有限关注视角下投资者本地偏好对股价同步性的影响研究

Research on the Impact of Investor Local Bias on Stock Price Synchronicity from the Perspective of Limited Attention

摘要: 中国资本市场“散户主导”的结构特征与股价“同涨同跌”现象并存，引发了对微观主体行为与市场效率关系的深层思考。本文以行为金融学中的“有限关注”理论为视角，利用2022年“IP属地实名制”全面实施后的数据契机，整合东方财富股吧用户互动行为与百度搜索指数，构建了双因子投资者本地偏好指数，并以2024年沪深A股上市公司为样本，实证检验了本地偏好对股价同步性的影响及其作用机制。研究发现：第一，中国个人投资者对本地上市公司表现出显著的关注聚集特征，且相较于单一维度的关注度指标，整合了“深度互动”与“主动搜寻”的双因子指标在度量本地偏好时具有更强的稳健性与解释力。第二，投资者本地偏好显著推高了股价同步性，支持了“行为噪音假说”。这表明在有限关注的认知约束下，本地偏好并非基于信息优势的理性挖掘，而是更多体现为基于熟悉感的地缘情绪共振与羊群行为，这种同质化交易强化了市场噪音，削弱了定价效率。第三，异质性分析显示，在信息透明度较低(低分析师覆盖)和散户定价权较大(小市值)的公司中，本地偏好对股价同步性的推高效应更为显著。本研究厘清了有限关注下本地偏好发挥“行为噪音”作用的边界条件，为监管部门优化信息披露制度及引导投资者理性行为提供了经验证据。

Abstract: The coexistence of the “retail-dominated” structure and the “co-movement” phenomenon of stock prices in China’s capital market has triggered extensive investigation regarding the relationship between micro-level investor behavior and market efficiency. From the perspective of “limited attention” theory in behavioral finance, leveraging the unique data opportunity provided by the full implementation of the “IP address location mandate” in 2022, this paper constructs a dual-factor Investor Local Bias Index (LBI) by integrating user interaction data from Eastmoney stock message boards and the Baidu Search Index. Using a sample of Shanghai and Shenzhen A-share listed companies in 2024, this study empirically examines the impact of local bias on stock price Synchronicity and its underlying mechanisms. The findings indicate that: First, Chinese individual investors exhibit significant geographic concentration of attention toward local listed companies. Compared to single-dimensional attention metrics, the dual-factor index, which integrates “deep interaction” and “active search”, demonstrates superior robustness and explanatory power in measuring local bias. Second, investor local bias significantly increases stock price Synchronicity, supporting the “behavioral noise hypothesis”. This suggests that under the cognitive constraints of limited attention, local bias does not stem from rational information exploitation based on information advantages, but rather reflects geographic emotional resonance and herding behavior driven by familiarity. Such homogenous trading reinforces market noise and impairs pricing efficiency. Third, heterogeneity analysis reveals that the positive effect of local bias on stock price Synchronicity is more pronounced in firms with lower information transparency (low analyst coverage) and stronger retail pricing power (small market capitalization). This study clarifies the boundary conditions under which local bias acts as “behavioral noise” amid limited attention, providing empirical evidence for regulators to optimize information disclosure mechanisms and guide rational investor behavior.

1. 引言

中国资本市场长期呈现鲜明的“散户主导”结构特征，自然人投资者贡献了市场绝大部分交易额。伴随这一结构的是A股市场个股价格由于缺乏特质信息支撑，往往跟随市场大势“同涨同跌”，导致股价同步性长期偏高。高同步性不仅削弱了股价反映企业内在价值的能力，更制约了资本市场的资源配置效率。现有研究多从公司治理、制度环境或宏观政策等宏观视角探讨股价同步性的成因，较少深入微观层面，考察作为市场主体的个人投资者，其认知局限与行为特征如何具体塑造了价格形成机制。

