(0.0001)	(0.0002)	(0.0002)
pe1	−0.0025^***	−0.0024^***	−0.0017^***	−0.0017^***
	(0.0002)	(0.0002)	(0.0003)	(0.0003)
turnover	−0.0445^***	−0.0442^***	−0.0424^***	−0.0419^***
	(0.0004)	(0.0004)	(0.0006)	(0.0006)
Size	−0.0025^***	−0.0025^***	−0.0048^***	−0.0049^***
	(0.0000)	(0.0000)	(0.0001)	(0.0001)
changeratio	0.0325^***	0.0318^***	0.0552^***	0.0542^***
	(0.0012)	(0.0011)	(0.0017)	(0.0017)
Constant	0.0875^***	0.0830^***	0.1375^***	0.1348^***
	(0.0006)	(0.0006)	(0.0023)	(0.0023)
Observations	832,798	832,798	832,793	832,793
R-squared	0.0246	0.0238	0.0785	0.0778
个体固定效应	否	否	是	是
时间固定效应	否	否	是	是

注：Robust standard errors in parentheses，^***p < 0.01，^**p < 0.05，^*p < 0.1。

2) 内生性检验：工具变量法

本文可能存在的内生性问题来源于被解释变量与解释变量之间的反向因果关系。一方面，网络舆情会导致股价的剧烈波动进而影响投资者的羊群行为；另一方面，投资者的羊群行为也会使得网络舆情随之产生变化。我们选取同行业、同时间段的其他公司网络舆情的均值作为工具变量，其中正面网络舆情Sen1和负面网络舆情Sen2的工具变量分别为IV1和IV2。同行业、同时间段的其他公司的舆情均值与样本公司舆情状态有一定关联性，但与投资者对该公司买卖股票造成的羊群行为之间并未关联性。表3汇报了工具变量回归结果，其中(1)、(2)列为针对工具变量IV1的结果，(3)、(4)列为针对工具变量IV2的结果。第一阶段回归结果显示，Kleibergen-Paap rk Wald的F值分别为100.497和54.744，均大于16.38，表明工具变量IV1、IV2满足强相关性，不存在弱工具变量的问题，Kleibergen-Paap rk LM值均是显著的，这表明工具变量的选取是有效的，最后，内生性检验(Endog-test)分别在1%和5%的显著水平上方，强烈拒绝“解释变量为外生”的原假设，表明模型中存在内生性问题，需采纳2SLS估计结果。列(2)和列(4)的结果可以看出，不论是Sen1还是Sen2，系数在5%的显著性水平上是显著的，且与主回归的系数符号一致，印证了前述结论的可靠性。

Table 3. Regression results using instrumental variables (IV1, IV2)

表3. 工具变量(IV1、IV2)回归结果

Variables	(1)	(2)	(3)	(4)
	first	second	first	second
	Sen1	abs_herding	Sen2	abs_herding
IV1	0.1038^***
	(10.0248)
Sen1		−0.2173^***
		(−7.2843)
IV2			0.0771^***
			(7.3989)
Sen2				0.3288^***
				(5.9245)
pb1	0.0135^***	0.0047^***	−0.0087^***	0.0047^***
	(15.8411)	(9.5670)	(−12.0062)	(7.8918)
pe1	−0.0067^***	−0.0031^***	0.0091^***	−0.0047^***
	(−4.9532)	(−6.7235)	(7.7520)	(−6.6875)
turnover	−0.1104^***	−0.0654^***	0.0662^***	−0.0631^***
	(−43.9176)	(−18.5798)	(29.4257)	(−15.8212)
Size	0.0028^***	−0.0042^***	0.0032^***	−0.0059^***
	(6.0402)	(−26.6408)	(8.2453)	(−23.4726)
changeratio	0.7054^***	0.2026^***	−0.6834^***	0.2741^***
	(44.4713)	(8.8580)	(−44.2393)	(6.7560)
Constant	0.1693^***		0.1120^***
	(15.7308)		(12.6938)
Observations	832,792	832,792	832,792	832,792
R-squared	0.212	−0.919	0.239	−1.601
个体固定效应	是	是	是	是
时间固定效应	是	是	是	是
Kleibergen-Paap rk Wald F	100.497 [16.38]		54.744 [16.38]
Kleibergen-Paap rk LM	100.696^***		54.880^***
Endog-test	P = 0.0000		P = 0.0000

注：Robust t-statistics in parentheses，^***p < 0.01，^**p < 0.05，^*p < 0.1。

Figure 1. Placebo test (Sen1)

图1. 安慰剂检验(Sen1)

Figure 2. Placebo test (Sen2)

图2. 安慰剂检验(Sen2)

