跳到正文
返回论文列表
econ.EM提交于 已译

外国信号去哪了?贡献者构成与社交媒体情绪可靠性

Where Has the Foreign Signal Gone? Contributor Composition and the Reliability of Social Media Sentiment

Piyush Akimitsu Ulrich Hounyo

中文摘要

社交媒体情绪越来越多用于预测股票收益,其可靠性取决于生成信息流的群体构成。对海外公司而言,最了解它们的本土市场投资者在英文 Twitter 上代表性不足,因此其信息流应携带更不精确的信号。对公司层面 Twitter 情绪进行简约式分析显示,情绪噪声对下一季度亏损的预测在外围股票上不如本土股票稳定。亏损对噪声的斜率在本土股票中有 78% 的季度为负,但在外围股票中仅 48% 的季度为负,且斜率均值差异显著。通过一个噪声理性预期模型解释该差异:信息流携带由三类贡献者产生的公共信号。专家反复发帖并包含公司信息,注意力驱动的贡献者只发一次帖且包含公司信息与短暂潮流,自动化账户反复发帖但不含公司信息。各贡献者类型的占比与潮流规模决定信号精度,进而决定信息流噪声有多少进入价格。该模型仅用供应商的聚合指标即可给出重复作者占比、潮流与精度,无需账户级数据,而此前工作从价格信息含量反推精度。结构估计显示,外围股票的信息流具有更高的重复作者占比、更大的潮流成分和更不精确的信号。因此,外国信号并未消失,而是被稀释了。

关键要点

  1. 01海外公司信息流中熟悉它们的本土投资者在英文 Twitter 上代表性不足,信号应更不精确。
  2. 02本土股票亏损对噪声斜率 78% 季度为负,外围股票仅 48%,均值差异显著。
  3. 03模型将贡献者分为专家、注意力驱动者和自动化账户三类,其占比与潮流决定信号精度。
  4. 04结构估计显示外围股票重复作者占比更高、潮流成分更大、信号更不精确。
  5. 05外国信号并未消失而是被稀释,模型仅用聚合指标即可估计精度。

解读

1. 问题与价值

论文研究一个很具体的问题:公司层面的 Twitter 情绪指标在预测股票收益时,对“在美国上市的外国公司”是否不如对“美国国内公司”可靠。答案不是“情绪没用”,而是“同一套情绪指标在不同股票上的信噪比不同”。

这个问题重要,是因为数据商卖出的情绪指数是一个聚合分数。它把很多条推文合成一个数字,但不告诉使用者:

  • 谁在发帖;
  • 发帖者里有多少是真正了解公司的长期关注者;
  • 有多少只是一次性跟风者;
  • 有多少是自动化内容;
  • 这些构成差异会不会让情绪分数对某些股票更不可靠。

论文的核心判断是:外国公司的英文 Twitter feed 更可能被“非本国市场的发帖者、跟风噪声和自动化内容”稀释。于是,情绪噪声与下季度损失之间的关系,在国内股票上更稳定,在外国股票上更不稳定。

受益者可以分三类看:

  1. 普通用户

如果普通用户看 Twitter 情绪来判断股票,论文给出的使用规则是:外国公司股票的 Twitter 情绪信号更不可靠。原文的降低式结果显示,情绪噪声与下季度损失的负斜率在国内股票上有 0.778 的季度比例出现,在外国股票上只有 0.481;两者相差 0.778 - 0.481 = 0.296,block bootstrap p 值为 0.016。普通用户至少可以把“外国公司股票的情绪信号”降权,而不是和国内股票一视同仁。

  1. 应用开发者

应用开发者如果构建股票情绪信号,不能只看情绪总分。论文提出一个可操作的信号质量指数:T_q / VAQSV^2,其中 T_q 是季度内有至少一条被评分推文的天数,VAQSV 是季度内每日每推文情绪得分的标准差。开发者可以用它把“情绪噪声大小”和“发帖天数”结合起来,对国内和外国股票分别校准。

  1. 研究团队

研究团队得到一套 closed-form moment conditions,可以用类似 GMM 的方式,从平台聚合指标中估计发帖者重复率、跟风噪声规模和信号精度。论文不需要账户级数据,也能把 feed 组成与价格可靠性连起来。

2. 已有工作的不足

在它之前,最接近的做法主要有三类。

第一类是文本情绪预测收益的文献,例如 Antweiler and Frank (2004)、Tetlock (2007)、Chen et al. (2014)、Bartov et al. (2018)。它们已经证明:网络论坛、报纸专栏、Seeking Alpha、Twitter 情绪可以预测收益或盈利意外。

不足在哪里?这些研究通常把情绪当成一个公司层面的外生信号,但没有追问这个信号是由谁生产的。它们能回答“情绪有没有信息”,但没有回答“对哪些股票情绪更可靠”。

第二类是 home bias 与信息地理文献,例如 French and Poterba (1991)、Kang and Stulz (1997)、Coval and Moskowitz (1999, 2001)、Van Nieuwerburgh and Veldkamp (2009)、Mondria and Wu (2010)。这些工作已经说明:地理邻近给投资者真实信息优势,本国市场投资者更了解本国公司。