行为金融学中的“有限关注”理论指出，在信息过载的市场环境中，投资者的注意力是一种稀缺资源。受限于认知约束，投资者倾向于将有限的精力分配给地理位置邻近、心理距离更近的上市公司，从而产生“本地偏好”[1]。然而，关于本地偏好对市场效率的影响，学界存在截然不同的两种观点：一种观点基于“信息优势假说”，认为地理邻近降低了信息获取成本，本地投资者能掌握更多软信息，其交易行为有助于将特质信息融入股价，从而降低同步性[2]；另一种观点则基于“行为噪音假说”，认为本地偏好源于非理性的熟悉感或跟风行为，容易引发区域性的羊群效应，从而通过强化噪音交易推高股价同步性。在中国这样一个幅员辽阔、区域发展不均且散户众多的新兴市场中，究竟哪种机制占据主导地位，尚待经验证据的检验[3]。

精准度量投资者本地偏好是实证研究的难点。既有文献多依赖单一的百度搜索指数[4]或早期的股吧发帖数据[5]-[7]。然而，传统手段面临双重挑战：一是百度指数涵盖了大量非投资意图的搜索行为；二是早期网络社区的匿名机制导致无法剔除“水军”干扰，且难以精准定位用户真实地理归属。本文利用2022年《互联网用户账号信息管理规定》全面实施后“IP属地强制显示”这一制度性契机，通过爬取并清洗去伪存真后的东方财富股吧用户行为数据，结合百度搜索指数，构建了包含“互动行为”与“搜索行为”的双因子投资者本地偏好指数(LBI)。这一双因子指标通过多源数据的交叉验证，有效平滑了单一数据源的噪声，显著提升了本地偏好度量的稳健性与准确性。

基于上述背景与数据创新，本文以2024年沪深A股上市公司为样本，系统考察了有限关注视角下投资者本地偏好对股价同步性的影响。研究发现：第一，中国个人投资者对本地上市公司确实表现出显著的关注聚集性，且双因子指标较单一指标具有更强的解释力；第二，投资者的本地偏好显著推高了股价同步性，支持了“行为噪音”主导的理论路径，即本地偏好更多体现为非理性的情绪共振而非有效的信息挖掘；第三，异质性分析显示，在信息透明度较低(低分析师覆盖)和散户定价权较大(小市值)的公司中，这种推高效应更为显著。

本文可能的边际贡献在于：其一，利用IP属地实名制后的新型数据环境，构建了更为纯净的双因子本地偏好指标，克服了以往研究的数据缺陷；其二，在“有限关注”框架下辨析了本地偏好的双重属性，为解释中国股市的高同步性现象提供了微观行为金融层面的新证据；其三，明确了行为噪音在特定信息环境下的作用边界，为监管部门优化信息披露制度、引导投资者理性行为提供了政策参考。

2. 理论分析与研究假设

2.1. 有限关注视角下的本地偏好及其度量

行为金融学理论指出，在资本市场海量信息的冲击下，投资者的注意力是一种稀缺的认知资源。受限于“有限关注”约束，投资者难以对所有市场信息进行无偏处理，往往采取启发式策略，将注意力优先分配给那些易得性高、熟悉度强的信息源[1]。“地理邻近性”因天然具备心理熟悉感和信息接触便利性，成为投资者分配注意力的重要锚点，进而形成“本地偏好”。

在中国A股市场，个人投资者占据主导地位，其行为更易受到认知局限的驱动。虽然现有文献多采用单一的百度搜索指数或股吧发帖量作为本地偏好的代理变量，但单一指标存在固有缺陷：百度搜索可能混杂了求职、消费等非投资动机，而早期的股吧数据因缺乏实名地理认证，常受“水军”干扰且样本有偏。事实上，投资者的关注行为具有多维特征：股吧互动反映了基于情绪共振的深度参与，而搜索引擎数据则体现了主动的信息搜寻意愿。IP属地实名制实施后，这两类数据在地理定位上具备了更高的可信度。基于有限关注理论，若本地偏好是投资者普遍采用的认知捷径，那么无论是通过被动的社区互动还是主动的搜索行为，本地投资者对本地上市公司的关注度均应显著高于非本地公司，且双因子指标能通过多源数据的交叉验证，平滑单一渠道的噪音，更稳健地刻画这一行为特征。据此，提出如下假设：

