【華安證券·金融工程】專題報告：另類情緒指標與股票市場收益之間的關係

　　炒股就看金麒麟分析師研報，權威，專業，及時，全面，助您挖掘潛力主題機會！

本篇是「學海拾珠」系列第一百九十八篇，文章使用 Spotify 全球用戶數據，研究了另類情緒指標-音樂藴含的情感與股票市場回報和波

動性的關係。

另類情緒指標-音樂藴含的情感與股票市場回報的關係

本文通過一系列穩健性測試驗證音樂所藴含的情感對股票市場回報的影響。研究表明，情感值增加一個標準差，周迴報增加 8.1 個基點（年化 4.3%）。這一效應在下一周反轉，情感值增加一個標準差，下一周收益減少 7.1 個基點（年化-3.7%）。這一現象可以通過情感引發的臨時錯誤定價來解釋，價格隨后會進行修正。

套利限制下情感指標對交易行為的影響

文章研究了不同國家在 COVID-19 大流行期間實施賣空等交易限制對音樂情感與股票市場回報關係的影響。結果顯示，在實施交易限制的國家，音樂情感對市場回報的影響更強。在賣空限制期間，情感值增加一個標準差在限制周比非限制周的當期回報增加 33.6 個基點，未來回報減少 89.2 個基點。這表明套利限制增加了情感對市場回報的影響。 

情感指標對市場波動、股票和基金的資金流動的影響

研究顯示，情感值對小盤股的影響大於大盤股，且與股票市場波動率的增加相關。情感指標還顯著預測了淨股票基金流入的增加和政府債券回報的下降，這與「避險」理論一致。

文獻結論基於歷史數據與海外文獻進行總結；不構成任何投資建

議。

1

引言

行為金融學文獻表明，投資者情緒顯著影響股票收益，這與有效市場假説相矛盾。這些文獻提出了一系列情緒測量方法，這些方法有一個共同的主題——它們指出了對一個國家情緒的外生衝擊，如國際體育賽事結果、航空災難或天氣，並假設其影響邊際投資者的情緒。

本文采用不同的方法。我們不研究情緒的衝擊，而是尋求一個國家實際情緒的代理變量。實際情緒可能由多種因素驅動，因此無需預先指定一個特定驅動因素。此外，實際情緒旨在捕捉事件對投資者情緒的影響程度。一個國家可能輸了足球比賽，但由於輸球是可預見的或者足球在該國不受歡迎，情緒的影響可能很小。因此，我們不是使用假設影響國家情緒的外生衝擊，而是尋找一個反映實際情緒的內生衡量標準。我們希望這個衡量標準具有高頻率、國家級別而非城市級別，並且在全球範圍內具有可比性。最后一點要求我們尋找一個不依賴語言的代理變量，這樣就不需要情緒詞典，其準確性可能因語言而異。

雖然情感是不可觀察的，但它們會在可觀察的行為中表現出來。然而，大多數反映人們情緒的行為數據集（如攻擊性行為或語言）是不存在的。因此，我們研究一個國家公民聽的歌曲情感。這一想法基於心理學文獻的研究，個體在其音樂選擇中反映他們的情緒。許多研究記錄了「情感一致性」，即音樂被用來驗證情感。例如，North 和 Hargreaves (1996) 發現參與者對音樂的偏好與其當前的情緒狀態一致。Saarikallio 和 Erkkilä (2007) 記錄了不開心的受試者聽悲傷音樂來表達情緒或尋求安慰，Hunter 等 (2011) 發現誘導悲傷情緒后，典型的對歡快音樂的偏好消失了。先前的研究還表明，音樂情感與可能驅動行為的經濟行為或信念相關。例如，Zullow (1991) 顯示，美國流行歌曲的樂觀情緒預測國民生產總值增長，Sabouni (2018) 發現流媒體音樂的正面情緒預測密歇根消費者情緒指數。

Spotify 是全球領先的在線音樂平臺，可提供大規模的聽歌數據。到 2020 年 6 月，該平臺擁有3.65億月活躍用户，確保了平臺上的音樂反映了相當一部分國家人口的情緒。根據 2017 年第四季度的美國數據，74%的 Spotify 用户年齡在 24 歲以上，30%以上的用户年齡在 45 歲以上。因此，金融市場參與者很可能包含在 Spotify 用户樣本中。Spotify 提供了特定國家每日播放次數最多的前 200 首歌曲的統計數據。它還有一個算法，根據音樂專家對歌曲正面情緒的評分對歌曲的情感進行分類。我們使用 Spotify 在 40 個國家播放的每日前 200 首歌曲的情感作為其公民情緒的衡量標準。 