3) 稳健性检验：安慰剂检验

理论上，网络舆情对上市公司羊群行为程度的影响可能由未被观测的混杂因素或者研究设计局限性导致。为排除上述担忧，保证结论的稳健性，本文通过个体内时间序列随机化安慰剂检验，构建反事实场景，验证核心结论的稳健性。具体而言，对每个上市公司的网络舆情变量(Sen1、Sen2)分别在其时间维度上进行500次独立随机排列，生成反事实数据集。每次排列后，重新估计固定效应模型并记录虚构舆情变量的系数及p值，其分布如图1、图2所示。由图可知，安慰剂变量的估计系数接近于0，且其p值大多数在0.1之上，与理论预期一致，通过了安慰剂检验，这在一定程度上表明本文的基准回归结论不是由于未观测到的随机因素导致的。

(三) 基于投资者买卖二元视角的异质性分析

前文基准回归以及各类稳健性检验的结果表明，正面网络舆情抑制投资者的羊群行为，负面网络舆情加剧投资者的羊群行为。在探讨网络舆情对投资者羊群行为影响的研究中，为了更为丰富地展现不同子样本之间主体结论的异质性，本文将投资者羊群行为区分为买方与卖方两种类型，深入探究网络舆情在不同交易方向上的差异化影响。

网络舆情对不同交易方向的投资行为影响不同。本文将投资者羊群行为分为买方和卖方两种类型，分别进行回归分析，结果如表4第(1)、(2)、(3)、(4)列所示。结果表明投资者买方和卖方羊群行为分别在不同网络舆情影响下呈现出明显差异。在正面网络舆情(Sen1)下，对于买方羊群行为，Sen1的系数显为正，表明正面网络舆情显著加剧买方羊群行为，而对卖方羊群行为，Sen1的系数显著为负，说明正面网络舆情显著抑制卖方羊群行为。在负面网络舆情(Sen2)下，对于买方羊群行为，Sen2的系数显著为负，表明负面网络舆情显著削弱买方羊群行为，而对于卖方羊群行为，Sen2的系数显著为正，说明负面网络舆情显著促进卖方羊群行为。这揭示了投资者在不同交易方向上对网络舆情的敏感性存在明显差异。这种现象可能与投资者的心理和行为模式有关。在正面网络舆情下，投资者对于未来预期更为乐观，买方投资者跟风买入的意愿增强，导致买方羊群行为加剧，卖方投资者也不愿意立即卖出，从而抑制了卖方羊群行为。相反，在负面网络舆情下，投资者可能受恐慌情绪驱动，买方投资者可能因担忧风险而减少买入，削弱了买方羊群行为；而卖方投资者对于未来预期悲观，跟风卖出，导致卖方羊群行为增加。

Table 4. Heterogeneity analysis: a binary perspective on investor buying and selling

表4. 异质性分析：投资者买卖二元视角

变量	(1)	(2)	(3)	(4)
	买方	卖方	买方	卖方
	abs_herding	abs_herding	abs_herding	abs_herding
Sen1	0.0062^***	−0.0177^***
	(17.7728)	(−42.0457)
Sen2			−0.0089^***	0.0138^***
			(−17.9424)	(29.1030)
pb1	0.0002	0.0038^***	0.0002	0.0037^***
	(1.2310)	(9.8111)	(1.2416)	(9.4750)
pe1	−0.0009^***	−0.0024^***	−0.0008^***	−0.0024^***
	(−3.7629)	(−4.1777)	(−3.6077)	(−4.2208)
turnover	−0.0200^***	−0.0669^***	−0.0200^***	−0.0662^***
	(−20.9375)	(−61.0835)	(−21.1776)	(−60.4490)
Size	−0.0028^***	−0.0069^***	−0.0027^***	−0.0070^***
	(−30.0393)	(−36.6000)	(−29.2119)	(−37.0682)
changeratio	0.1114^***	0.0775^***	0.1100^***	0.0750^***
	(20.6145)	(22.9903)	(20.3133)	(22.4242)
_cons	0.0803^***	0.1931^***	0.0826^***	0.1879^***
	(38.8677)	(45.6776)	(41.3352)	(44.3992)
N	424,555	408,222	424,555	408,222
adj. R^2	0.148	0.094	0.149	0.093
个体固定效应	是	是	是	是
时间固定效应	是	是	是	是