不足在哪里?它们研究的是持仓、交易、收益和分析师预测,不是社交媒体 feed 的生产者组成。它们知道“谁更懂公司”,但没有把这种知识差异落到“谁在英文 Twitter 上发帖”这一层。

第三类是价格信息含量与 noisy rational expectations 文献,例如 Hellwig (1980)、Admati (1985)、Farboodi et al. (2022)、Bai et al. (2016)。这些模型能描述公开信号、私人信号和价格如何聚合信息。

不足在哪里?Farboodi et al. (2022) 一类工作常把信号精度从价格信息含量中反推出来,但它是一个残差,难以追溯到具体来源。论文要解决的是:能不能直接从 feed 的聚合指标里估计信号精度,而不把精度藏在价格信息含量残差里。

还有更近的社交媒体贡献者文献,例如 Cookson et al. (2024) 比较不同平台用户组成,Huang et al. (2024) 发现中国论坛本地发帖者更有信息优势。不足在于:它们没有在同一平台内,把贡献者组成、公司地理和情绪可靠性连起来估计。

3. 重建作者的思考路径

从旧方法出发,先假设研究者手里只有两样东西:

  • 公司层面的 Twitter 情绪分数;
  • 股票收益、损失、流动性和基本面数据。

旧方法会说:情绪分数能预测收益,所以它是信号。但如果进一步问“这个信号对每只股票都同样可靠吗”,就会撞上第一个矛盾:情绪指数是聚合值,不显示贡献者组成。

如果研究者想直接解决贡献者组成问题,第一反应可能是拿账户级数据:看谁发帖、发帖多少次、是否自动化、是否本地用户。但现实数据通常只有聚合指标:每日情绪总分、推文数、独立账户数。于是路径被迫改变:不能直接数账户,只能从聚合指标反推。

接下来会想到 dispersion 指标,也就是“独立账户数 / 推文数”。如果很多账户重复发帖,推文数会比独立账户数大,dispersion 就低。于是会出现一个可测对象:重复发帖者份额。但这里又撞上第二个矛盾:dispersion 同时取决于重复发帖者份额和每个重复账户发帖强度。低 dispersion 可能是很多专家反复发帖,也可能是很多 bot 反复发帖,单靠 dispersion 分不开。

这时需要外生变异。home bias 文献给了一个方向:外国公司的本国知情投资者在英文 Twitter 上代表性不足。于是可以比较国内股票和外国股票的 feed。但第三个矛盾马上出现:外国股票和国内股票本来就可能在知情交易强度上不同。如果价格对 feed 的响应不同,可能只是知情交易不同,而不是 feed 质量不同。

因此研究者必须把知情交易强度控制住。一个可行办法是用流动性排序:bid-ask spread、Amihud ratio、turnover、high-low spread 都能反映信息交易成本。于是形成“地理 × 知情交易强度 tercile”的比较框架。

第四个矛盾是:即使知道外国 feed 更差,也要解释它为什么差。直接看情绪分数不行,因为情绪分数里既有公司信息,也有跟风噪声和 bot 内容。于是需要把每日每推文情绪波动拆开:一部分是抽样噪声,会随推文数增加而下降;另一部分是跟风噪声和 bot 噪声,不随推文数下降。这样就能用回归把“非基本面方差”和“抽样噪声系数”分开。

第五个矛盾是:信号精度需要一个单位转换常数。原始情绪分数不是公司现金流创新,每日读数也有序列相关,bot 内容还会稀释公司信息。于是引入一个共同转换常数 κ。但这样精度水平本身不可直接解释,只能比较不同股票之间的相对精度。

第六个矛盾是:如果噪声进入价格,为什么它特别与“下季度损失”有关?自然想到 Miller (1977) 的 short-sale constraint:乐观错误导致高估,悲观错误可以被买入纠正,但乐观错误需要卖空才能纠正。如果部分卖空受限,高估会活到下一季度,并在财报披露后变成损失。于是模型预测损失-收益不对称。

但试错在这里出现关键反转:如果估计 short-sale friction,结果显示它落在零下界,数值为 0.0003728。这意味着 fitted model 里几乎没有高估活到下一季度。于是模型不能把损失-收益不对称归因于 overpricing correction channel。论文只能把它报告为 reduced-form pattern,而不是结构机制。

与论文实际路径的差异:上面是“从数据限制一步步逼出结构模型”的推演;论文实际路径更直接地先建立 noisy rational expectations 模型,把三类贡献者、dispersion、fad、precision、价格、流动性和 gains/losses 一起纳入 91 个 moments,再用 GMM 联合估计。

4. 核心 intuition

可以把外国公司的英文 Twitter feed 想成一场英语派对上的公司八卦。

如果派对讨论的是美国本土公司,派对上可能有很多本地人:他们熟悉监管环境、管理层、产品市场,甚至长期关注这家公司。他们反复发帖,类似“专家”。这时派对里的平均噪音虽然大,但其中确实混着不少真实信息。