使用內生情感衡量標準也可能有潛在缺點。主要擔憂是人們可能聽歌曲是爲了緩解而非反映其情緒——例如，通過播放歡快的歌曲來對抗負面情緒。這種擔憂與上述情感一致性的研究不一致；例如，葬禮播放悲傷的歌曲以反映情緒，而不是播放快樂的歌曲以影響情緒。為直接應對此問題，我們提供了使用已建立的情緒代理的驗證測試。首先，我們基於先前文獻，確定可能影響個體情緒的季節性因素（如 Thaler 1987，Kamstra 等 2017，Birru 2018，Hirshleifer 等 2020）。我們發現情緒下降的時期（如北半球的 9 月至 10 月）與我們的基於音樂的情感衡量標準顯著下降有關。其次，先前文獻記錄了雲層覆蓋會抑制投資者情緒的證據（如 Hirshleifer 和 Shumway 2003，Goetzmann 等 2015）；我們發現它與音樂情感也有類似關聯。第三，政府為應對COVID-19而實施的嚴格限制措施負面影響了公民情緒（如Terry 等 2020，Bueno-Notivol 等 2021）。我們顯示這些措施的嚴格性增加與音樂情感的下降相關。 

我們的主要分析研究了音樂情感與股票市場收益之間的關係。我們發現，音樂情感與當期收益之間存在顯著的正相關關係，控制了過去的收益、全球市場回報、季節性、天氣狀況和宏觀經濟變量。音樂情感增加一個標準差與每周收益增加 8.1 個基點（年化 4.3%）有關。這一效應在下一周反轉，音樂情感增加一個標準差預測下一周收益減少 7.1 個基點（年化-3.7%）。這兩個結果都與情緒引發的臨時錯誤定價，以及先前理論和實證發現，即負面投資者情緒導致價格暫時下跌但隨后糾正一致（如 De Long 等 1990，Baker 和 Wurgler 2006，2007，Edmans 等 2007，Ben-Rephael 等 2012）。 

我們在日分析中也獲得了類似的結果——音樂情感與顯著更高的當期股票收益相關，隨后反轉。我們的結果對美元和本地貨幣收益均適用，在排除每個國家一次時依然成立，以確保結果不是由特定國家驅動的，並在排除每個國家最多播放的 50 首歌曲時也成立，以應對 Spotify 向用户推薦歌曲的擔憂。

爲了進一步測試情緒是否驅動了我們的結果，我們進行了系列附加分析。首先，當套利限制更高時，情緒的影響應更強（如 Baker 和 Wurgler 2006，2007）。在我們的樣本期內，一些國家在 COVID-19 大流行初期實施了交易限制，如禁止賣空，限制了套利機會。我們圍繞這些可能的外生衝擊進行差異中差異分析，發現情緒對當前和未來收益的影響增強。 

其次，先前的理論和實證文獻表明，投資者情緒及其導致的噪音交易可以影響資產價格的波動率和水平（如 Black 1986，De Long 等 1990，Da 等 2015）。我們確實發現，絕對音樂情感與股票市場波動率之間存在顯著的同時相關性。 

第三，作為樣本外測試，我們從研究股票指數轉向股票共同基金和政府債券指數。先前的文獻表明，投資者情緒影響共同基金的資金流動（如 Ben-Rephael 等 2011，2012）。我們確實發現音樂情感與淨股票基金流量顯著正相關。相反，它與政府債券指數回報顯著負相關，這與「安全避風港」一致（見 Baker 和 Wurgler 2012，Laborda 和 Olmo 2014，Da 等 2015）。 

我們的研究為投資者情緒對股票市場的影響文獻做出了貢獻。先前的研究提出了一系列情緒衡量方法，每種方法都有其獨特的優點，但也有一些限制。一些研究使用罕見事件來捕捉投資者情緒的突然變化，如國際體育賽事結果（如 Edmans 等 2007）、航空災難（如 Kaplanski 和 Levy 2010）、恐怖襲擊（如 Chen 等 2020）和時鍾變化（如 Kamstra 等 2000）。雖然在可用時這些情緒衡量方法非常有效，但它們在一年中的大部分時間都不存在。此外，由於它們是離散的，它們顯示情緒的衝擊影響資產價格，但對更温和的變化沒有影響。天氣變量如雲層覆蓋（如 Hirshleifer 和 Shumway 2003，Goetzmann 等 2015）或日照時間（如 Kamstra 等 2003）也代表對情緒的外生衝擊。這些衡量方法既是連續的，也是高頻的，但不能捕捉其對投資者情緒的影響強度；此外，國家股票交易所所在地的天氣可能與該國其他地區不一致。 