H1：中国个人投资者对本地上市公司表现出显著的关注聚集特征。

H2：相较于单一指标，整合股吧互动与百度搜索的双因子指标(LBI)能更有效度量本地偏好。

2.2. 本地偏好对股价同步性的影响机制

股价同步性反映了个股价格波动中被市场层面信息解释的程度。关于本地偏好如何影响股价同步性，理论界存在“信息效率”与“行为噪音”两种截然相反的解释路径。

第一种路径基于“信息优势假说”。该观点认为，地理邻近降低了信息搜寻成本，使本地投资者能够通过实地观察、社交网络等渠道获取公司相关的“软信息”[2]。在有限关注下，投资者聚焦本地股是一种理性适应，旨在利用比较优势挖掘公司特质信息。若此路径占主导，本地投资者的交易行为将加速特质信息融入股价，从而降低股价对市场整体波动的依赖，表现为股价同步性的下降。

第二种路径基于“行为噪音假说”。该观点认为，本地偏好更多源于投资者的熟悉性偏误或非理性情感[8]。在A股市场散户特征明显的背景下，有限关注可能导致投资者过度依赖本地消息面的“噪音”而非基本面“信号”，甚至因地域认同产生羊群行为。这种同质化的非理性交易会强化个股与区域或市场情绪的联动，削弱特质信息在定价中的权重，从而推高股价同步性。

考虑到中国股市尚未完全成熟，个人投资者往往缺乏独立甄别信息的能力，更容易受情绪驱动。因此，本文提出一对竞争性假设：

H3a (信息效率观)：投资者本地偏好有助于降低股价同步性。

H3b (行为噪音观)：投资者本地偏好会推高股价同步性。

2.3. 信息环境与市场结构的调节效应

本地偏好对股价同步性的影响并非同质，可能受到公司信息环境与市场结构的调节。

首先，分析师作为重要的信息中介，其覆盖广度直接影响公司的信息透明度。在分析师覆盖较少的公司中，公开信息供给不足，信息不对称程度较高。此时，若本地偏好由行为噪音主导，由于缺乏专业机构的纠偏力量，本地投资者的非理性情绪更容易主导定价，从而更显著地推高同步性；反之，若由信息优势主导，本地私人信息的边际价值在低透明度环境下应更高。

其次，公司规模是市场结构的重要代理变量。小市值公司通常机构持股比例低，个人投资者交易占比高，且信息披露规范性相对较弱。若本地偏好主要反映了散户的非理性行为，那么在“散户定价权”更大的小市值公司中，这种行为偏差对股价的扰动将更为剧烈，导致本地偏好与股价同步性的正相关关系更为显著。据此，提出假设：

H4：本地偏好对股价同步性的影响在信息环境较差(低分析师覆盖)和市场结构较脆弱(小市值)的公司中更为显著。

3. 研究设计

3.1. 样本选择与数据来源

本文以2024年1月1日至12月31日为考察期，选取沪深A股上市公司为初始样本。为确保本地偏好度量的准确性与研究的稳健性，按照以下步骤进行筛选与处理：(1) 剔除金融类、ST及*ST类公司；(2) 剔除上市不满一年或年内停牌超过8周的公司；(3) 重点筛选：要求样本公司在东方财富股吧拥有活跃讨论数据(年发帖量 > 500条)且被百度指数收录。最终获得274家上市公司构成的面板数据集。

数据来源与清洗是本文的重点：

股吧行为数据：利用Python爬虫获取东方财富股吧的发帖用户IP属地信息。为剔除噪音，本文执行了严格的清洗程序：剔除官方资讯贴、广告贴；对同一用户ID在同一交易日内的多次发帖进行去重处理，仅记为一次有效“关注”，以防范“水军”刷屏对指标的干扰。

百度搜索数据：来源于百度指数官网，分省提取PC端与移动端的搜索量。

财务交易数据：来源于Wind与CSMAR数据库。

所有连续变量均在1%和99%分位上进行了缩尾(Winsorize)处理。

3.2. 被解释变量：股价同步性(SYN)

借鉴Morck et al. (2000)及后续文献(如Pirinsky & Wang, 2006; Gul et al., 2009)的思路[9]-[11]，通过以下扩展的市场模型回归来计算：

$R_{i,d,t}=\alpha +{\beta }_{1}R{M}_{d,t}+{\beta }_{2}R{M}_{d-1,t}+{\beta }_{3}In{d}_{d,t}+{\beta }_{4}In{d}_{d-1,t}+{\beta }_{5}L{R}_{d,t}+{\beta }_{6}L{R}_{d-1,t}+{\epsilon }_{i,d,t}$ (1)