如果派对讨论的是一家总部在外国、但在美国上市的公司,派对上真正最懂这家公司的人往往不在场,因为他们可能用本国语言、本国媒体、本国交易场所。留在英文派对上的,更多是听新闻来凑热闹的人,以及批量转发内容的自动化账号。

这个类比对应论文机制:

  • 专家反复发帖,对应 specialists,他们贡献公司信息;
  • 凑热闹的人只发一次,对应 attention-driven contributors,他们把公司信息和当天 fad 一起带进来;
  • 自动化账号反复发,对应 bots,他们贡献发帖量但不贡献公司信息;
  • 派对上“独立说话人数 / 总发言数”很低,说明少数人反复说,对应 dispersion 低;
  • 平均八卦越像当天流行情绪,越不像公司真实价值,对应 nonfundamental variance 高;
  • 信号精度低,价格吸收更多噪声,情绪分数对下季度损失的预测更不稳定。

5. 方法 pipeline 举例

下面用一家“总部在外国但在美国上市”的公司股票-季度作例子,不绑定具体公司。

输入

原始数据包括:

  • 每日情绪总分 S_t;
  • 每日推文数 N_t;
  • 每日独立发帖账户数 A_t;
  • 每日 dispersion D_t = A_t / N_t;
  • 季度内有至少一条被评分推文的天数 T_q;
  • 下季度每日超额收益,用来构造 Gain 和 Loss。

第一步:构造每日每推文情绪

对每一天计算:

s_bar_t = S_t / N_t

如果某天推文很多,但情绪总分也按比例增加,s_bar_t 可以减弱纯推文数量带来的影响。

第二步:构造季度情绪噪声

计算季度内 s_bar_t 的标准差:

VAQSV = SD_t(S_t / N_t)

VAQSV 越大,说明每日每推文情绪波动越大。原文把它解释为公开信号噪声的测量对象。

第三步:构造可观察信号质量指数

计算:

Index = T_q / VAQSV^2

这个指数越高,说明在更多天有 feed 读数,同时每日每推文情绪波动更低,因此信号更精确。

原文 Table XXI 给出外国股票与国内股票在 top tercile 的中位指数:国内为 130836,外国为 122056。两者相差:

(130836 - 122056) / 130836 = 0.067

即外国 top tercile 的中位信号质量指数比国内低约 7%。

第四步:把指数转换成模型精度

模型精度为:

τ_s = Index / κ

原文估计 κ = 394.2,standard error 为 34。若代入外国 top tercile 中位指数,得到:

122056 / 394.2

这只是一个量级转换。论文的重点不是精度绝对水平,而是国内与外国之间的相对精度。

第五步:从 dispersion 反推重复发帖者份额

设重复发帖者份额为 π,重复发帖强度固定为 λ_I = 1.5。Proposition 1 给出:

π = (1 - D) / (D * (λ_I - 1))

如果某外国股票组的 dispersion 更低,反推出的 π 就更高。原文 Table I 在 top tercile 给出:外国 π = 0.1698,国内 π = 0.1447。

第六步:估计 fad 规模

用回归:

VAQSV^2 = Φ + c_w σ_e^2 * (1/N_t)_bar

截距 Φ 是非基本面方差。原文把 bot-content variance 设为零,因此 Φ 主要解释为 fad。

原文估计 fad scale:外国 0.0293,国内 0.0273。方差差异为:

(0.0293 * 0.0293 - 0.0273 * 0.0273) / (0.0273 * 0.0273) = 0.1519

即外国 fad variance 约高 15%。

第七步:降低式检验可靠性

对每个季度,分别在国内和外国股票中回归:

Loss_next = β * Noise + controls + quarter fixed effects

如果 β 为负,说明当期情绪噪声越大,下季度损失越大。

原文结果:国内股票负斜率季度比例为 0.778,外国股票为 0.481,差值为 0.296,p=0.016。

同时,国内与外国的平均季度斜率差为 -1.40,Newey-West t=-2.99。用原文的噪声标准差 0.0099 换算,平均斜率差对应损失变化:

1.40 * 0.0099 = 0.01386

原文将其表述为约 1.39 percentage points。

第八步:机制检验

模型预测 overpricing correction channel 会让损失超过收益。但原文估计 short-sale friction δ = 0.0003728,落在零下界;并且乐观季度后的更强损失响应没有出现,interaction t=0.21。因此该机制没有被结构模型支持,只能作为 reduced-form pattern。

6. 核心数学推导

6.1 从 dispersion 到重复发帖者份额

先解释符号:

  • A_t:第 t 天发帖账户数;
  • N_t:第 t 天推文数;
  • D:dispersion,定义为 A_t / N_t;
  • π:重复发帖账户份额;
  • λ_I:重复发帖账户每天发帖强度,必须大于 1;
  • 1 - π:只发一次的账户份额。

如果 A_t 个账户中,π A_t 个账户每人发 λ_I 条,(1 - π) A_t 个账户每人发 1 条,则总推文数为:

N_t = A_t * [π * λ_I + (1 - π)]