注：t statistics in parentheses，^*p < 0.1，^**p < 0.05，^***p < 0.01。

4) 基于舆情传播广度的调节机制分析

在网络环境下，公众不再是信息的被动接收者，而是积极参与者和传播者。他们通过评论、点赞、分享等方式，对事件表达自己的看法和态度，这使得事件的传播范围不断扩大，影响力逐渐增强，这对投资者的羊群行为会起到一定的调节作用。调节机制的结果如表所示，针对正面网络舆情，表5第(2)列结果显示，正面舆情与传播度的交乘项系数为−0.2412，在5%的水平上显著负相关，说明调节变量强化了正面舆情和羊群行为之间的负向关系，发挥了正向调节作用；针对负面网络舆情，表5第(4)列结果显示，正面舆情与传播度的交乘项系数为0.3359，在5%的水平上显著正相关，说明调节变量强化了负面舆情和羊群行为之间的正向关系，发挥了正向调节作用，无论是正面网络舆情还是负面网络舆情，舆情的传播都起到了正向调节的作用，具有放大效应。

Table 5. Analysis of the moderating mechanism based on public opinion propagation

表5. 基于舆情传播度的调节机制分析

Variables	(1)	(2)	(3)	(4)
	abs_herding	abs_herding	abs_herding	abs_herding
Sen1	−0.0090^***	−0.0076^***
	(−37.0025)	(−22.2966)
Sen1_spread		−0.2412^***
		(−4.7374)
Sen2			0.0078^***	0.0061^***
			(26.3008)	(13.9043)
Sen2_spread				0.3359^***
				(5.2275)
spread		0.2011^***		0.0966^***
		(12.0187)		(6.4991)
pb1	0.0019^***	0.0020^***	0.0019^***	0.0019^***
	(9.6337)	(9.7731)	(9.3698)	(9.5712)
pe1	−0.0017^***	−0.0017^***	−0.0017^***	−0.0017^***
	(−5.5045)	(−5.5691)	(−5.5378)	(−5.6208)
turnover	−0.0424^***	−0.0433^***	−0.0419^***	−0.0430^***
	(−72.6206)	(−73.2151)	(−72.1753)	(−72.9373)
Size	−0.0048^***	−0.0049^***	−0.0049^***	−0.0049^***
	(−47.5674)	(−48.0910)	(−48.0165)	(−48.6504)
changeratio	0.0552^***	0.0556^***	0.0542^***	0.0548^***
	(31.8804)	(31.9428)	(31.4854)	(31.5825)
Constant	0.1375^***	0.1377^***	0.1348^***	0.1358^***
	(60.6644)	(60.7360)	(59.5234)	(59.8932)
Observations	832,793	832,793	832,793	832,793
R-squared	0.079	0.079	0.078	0.078
个体固定效应	是	是	是	是
时间固定效应	是	是	是	是

注：Robust t-statistics in parentheses，^***p < 0.01，^**p < 0.05，^*p < 0.1。

5. 结论与启示

本文基于2019年12月至2024年12月深交所A股上市公司日度数据，采用高位固定效应模型研究了网络舆情对投资者羊群行为的影响效应及其内在机制。本文创新性地引入舆情极性(正面/负面舆情)与传播度指标，结合工具变量法、熵平衡匹配与安慰剂检验等多种方法，确保实证结果的稳健性。研究发现：1) 网络舆情对投资者羊群行为具有显著的非对称性，正面舆情抑制羊群行为，负面舆情加剧羊群行为。2) 从交易方向来看，正面舆情增强买方羊群行为、抑制卖方羊群行为，而负面舆情则相反。3) 舆情的传播度作为放大机制显著增强了舆情对羊群行为的影响，无论正面舆情还是负面舆情，对投资者羊群行为均起到推动作用。

本文结论从理论层面丰富了对投资者羊群行为影响因素的认识，对股票市场中的各方主体有一定的启示。对监管者来说，一方面要注重利用互联网信息进行风险预警，通过网络舆情的关注与预警帮助防范股市波动，可考虑对小企业和新上市的企业实施差异化的舆情监管政策；另一方面，监管者也可以通过监督和管理股吧社区等社交媒体上披露的网络信息，杜绝网络谣言传播。对投资者来说，互联网技术的发展为信息交流提供便利的同时，也对投资者信息处理能力提出了挑战，为在海量的网络信息中挖掘有效信息，提升信息辨别能力，就必须加强自身的专业素养和决策水平。对上市公司来说，管理层在公司治理的过程中，不仅要考虑公司内部的因素，还要及时关注市场上网络舆情的变化，利用社交媒体加强与投资者之间的交流，及时披露公司高质量信息，澄清网络虚假信息。

基金项目

云南财经大学研究生创新基金项目“外部冲击下的网络舆情与非理性投资”(项目编号：2025YUFEYC063)；云南财经大学研究生创新基金项目“主观风险溢价的动态研究——以我国全类金融市场为例”(项目编号：2025YUFEYC055)。