变量定义：

t：因本文采用的是2024年一年内的数据，故根据有效交易日243天，将样本分为10个时间段，每个时间段约24个有效交易日。R_i,d,t：公司i在第t时间段第d日考虑现金红利再投资的个股日收益率；RM_d,t：第t时间段第d日市场组合日收益率(流通市值加权综合市场回报率，分为上证、深证、创业、科创四个市场)；Ind_d,t：第t时间段第d日行业组合日收益率(剔除公司i，按流通市值加权，采用Wind数据库2024年行业分类标准，制造业细分至二级)；LR_d,t：第t时间段第d日省份区域组合日收益率(剔除公司i，按流通市值加权)；RM_d-1,t、Ind_d-1,t、LR_d-1,t：对应变量的滞后一阶项，控制历史交易惯性。

得到的R²经对数转换后得到SYN：

$SY{N}_{i,t}=\ln \left(\frac{A{R}^2}{1-A{R}^2}\right)$ (2)

SYN值越大，表明股价主要由市场共同信息驱动，特质信息含量越低。

3.3. 核心解释变量：投资者本地偏好指数(LBI)

首先，分别计算股吧本地关注指数(Guba index)和百度本地关注指数(Baidu index)。

$Inde{x}_{i,t}=\left(\frac{本地搜索{量}_{i,t}}{总搜索{量}_{i,t}}\right)-\left(\frac{该省全样本搜索{量}_t}{全样本搜索{量}_t}\right)$ (3)

前者为股票i在t期内本地投资者占比，后者为同一时期该省投资者在全市场所有股票中的占比，以此计算出超额本地关注。

最后，构建双因子合成指标LBI：

$LB{I}_{i,t}=0.5\times {\text{Gubaindex}}_{i,t}+0.5\times {\text{Baiduindex}}_{i,t}$ (4)

3.4. 控制变量

参考相关文献[11] [12]，控制了可能影响股价同步性的其他因素，具体定义见表1。

Table 1. Definition of variable names

表1. 变量名定义

变量名称	符号	定义与理论作用
股价同步性指标	SYN	个股随市场、行业和区域组合变动的同步程度
股吧指数	Guba index	以股吧发帖数据计算的本地偏好指数
百度指数	Baidu index	以百度指数计算的本地偏好指数
本地偏好指数	LBI	通过股吧指数和百度指数加权得到
换手率	TURN	流动性及信息分歧代理，控制交易行为差异
股吧发帖热度	FORUM	外部事件与噪声代理
股价波动率	VOLA	信息不确定性代理，控制风险波动混淆效应
累计收益率	CRET	独立行情代理，捕捉特质信息
机构持股比例	INST	信息效率代理，控制机构投资者作用[13]
十大股东持股比例	TOP10	股权集中度代理，控制大股东行为影响
分析师关注度	ANALYST	分析师对公司进行跟踪的人数加1的值并取对数[14]
公司规模	SIZE	衡量公司规模，取公司市值

3.5. 模型设定

为检验本地偏好对股价同步性的影响，构建如下双向固定效应模型：

$SY{N}_{i,t}=\alpha +{\beta }_1{X}_{i,t}+\gamma Contro{l}_{i,t}+{\mu }_i+{\lambda }_t+{\epsilon }_{i,t}$ (5)

μ_i为公司个体固定效应，控制不随时间变化的公司特质(如行业、注册地)；λ_t：时间固定效应，控制市场整体波动与政策冲击。其中，X_i,t为核心解释变量。在检验H2时，X_i,t分别取值为股吧单一指标、百度单一指标及双因子指标LBI。通过比较回归系数显著性与模型拟合优度，验证双因子指标的增量价值。在检验H3时，X_i,t取值为LBI，若β₁显著为负，支持“信息效率假说”；若β₁显著为正，则支持“行为噪音假说”。

4. 实证结果与分析

4.1. 描述性统计

表2报告了主要变量的描述性统计结果。股价同步性SYN的均值为0.560，标准差为1.003，反映出中国A股市场个股价格受共同因素影响程度存在显著差异。核心解释变量LBI均值为7.518，且Guba index与Baidu index均值的均值分别为4.441和9.991，且最小值均包含负值，表明超额关注存在地域间差异，但整体趋势为正。LBI的标准差高达6.743，表明不同公司受到的本地偏好强度异质性明显。