整理:

N_t = A_t * [1 + π * (λ_I - 1)]

因此 dispersion 为:

D = A_t / N_t = 1 / [1 + π * (λ_I - 1)]

解出 π:

π = (1 - D) / [D * (λ_I - 1)]

这个公式在算什么:它把“独立账户数与推文数之比”转换成“有多少账户会重复发帖”。dispersion 越低,重复发帖者份额越高。

6.2 从三类贡献者到每日情绪

三类贡献者:

  • specialists:重复发帖,且帖子包含公司信息;
  • attention-driven contributors:一天只发一次,帖子包含公司信息和当天 fad;
  • bots:重复发帖,但不包含公司信息。

设:

  • ε_f1:公司下一季度现金流中的公司特定创新,也就是投资者真正不确定、也最难观察的信息;
  • b_t:第 t 天的 fad,均值为 0,方差为 σ_b^2;
  • β_t:第 t 天 bot content,均值为 0,方差为 σ_β^2;
  • e:单条推文噪声,方差为 σ_e^2;
  • ω_S、ω_A、ω_B:三类贡献者在推文中的份额。

每日每推文情绪平均可以写成:

s_bar_t = (1 - ω_B) * ε_f1 + ω_A * b_t + ω_B * β_t + u_bar_t

其中 u_bar_t 是抽样噪声,来自对 N_t 条推文求平均。

为什么 specialists 和 attention-driven contributors 的帖子包含 ε_f1,而 bots 不包含?因为论文假设只有前两类发帖者带有公司特定信息,bot content 是非基本面内容。

6.3 从每日情绪到季度情绪方差

条件方差为:

Var(s_bar_t ∣ ε_f1) = ω_A^2 * σ_b^2 + ω_B^2 * σ_β^2 + σ_e^2 / N_t

定义非基本面方差:

Φ = ω_A^2 * σ_b^2 + ω_B^2 * σ_β^2

于是:

Var(s_bar_t ∣ ε_f1) = Φ + σ_e^2 / N_t

如果 vendor 的情绪总分 S_t 是时间加权求和,而不是简单平均,抽样噪声会多一个权重因子。原文把该因子写成 c_w,因此:

Var(s_bar_t ∣ ε_f1) = Φ + c_w * σ_e^2 / N_t

季度层面,测量对象是 VAQSV^2。原文 Proposition 2 给出:

E[VAQSV^2 ∣ ε_f1, {N_t}] = Φ + c_w * σ_e^2 * (1/N_t)_bar

这个公式在算什么:它把季度情绪波动拆成两部分。

  • Φ:不随推文数下降的非基本面噪声,主要来自 fad 和 bot content;
  • c_w * σ_e^2 * (1/N_t)_bar:抽样噪声,推文越多越小。

因此,用 VAQSV^2 对 (1/N_t)_bar 做回归,截距就是 Φ,斜率就是 c_w * σ_e^2。

6.4 从情绪方差到信号精度

公开信号定义为:

s_f1 = ε_f1 + u_f1

其中 u_f1 是公开噪声,precision 为 τ_s。precision 是 noise variance 的倒数。

论文把可观察信号质量指数写成:

Index = T_q / VAQSV^2

再引入转换常数 κ:

τ_s = T_q / (κ * VAQSV^2)

κ 吸收三件事:

  1. 每日情绪读数的序列相关;
  2. bot 内容对公司信息的稀释;
  3. vendor 情绪分数单位与公司现金流创新单位之间的尺度差异。

原文主文公式提取处有排版断裂,但式 (5) 的核心关系可辨认。这个公式在算什么:它把“季度内有多少天有情绪读数”和“每日每推文情绪有多波动”合成一个公开信号精度。

6.5 价格如何吸收信号噪声

均衡价格形式为:

r * P = A + B * ε + G * u + C * x_tilde

符号:

  • P:价格;
  • r:gross riskless rate;
  • ε:公司特定创新;
  • u:公开信号噪声;
  • x_tilde:随机供给冲击;
  • G:价格对公开信号噪声的响应系数。

原文式 (7) 中 C_j 的提取处排版断裂;按 C.4 证明可辨认的表达式为:

C_j = -ρbar * γ_j^2 * Σ_j * (τ_p + K_j) / K_j

其中:

  • ρbar:风险厌恶系数;
  • γ_j:现值乘数;
  • Σ_j:后验方差;
  • τ_p:价格信号精度;
  • K_j:私人信息聚合精度,也就是知情交易强度。

关键项是:

G_j = γ_j * Σ_j * τ_s

它表示价格对 feed 噪声的响应强度。feed 越精确,价格越会给它更大权重;但 feed 越精确,噪声本身越小。这个 trade-off 是后面 overpricing 峰值的来源。

6.6 收益方差与波动通道

季度超额收益为:

R = V - r * P

原文式 (9) 给出:

Var[R] = γ^2 * Σ^2 * [τ_d + τ_s + (τ_p + K)^2 / τ_p]

符号:

  • τ_d:先验精度;
  • τ_s:公开信号精度;
  • τ_p:价格信号精度;
  • K:私人信息聚合精度;
  • Σ:后验方差。

这个公式在算什么:它说明公开信号越精确,价格越接近公司真实价值,收益波动越低。反过来,feed 噪声越大,价格越不稳定,收益波动越高。

6.7 为什么波动通道不能单独解释损失超过收益

假设每日超额收益均值为 μ_d,标准差为 σ_d。原文给出:

E[Gain] = T_days * [μ_d * Φ(μ_d / σ_d) + σ_d * φ(μ_d / σ_d)]

E[Loss_abs] = T_days * [-μ_d * Φ(-μ_d / σ_d) + σ_d * φ(μ_d / σ_d)]

其中 Φ 是标准正态分布函数,φ 是标准正态密度。两式相减:

E[Gain] - E[Loss_abs] = T_days * μ_d

这个推导说明:

  • σ_d 同时抬高收益和损失,在差值中抵消;
  • 只有均值项 μ_d 才能造成损失超过收益。

因此,如果情绪噪声只通过波动通道影响价格,它会让 gains 和 losses 一起变大,但不会单独造成 loss-gain asymmetry。

6.8 overpricing correction channel 与精度峰值

如果公开信号噪声是乐观的,价格高于真实价值。悲观错误可以通过买入纠正;乐观错误需要卖空纠正。若部分投资者不能卖空,一部分高估会活到下一季度。

原文式 (11) 的提取处根号与分式排版断裂;按正文 6.3 和证明逻辑可辨认的核心形式为:

OP = δ * γ / sqrt(2 * pi) * sqrt(τ_s) / (τ_d + τ_p + K + τ_s)

其中:

  • OP:期望高估;
  • δ:乐观错误存活比例;
  • τ_s:公开信号精度;
  • τ_d + τ_p + K:除公开信号外的其他信息精度,记为 τ_0。

因此:

OP ∝ sqrt(τ_s) / (τ_0 + τ_s)

当 τ_s 很小时,市场几乎不理会 feed,所以噪声进不了价格。 当 τ_s 很大时,feed 权重高,但噪声很小。 中间某一点,权重与噪声的乘积最大。

对 τ_s 求导可得峰值在:

τ_s = τ_0

也就是公开信号精度等于其他所有信息精度之和。此时 feed 提供总精度的一半。

在测量噪声单位 w = VAQSV 下,由于:

τ_s = T_q / (κ * w^2)

峰值对应:

w_star = sqrt(T_q) / (κ * τ_0)

这个公式在算什么:它说明情绪噪声对损失-收益不对称的影响不是单调的,而是在“feed 足够被市场相信,但仍携带可观噪声”的中间精度处最大。

7. 实验设计

数据

论文使用三类数据:

  1. Compustat 季度基本面;
  2. CRSP 每日市场数据,聚合到季度;
  3. Context Analytics 公司层面 Twitter 情绪数据。

总面板为 471,880 stock-quarters,覆盖 2010 到 2024。主估计样本从 2018Q1 开始,因为 vendor 在 2017 年改变采样方法,之前与之后不可比。

主结构样本有 98,308 firm-quarters。组分配覆盖 96,229 个,其中 96,228 个进入估计,覆盖 5,583 家公司和 28 个季度。可靠性季度回归使用 27 个可用季度,因为第一个季度没有前一季度作为 regressor 来源。

外国股票按 Compustat 总部国家分类。ADR 占外国观测的 36.5%,直接上市股份占 63.5%。

基线与比较对象

论文不是典型机器学习论文,没有把多个模型放在一起比 accuracy。它的“基线”是比较对象:

  • 国内股票 vs 外国股票;
  • 每个 geography 内按知情交易强度分成 tercile;
  • 在相同 intensity tercile 内比较国内和外国;
  • 用 ADR 与直接上市外国股份进一步拆分;
  • 用 English-speaking 与 non-English-speaking 总部国家拆分;
  • 用 Canada 与其他外国拆分。

指标

主要指标包括:

  1. 情绪噪声

VAQSV,即季度内每日每推文情绪得分的标准差。

  1. 下季度损失

季度内负每日超额收益之和。

  1. 下季度收益

季度内正每日超额收益之和。

  1. 损失-收益差

Loss_abs - Gain,其中 Loss_abs 是损失绝对值。

  1. dispersion

独立账户数 / 推文数。

  1. repeat-author share

由 dispersion 和 posting intensity 反推。

  1. fad scale

非基本面方差的平方根。

  1. signal-quality index

T_q / VAQSV^2。

  1. liquidity measures

quoted spread、high-low spread、Amihud ratio、turnover。

  1. price informativeness

价格与未来收益的协方差,除以价格标准差。

消融与稳健性

论文的稳健性比较密集:

  • posting intensity 从 1.2 到 1.85 重复估计;
  • 排除 liquidity block;
  • 允许 spread scale 跨组不同;
  • 排除 informativeness block;
  • 使用 Ledoit-Wolf-shrunk full-matrix weighting;
  • 按 size tercile 检查 dispersion 和 nonfundamental variance;
  • leave-one-year-out;
  • leave-one-country-out;
  • 用 high-low spread 或 capped quoted spread 重新分 tercile;
  • 用 residual-based gains and losses;
  • 用 announcement alignment 与 calendar alignment;
  • 控制 raw sentiment volatility 与 volume-adjusted sentiment volatility;
  • 控制 realized return volatility;
  • 控制 lagged quoted spread、Amihud ratio、turnover。

实验能否支撑结论

能支撑的部分:

  • 国内与外国股票在“情绪噪声预测下季度损失”的稳定性上存在差异;
  • 外国 feed 的 dispersion 更低、nonfundamental variance 更高;
  • 外国 feed 的 repeat-author share 和 fad scale 估计值更高;
  • 这些差异在 posting intensity 合理范围内保持符号;
  • 这些差异在排除流动性 block 或放松 spread scale 后仍保持符号。

不能充分支撑的部分:

  • 不能直接证明外国 feed 中 specialists 更少、bots 更多;
  • 不能把 repeat-author share 分成 specialists 和 bots;
  • 不能把 overpricing correction channel 当成已验证机制;
  • 不能把 precision 绝对水平当成可解释对象,因为 κ 吸收多个不可分因素;
  • GMM overidentification test 拒绝模型全部限制,说明模型存在 misspecification。

8. take-aways

  1. 外国股票的 Twitter 情绪信号更不稳定。

情绪噪声与下季度损失的负斜率在国内股票中出现在 0.778 的季度,在外国股票中出现在 0.481 的季度;差值为 0.778 - 0.481 = 0.296,block bootstrap p=0.016。

  1. 平均斜率差异有经济含义。

国内与外国平均季度斜率差为 -1.40,Newey-West t=-2.99。用原文噪声标准差 0.0099 换算,对应损失变化 1.40 * 0.0099 = 0.01386,原文表述为约 1.39 percentage points。

  1. 外国 feed 的结构性组成更差。

top tercile 中,外国 repeat-author share 为 0.1698,国内为 0.1447;外国 fad scale 为 0.0293,国内为 0.0273。joint Wald test 在 double clustered standard errors 下 p=1.9×10−5。

  1. 精度差距不是只由知情交易强度造成。

在三个 informed-trading-intensity tercile 中,外国 signal-quality index 中位数都低于国内,分别低 17%、16%、7%。例如 top tercile:国内 130836,外国 122056,差值比例 (130836 - 122056) / 130836 = 0.067。

  1. overpricing correction channel 没有被结构模型支持。

short-sale friction 估计值 δ = 0.0003728 落在零下界;乐观季度后的损失响应 interaction t=0.21。因此损失超过收益的 reduced-form pattern 不能直接解释为 short-sale constraint 导致的高估纠正。

9. 最脆弱的假设

最脆弱的假设是:非基本面方差主要来自 fad,并且转换常数 κ 可以跨国内和外国股票共同处理。

论文把 bot-content variance σ_β^2 设为零,于是 Φ 被解释为 fad 方差。原文 A.1 写有:“This attribution of the nonfundamental variance to the fad is an assumption.” 这不是小瑕疵,而是机制解释的关键。

如果这个假设倒下,会发生什么?

  • 如果外国 feed 的 bot content variance 更高,而不是 fad 更高,那么“外国 feed 更差”仍然可能成立,但原因变成自动化内容,而不是本国知情投资者不足;
  • 如果外国 feed 的 bot share 与国内不同,κ 就不能完全共同,precision 比较会被污染;
  • 如果 dispersion 低主要来自 bots 反复发帖,而不是 specialists 反复发帖,那么 repeat-author share 的解释会从“专家浓度”变成“自动化浓度”。

论文有没有给出证据?

有,但不完全:

  1. posting intensity 从 1.2 到 1.85 重复估计,外国 repeat-author share 和 fad scale 仍更高;
  2. 排除 liquidity block 后,repeat-author share 和 fad scale 的国内-外国对比几乎不变;
  3. 用 size tercile 控制后,外国 dispersion 仍更低,nonfundamental variance 仍更高;
  4. 用 dispersion 与 squared measured noise 回归,没有发现更窄贡献者池必然带来更高噪声的证据,dispersion coefficient t=0.12。

但这些证据不能直接识别账户类型。原文也说明,账户是否为 bot 的分类准确率最多约 77%,因此账户级标签会误标约四分之一。论文自己不能把 repeat-author share 分成 specialists 和 bots。

另一个脆弱点是 specialists 反复发帖的动机。论文说 specialist 反复发帖由学习成本和交易获利动机驱动,但也明确说:“They are not evidence, and the data doesn’t show how often any account or contributor type posts.” 因此,把重复发帖者解释为知情专家,是模型假设,不是数据直接证明。

10. 一周最小复现

如果只有一张 24GB 消费级显卡和一周,完整复现论文不现实。原因不是算力,而是数据:原文使用 Context Analytics 授权情绪数据、CRSP 和 Compustat。普通复现者通常拿不到同样数据。