其他論文如我們的研究使用情緒的內生衡量標準。Baker 和 Wurgler（2006）開發了一個情緒指數，包括交易量、封閉式基金折扣、首次公開募股首日收益和交易量、期權隱含波動率和共同基金流量等市場基礎衡量指標。然而，這些因素可能反映經濟基本面而非情緒；例如，隱含波動率可能因不確定性而高，而非非理性。Brown 和 Cliff（2005）以及 Lemmon 和 Portniaguina（2006）使用消費者情緒調查，但這些調查頻率較低，詢問行為而非直接捕捉行為，且可能未能如實或認真填寫。

Da 等（2015）使用互聯網搜索的文本分析來開發負面情緒的衡量指標，發現其與美國市場回報、波動率和基金流量相關。Gao等（2020）擴展了這一指數，包含非金融術語，捕捉正面和負面情緒，並將其與 38 個國家的國家級回報聯繫起來。像我們一樣，Gao等（2020）研究了全球可用的投資者情緒的內生高頻衡量標準。然而，文本分析需要預先指定一組關鍵詞為正面或負面。該集合的準確性可能因語言而異，降低了全球可比性。Loughran和 McDonald（2016）回顧了文本分析的其他挑戰，如句子消歧，這些挑戰可能也因語言而異。

我們的基於音樂的情緒衡量標準也涉及主觀性，因為情感算法最初是基於專家的意見進行訓練的。然而，這種情緒衡量方法適用於全球各地的歌曲，從而增加了可比性。儘管不同語言中的等效詞具有不同的含義，音樂卻不那麼模稜兩可：正如經常強調的那樣，「音樂是世界通用語言。」Mehr 等（2019）研究了 315 種文化，發現它們在相似的情境中使用相似類型的音樂，表明音樂具有普遍的屬性，可能反映了全世界人類認知的共性。因此，歌曲情感的衡量標準很可能具有全球適用性。此外，音樂捕捉了詞語情緒衡量無法捕捉的難以形容的情感。 

另一個區別在於，搜索行為可能是出於信息獲取而非反映情緒。有人搜索「失業」可能不是因為擔心自己的工作，而是爲了瞭解經濟狀況。相反，聽音樂主要是一種消費決定。我們的方法因此從消費決定中推斷個體情緒。對於大多數商品，國家消費數據在高頻率下不可用，並且難以將其購買歸因於正面或負面情緒。相反，音樂消費每日可用，我們可以評估每首歌的情感。 

本文還與使用非文本來源的高頻情緒代理的研究相關。Obaid 和 Pukthuanthong（2021）通過美國的新聞照片樣本估計情緒。像他們一樣，我們研究一種可能比語言更有效傳達情緒的衡量標準，但我們採用的是音頻而非視覺。我們的分析也不同，因為我們考慮了情緒的內生衡量標準，研究了 40 個國家，並分析了股票基金流量和政府債券回報。

最后，我們的研究是使用大數據金融學的新文獻的一部分。音樂情感滿足 Goldstein 等（2021）提出的大數據的三個特徵。它的量很大，聚合了一個國家所有 Spotify 聽眾的每日聽歌行為；它是高維的，因為一首歌有多個特徵，這些特徵構成了其情感衡量標準；它也是非結構化的，需要算法來評估其正面性。所有這三個特徵意味着，音樂流媒體是一種高頻率的消費總量衡量標準，其正面性可以被評估以形成國家情緒的代理。

本文大大擴展和更新了Fernandez-Perez等（2020）的初步論文，該論文將每周音樂情感與美國的股票回報相關聯。由於音樂情感衡量標準僅在短時間序列中可用，我們的 40 個國家的橫截面對於驗證其與股票回報的相關性以及提供「樣本外」測試以應對虛假相關性和數據挖掘的擔憂尤為重要。因為音樂情感是語言中立的，基於音樂的普遍特徵，非常適合進行全球分析。我們研究了情緒對波動性、共同基金流量和政府債券指數的影響，也有助於確保樣本外的有效性和更大的普遍性。