Table 2. Descriptive statistics

表2. 描述性统计

VARIABLES	N	mean	sd	min	max
LBI	2,735	7.518	6.743	−2.831	42.52
FORUM	2,735	53.91	106.6	0.417	2,322
VOLA	2,735	2.476	1.434	0.658	44.88
CRET	2,735	2.566	19.14	−46.99	439.2
Guba index	2,735	4.441	6.255	−4.970	65.14
SYN	2,735	0.560	1.003	−2.961	4.165
Baidu index	2,735	9.991	8.093	−4.361	55.05
TURN	2,735	1.627	2.203	0.0843	30.84
SIZE	2,735	978.1	1,979	12.03	21,358
ANALYST	2,735	4.066	1.565	0	7.391
INST	2,735	54.80	22.35	0	97.16
TOP10	2,735	57.51	18.22	5.424	96.50

4.2. 假设H1与H2检验：本地关注聚集性与双因子指标有效性

首先，相关性分析显示，股吧指数(Guba index)与百度搜索指数(Baidu index)的相关系数为0.4615。这一中等程度的相关性表明，两类指标虽然都指向本地关注，但分别涵盖了深度互动与主动搜寻的异质性信息，这为构建双因子指标提供了逻辑基础。Wilcoxon符号秩检验显示两个指标的中位数均显著大于0 (p < 0.01)，验证了假设H1，即中国投资者存在显著的本地关注聚集特征。具体数据如下表3：

Table 3. Characteristics of local attention clustering

表3. 本地关注聚集特征

指标	正样本数	负样本数	Z值	p值	经济学结论
Guba index	2389	346	41.847	0.000	股吧互动存在显著本地聚集
Baidu index	2655	80	45.020	0.000	百度搜索存在显著本地聚集

其次，为验证双因子模型(LBI)相较于单一关注度指标的增量解释力(假设H2)，本文构建双向固定效应模型进行对比回归，结果如表4所示。

Table 4. Comparative analysis of the two-factor model

表4. 双因子模型对比分析

模型	解释变量	系数	标准误	t值	p值	调整R^2
单一因子	Guba index	0.0151	0.0058	2.61	0.009	0.477
	Baidu index	0.0154	0.0061	2.52	0.012	0.477
双因子	LBI	0.0250	0.0075	3.35	0.001	0.478

如表4所示，在单因子模型中，Guba index和Baidu index对股价同步性(SYN)的回归系数分别为0.0151和0.0154，均在5%的水平上显著为正。这初步表明，无论是基于股吧互动还是百度搜索衡量的本地关注，都与股价同步性存在显著的正向关联。

在双因子模型中，将两者等权合成后，LBI对股价同步性的回归系数提升至0.0250，且在1%的水平上显著为正。比较而言，LBI系数的经济显著性(影响幅度)明显大于任一单一指标，且统计显著性更强(t值更高，p值更小)。尽管调整后R²仅从0.477微升至0.478，但核心变量系数的双重提升表明：通过整合两种不同来源的关注度数据，LBI能够更有效地平滑单一渠道的特有噪声(如搜索动机混杂或水军干扰)，从而更精准地捕捉对股价同步性产生实质影响的本地偏好共同驱动因素。上述结果有力支持了假设H2，即双因子LBI模型在度量本地偏好方面具有显著的协同优势。

4.3. 假设H3检验：本地偏好对股价同步性的影响

鉴于LBI指标的有效性，本文采用其作为核心解释变量，进一步检验本地偏好对股价同步性的主效应方向。表5报告了包含所有控制变量的详细回归结果。

Table 5. Main regression analysis

表5. 主回归分析

VARIABLES	(1) SYN	(2) SYN
TURN	−0.141***	−0.136***
	(−8.137)	(−7.80)
FORUM	−0.000	−0.000
	(−1.252)	(−1.24)
VOLA	0.082***	0.083***
	(4.987)	(5.07)
CRET	−0.003***	−0.003***
	(−3.043)	(−3.06)
INST	−0.003**	−0.004**
	(−2.206)	(−2.34)
TOP10	−0.007*	−0.007
	(−1.673)	(−1.61)
LBI		0.025***
		(3.35)
_cons	1.204***	1.006***
	(4.706)	(3.842)
时间效应	控制	控制
个股效应	控制	控制
Hausman	31.56***	94.20***
N	2735	2735
R2	0.4761	0.4783
F值	27.61***	25.37***