可以复现的是核心 reduced-form 结论:国内股票与外国股票的情绪噪声-下季度损失关系稳定性不同。

目标

复现以下结论:

  • 国内股票的 loss-on-noise slope 更常为负;
  • 外国股票的 loss-on-noise slope 更不稳定;
  • 外国股票的 signal-quality index 更低;
  • 外国股票的 nonfundamental variance 更高。

原文基准:国内负斜率季度比例 0.778,外国 0.481,差值 0.296。

数据替代

用公开股票收益和公开社交文本替代:

  • 美国上市国内股票;
  • 美国上市外国公司;
  • 每日公司级情绪分数;
  • 每日帖子数;
  • 每日独立发帖账户数或近似去重发帖者数;
  • 季度收益、损失、流动性和市值。

如果没有账户级去重数据,可以用“发帖者 ID 去重”或“文本近重复率”近似 dispersion。

样本规模

不要追求原文 96,228 firm-quarters。一周内建议:

  • 覆盖原文主样本长度概念:28 个季度;
  • 每个 geography-quarter cell 至少 15 stocks;
  • 每个 firm-quarter 至少 20 sentiment days;
  • 每个 firm-quarter 至少 20 trading days。

这些 screen 来自原文数据构建规则。

步骤

  1. 第 1 天:下载股票列表和收益数据,构造下季度 Gain、Loss_abs、quarterly excess return、realized volatility。
  1. 第 2 天:下载或构造每日情绪分数 S_t、帖子数 N_t、独立发帖者数 A_t。
  1. 第 3 天:计算:

s_bar_t = S_t / N_t

VAQSV = SD_t(s_bar_t)

Index = T_q / VAQSV^2

D = A_t / N_t

  1. 第 4 天:做季度 cross-sectional regression:

Loss_next = β * VAQSV + controls + quarter fixed effects

controls 至少包括 log market cap、FF3 betas、tweet volume 或 buzz。

  1. 第 5 天:按国内和外国分别估计 27 个季度斜率,计算负斜率比例。目标不是复制原文数值,而是检查国内负斜率比例是否高于外国。
  1. 第 6 天:做 measurement regression:

VAQSV^2 = Φ + slope * (1/N_t)_bar

检查外国截距 Φ 是否更高。

  1. 第 7 天:做 block bootstrap over quarters,估计国内-外国负斜率比例差是否显著。

预期指标

如果公开数据质量足够接近原文,应该看到:

  • 国内负斜率比例高于外国;
  • 国内-外国差值为正;
  • 外国 Φ 更高;
  • 外国 Index 更低;
  • 加入 realized return volatility 后,noise coefficient 向零移动,说明原文认为波动通道重要。

如果这些方向不成立,可能原因包括:公开社交文本与 Twitter 情绪不同、外国公司样本太薄、发帖者去重不可靠、情绪词典与原文 vendor 不同。

11. 反例设计

要推翻本文核心主张,需要设计一个能直接检验“外国 feed 更差是因为贡献者组成与知识不匹配”的实验。

实验

收集同一平台、同一时间段的账户级数据,对每条推文标注:

  • 发帖者是否位于公司总部所在国;
  • 发帖者是否长期关注该公司;
  • 发帖者是否为自动化账号;
  • 发帖者发帖次数;
  • 发帖者是否属于机构、投资者关系、新闻聚合或散户;
  • 发帖内容是否包含公司基本面信息。

样本选择:

  • 美国上市国内股票;
  • 美国上市外国股票;
  • 匹配行业、市值、流动性、知情交易强度 tercile;
  • 每个 geography-tercile cell 有足够股票和季度。

关键比较

构造三个对象:

  1. home-market specialist share

来自公司总部市场且长期发帖的账户份额。

  1. bot share

自动化账户份额。

  1. fad share

一次性发帖且包含当天非基本面情绪的份额。

然后检验:

  • 外国股票的 home-market specialist share 是否更低;
  • 外国股票的 bot share 或 fad share 是否更高;
  • 外国股票的 signal-quality index 是否更低;
  • 在控制 home-market specialist share、bot share、fad share 后,国内-外国可靠性差是否消失。

判据

如果出现以下任一结果,就能严重削弱本文核心主张:

  1. 外国股票的 home-market specialist share 并不低于国内股票。

这直接反驳 producer-knowledge mismatch。

  1. 在控制 bot share 和 fad share 后,外国股票的 signal-quality index 不再低于国内股票。

这说明精度差来自可观察自动化或跟风组成,而不是本国知情投资者不足。

  1. 在匹配知情交易强度 tercile 后,国内-外国负斜率季度比例差不再为正。

原文基准差值为 0.296。如果新样本中差值小于或等于 0,且 bootstrap p 值大于 0.05,则核心可靠性差被推翻。

  1. 用账户级 repeat-author share 重新估计后,外国股票的 repeat-author share 低于国内股票。

原文估计外国 repeat-author share 更高;如果账户级数据给出相反符号,则结构解释被推翻。

  1. 加入账户级组成变量后,geography dummy 对 loss-on-noise slope 的预测力消失。

这说明地理差异只是贡献者组成的代理,而不是独立机制;但如果组成变量本身也无效,则本文机制更弱。

12. 落地判断

普通用户

普通用户现在不能直接用上论文里的结构估计,因为核心数据是授权数据,且论文没有提供公开可下载的模型参数或信号质量 API。

但普通用户可以拿走一个使用规则:

  • 对国内股票,Twitter 情绪与下季度损失的关系更稳定;
  • 对外国股票,Twitter 情绪信号更可能被稀释;
  • 对外国股票,尤其是 ADR,不能把情绪分数当成同等可靠信号。

原文给出 ADR 与直接上市外国股份的差异:ADR 负斜率季度比例为 0.296,直接上市外国股份为 0.593,差值为 0.296 - 0.593 = -0.296,p=0.022。普通用户可以把 ADR 视为情绪信号更不可靠的一类。

距离可用还差:

  • 公开可得的公司级 Twitter 情绪数据;
  • 每日独立发帖者数;
  • 国内/外国分类;
  • 季度情绪波动计算;
  • 对情绪信号可靠性的校准。

最大坑是:普通用户看到的情绪分数可能已经被 vendor 的聚合方法污染,无法知道是专家发帖、跟风发帖还是 bot 发帖。

应用开发者

应用开发者可以做三类产品化尝试:

  1. 给每只股票计算 signal-quality index

用 T_q / VAQSV^2 作为情绪信号质量代理。

  1. 对国内和外国股票分别校准

不要用同一套情绪权重预测所有股票。外国股票应降低情绪信号权重,或者单独估计噪声系数。

  1. 加入 dispersion 监控

如果某只股票的独立发帖者数 / 推文数突然下降,可能意味着少数账户反复发帖。论文显示 dispersion 与 repeat-author share 有关,但无法区分 specialists 和 bots。

距离可用还差:

  • 稳定获取每日 A_t、N_t、S_t;
  • 处理平台 API 变化;
  • 处理 vendor 方法变化;
  • 验证 signal-quality index 是否真的预测收益;
  • 避免把 ADR、直接上市外国股份、英语国家和非英语国家混为一类。

成本量级主要在数据获取和清洗,不在模型训练。原文面板为 471,880 stock-quarters,主估计样本为 96,228 firm-quarters,说明大规模公司-季度情绪数据是核心门槛。

最大坑是:开发者可能把“低 dispersion”误读成“高质量专家集中”。论文自己不能把 repeat-author share 分成 specialists 和 bots。如果低 dispersion 来自 bot 农场,信号质量可能更差,而不是更好。

研究团队

研究团队可以拿走两个东西:

  1. closed-form moment conditions

可用于其他平台估计 contributor composition、fad scale、signal precision。

  1. 地理与知情交易强度分层设计

比较国内和外国股票时,必须控制知情交易强度。论文用 liquidity-based terciles 做这件事。

距离可用还差:

  • 账户级 ground truth;
  • 跨平台验证;
  • 本地语言平台验证;
  • 对 specialists、bots、attention-driven contributors 的可识别分类;
  • 对 overpricing correction channel 的独立验证。

原文结论提出未来研究问题:在外国公司本国市场的本地语言平台上,机制可能反过来。也就是说,本地语言平台上,本国公司股票的 feed 可能更可靠,而美国公司股票可能更不可靠。

最大坑是:论文的结构模型虽然给出很多可检验对象,但 overidentification test 拒绝全部限制,且 liquidity block 占目标函数 84.8%。研究团队如果直接套用模型,必须小心流动性 moments 的 misfit 可能污染参数水平,尽管论文显示它不改变主要国内-外国对比符号。

内容由 AI 生成,仅供参考。如发现错误,欢迎反馈。

原始英文摘要

arXiv:2610.28175v2 Announce Type: replace-cross Abstract: Social media sentiment is increasingly used to predict stock returns. Its reliability depends on the composition of the crowd generating the feed. For foreign firms, the home-market investors who know them best are underrepresented on English-language Twitter. Hence, their feed should carry a less precise signal. Reduced-form analysis of firm-level Twitter sentiment shows that sentiment noise predicts next-quarter losses less consistently for foreign stocks than for domestic stocks. The loss-on-noise slope is negative in 78 percent of quarters for domestic stocks but in only 48 percent for foreign stocks, with a significant mean difference in slopes. We interpret this difference through a noisy rational expectations model in which the feed carries a public signal produced by three types of contributors. Specialists post repeatedly with information about the firm, attention-driven contributors post once with information about the firm and a transient fad, and automated accounts post repeatedly with no information about the firm. The share of each contributor type and the size of the fad determine the precision of the signal, which, in turn, determines how much of the feed's noise reaches prices. The model gives repeat-author share, fad and precision from the vendor's aggregate metrics, without account-level data, whereas prior work backs out precision from price informativeness. The structural estimates show that feeds for foreign stocks have a higher share of repeat authors, a larger fad component and a less precise signal. Thus, the foreign signal did not disappear but got diluted.

同方向论文 · econ.EM

查看全部 →