注：***、**和*分别代表1%、5%和10%的显著性水平，括号内为T值。

表4结果显示，在控制了相关变量及固定效应后，LBI的系数为0.025，且在1%水平上显著为正。这意味着，投资者本地偏好显著推高了股价同步性，支持了“行为噪音假说”(H3b)，拒绝了“信息效率假说”(H3a)。

经济学解释：该发现揭示了中国股市中本地偏好的非理性本质。在有限关注约束下，个人投资者对本地股票的超额关注并非源于对特质信息的有效挖掘，而是更多体现为一种“熟悉性偏误”和简化的决策启发式。本地投资者基于地缘情感和共同信息渠道(如本地新闻、社交圈)形成的同质化交易行为，引发了区域性的羊群效应，导致个股价格过度跟随市场或区域层面的共同噪音波动，从而削弱了定价效率，推高了同步性。

控制变量分析：换手率(TURN)、机构持股(INST)与累计收益率(CRET)均显著抑制了股价同步性，表明流动性改善、机构投资者参与及独立的市场行情有助于特质信息的融入；而股价波动率(VOLA)则显著推高了同步性。

4.4. 假设H4检验：异质性分析

为进一步明确本地偏好发挥“行为噪音”作用的边界条件，本文依据分析师覆盖度(ANALYST)和公司市值(SIZE)的中位数进行分组回归，结果如表6所示。

Table 6. Heterogeneity analysis

表6. 异质性分析

	高分析师覆盖组	低分析师覆盖组	高市值组	低市值组
	(1) SYN	(2) SYN	(1) SYN	(2) SYN
LBI	0.019	0.026***	0.019*	0.028***
	(1.500)	(2.822)	(1.914)	(2.623)
TURN	−0.116***	−0.138***	−0.178***	−0.117***
	(−4.519)	(−5.545)	(−4.555)	(−5.424)
FORUM	−0.001*	−0.000	−0.001**	−0.000
	(−1.814)	(−0.252)	(−2.163)	(−1.032)
VOLA	0.098***	0.033	0.226***	0.022
	(4.984)	(0.973)	(5.945)	(1.096)
CRET	−0.005***	−0.002*	−0.003*	−0.002
	(−2.636)	(−1.913)	(−1.653)	(−1.628)
INST	−0.005**	−0.002	0.001	−0.008***
	(−2.148)	(−1.104)	(0.369)	(−3.194)
TOP10	−0.006	−0.012	−0.014	−0.003
	(−1.200)	(−1.400)	(−1.423)	(−0.636)
_cons	1.061***	1.330**	0.966	1.147***
	(3.531)	(2.403)	(1.628)	(3.765)
时间效应	控制	控制	控制	控制
个股效应	控制	控制	控制	控制
N	1,355	1380	1,362	1,362
R2	0.4949	0.4736	0.5205	0.4838
F值	8.82***	16.35***	8.25***	16.39***

注：***、**和*分别代表1%、5%和10%的显著性水平，括号内为T值。

4.4.1. 信息环境的调节作用(H4a)

表6列(1)和(2)显示，在低分析师覆盖组中，LBI系数为0.026 (1%显著)；而在高覆盖组中，系数降至0.019且不显著。Chow检验显示组间差异显著。

这表明，在缺乏专业分析师指引的“信息真空”环境下，投资者更容易依赖本地渠道的非理性情绪进行决策，导致本地偏好的噪音效应被放大。相反，充分的专业覆盖能起到纠偏作用，抑制本地噪音对定价的干扰。

4.4.2. 市场结构的调节作用(H4b)

表6列(3)和(4)显示，在小市值组中，LBI系数为0.028 (1%显著)；在大市值组中，系数为0.019 (10%显著)。小市值组的系数幅度和显著性均优于大市值组。

小市值公司通常散户占比较高且信息不对称严重，是噪音交易的温床。实证结果证实，在散户定价权较大的市场结构中，本地偏好引发的羊群效应更容易主导定价过程，从而显著推高股价同步性。

4.5. 稳健性检验

为确保结论可靠，本文进行了如下检验：(1) 替换被解释变量，采用未取对数的R²；(2) 调整LBI权重(如因子分析法)；(3) 改变样本窗口。(4) 更换股价同步性统计口径。上述检验中LBI系数符号与显著性均未发生实质性改变，表明结论稳健。

5. 研究结论与展望

5.1. 研究结论

本文基于行为金融学的“有限关注”理论视角，利用2022年“IP属地实名制”政策实施后的数据契机，整合东方财富股吧用户互动数据与百度搜索指数，构建了双因子投资者本地偏好指数(LBI)。以2024年沪深A股上市公司为样本，实证检验了个人投资者本地偏好对股价同步性的影响及其作用机制。主要研究结论如下：

第一，中国个人投资者存在显著的本地关注聚集特征，且双因子度量更为有效。实证显示，投资者对本地上市公司的股吧互动与百度搜索热度均显著高于非本地公司。相较于单一维度的关注度指标，整合了“主动搜寻”与“深度互动”的双因子指标(LBI)在解释股价同步性时具有更强的统计显著性与经济解释力，证明了多源数据交叉验证在剔除噪音、捕捉真实行为特征方面的增量价值。

第二，本地偏好显著推高了股价同步性，支持“行为噪音假说”。研究发现，在控制其他因素后，本地偏好程度越高的公司，其股价同步性越高。这表明，在有限关注的认知约束下，中国散户的本地偏好并非基于信息优势的理性挖掘，而是更多体现为熟悉性偏误驱动的非理性关注。这种基于地缘情感的同质化交易行为强化了市场噪音，削弱了股价对公司特质信息的反映能力，从而加剧了“同涨同跌”现象。

第三，信息环境与市场结构构成了本地偏好作用的边界条件。异质性分析表明，本地偏好对股价同步性的推高作用在信息透明度较低(低分析师覆盖)和散户定价权较大(小市值)的公司中更为显著。这进一步佐证了核心机制：当缺乏专业分析师的纠偏或机构投资者的制衡时，本地投资者的非理性情绪更容易主导定价过程，导致噪音交易对市场效率的侵蚀更为严重。

5.2. 政策建议

基于上述结论，本文提出以下政策建议：

首先，监管部门应重视“有限关注”下的投资者行为引导。鉴于本地偏好更多体现为一种行为偏差，监管层在开展投资者教育时，应重点提示“熟悉度陷阱”和过度集中投资的风险，引导个人投资者克服地缘情结，树立多元化资产配置理念。

其次，优化中小市值公司的信息披露与传播机制。研究发现低分析师覆盖和小市值公司的定价效率最易受本地噪音干扰。因此，交易所应鼓励并规范中小市值公司的自愿性信息披露，同时通过政策引导卖方分析师扩充覆盖范围，打破“信息真空”，利用专业机构的信息生产能力对冲散户的非理性噪音。

最后，辩证看待网络平台在资本市场中的作用。“IP属地”公开虽然提升了信息的真实性，但也可能强化地域性的羊群效应。监管部门应加强对网络投资社区的舆情监测，特别是针对特定区域的异常情绪聚集进行及时预警，防止局部非理性情绪演变为系统性风险。

5.3. 研究不足与展望

受限于数据可得性与研究视角，本文尚存在以下不足，这也是未来研究可拓展的方向：

一是度量颗粒度有待细化。本文目前基于省级行政区划界定“本地”，未能深入到地级市甚至区县层面。未来若能获取更高精度的地理位置数据，将能更准确地捕捉“家乡偏好”的距离衰减效应。

二是作用机制的直接刻画。本文主要通过股价同步性的变化方向间接推断“行为噪音”机制。未来研究可结合自然语言处理(NLP)技术，对股吧帖子的文本情感与信息含量进行深度测度，从而更直接地剥离本地偏好中的情绪成分与信息成分。

三是时间维度的扩展。本文主要基于2024年的截面特征进行分析，未能涵盖完整的牛熊周期。未来可尝试构建长面板数据，考察在不同市场情绪周期下，本地偏好对定价效率影响的动态演变规律。