本文其余部分的組織如下。第一部分討論並驗證音樂情感衡量標準。第二部分報告我們的主要結果，第三部分進行附加分析，第四部分得出結論。 

2

數據和變量測量

2.1 音樂情感

爲了衡量音樂情感，我們從 Spotify 收集數據。自 2017 年 1 月 1 日起，Spotify 每天發佈每個國家流媒體播放量排名前 200 的歌曲統計數據。在 Spotify 中，一首歌曲播放至少 30 秒后纔會被計入流媒體播放量。因此，如果用户「被動」聽了一首歌曲（因為它是 Spotify 推薦的或是播放列表的一部分），但立即跳過，這樣的播放不會計入我們的數據。截至 2020 年 12 月，Spotify 提供 70 個國家的數據。我們僅選擇自 2017 年 1 月 1 日起就有 Spotify 數據且 Refinitiv（前身為湯森路透）有 MSCI 股票市場指數數據的國家，共包含從 2017 年 1 月 1 日至 2020 年 12 月 31 日期間的40個國家。我們共識別了超過58,000首獨特的歌曲，總播放量超過5000億次。平均而言，每個國家每天有 860 萬次播放，每首歌約有 43,000 次播放。 

除了前 200 首歌曲，Spotify 還提供一種稱為 valence（情感值）的歌曲正面情感指標。該指標由 Spotify 的音樂智能部門 The Echo Nest 測量，The Echo Nest 最初是麻省理工學院媒體實驗室的一個研究分支，於 2014 年被 Spotify 收購。The Echo Nest 對 5,000 首歌曲進行了正面情感評分，然后使用機器學習創建一個算法，應用於世界上其他音樂。情感值衡量的是音樂的正面情感，而非歌詞，從而避免了前述的文本分析問題。情感值範圍從 0 到 1；高情感值的歌曲聽起來更積極（例如，快樂、愉快、欣喜），而低情感值的歌曲聽起來更消極（例如，悲傷、沮喪、憤怒）。圖表 2 列出了我們樣本期內各國家情感值最高和最低的歌曲，圖表 3 列出了 2010 年代 Billboard 前 100 名歌曲的情感值。

我們構建了每日、每個國家的前 200 首歌曲的流媒體加權平均情感值（以下簡稱 SWAV），其計算方法如下：

其中，Streamsj,i,d 是第 i 國在第 d 天播放的第 j 首歌曲的總播放量，Valencej,i,d是第 i 國在第 d 天第 j 首歌曲的情感值。圖表 4 顯示了跨國家樣本平均 SWAV 的圖表。我們觀察到南美國家的平均 SWAV 較高，而亞洲國家的平均 SWAV 較低。圖表 5 繪製了三個國家（美國、巴西和臺灣）的日 SWAV 隨時間的變化情況。巴西的平均 SWAV 較高，而臺灣的平均SWAV 較低。雖然 SWAV 具有持續性，但它也隨時間表現出變化，我們可以利用這些變化來構建基於音樂的情感衡量標準。分別計算每個國家的日 SWAV，然后取平均值，其變異係數（標準差除以平均值）為 5.5%。SWAV 的持續性意味着我們的基於音樂的情感衡量標準基於 SWAV 的變化。 

爲了將我們的音樂情感衡量標準與股票市場和宏觀經濟數據匹配，我們將其聚合為每周數據，以避免股票市場開盤和收盤時間與 Spotify 報告其每日統計數據的時間不同步。這樣的不同步會導致 SWAV 的每日衡量標準在某些指數中部分領先每日股票回報，在其他指數中滯后。我們定義情感衡量標準為每周情感變化，以控制圖表 4 所示的國家層面情感平均水平差異，同時我們也預期情感變化會引起股票價格變化。因此，我們的基於音樂的情緒代理，即音樂情感，定義如下：

其中，SWAVi,t是第 t 周的流媒體加權平均情感值（每周五計算）。因此，音樂情感（Music Sentiment）是第 i 國公民在第 t 周收聽的前 200 首歌曲的流媒體加權平均情感值的總變化。 

2.2 抽樣和匯總統計

我們從 Refinitiv 獲取國家級 MSCI 總回報指數。我們使用美元回報，這與國際資產定價文獻一致（如 Griffin 2002；Fama 和 French 2017）。每個國家使用的指數列表見圖表 6。圖表 7 提供了各國基於音樂的情感衡量標準、市場指數回報和波動率的匯總統計。我們對研究中的所有連續變量在 2.5%和 97.5%水平進行温和處理，類似於 Da 等（2015）。音樂情感範圍從-0.024%（土耳其）到 0.109%（拉脱維亞）。每周平均股票市場回報範圍從-0.009%（土耳其）到 0.449%（臺灣），每周平均股票市場波動率範圍從 0.648%（馬來西亞）到 2.060%（阿根廷）。音樂情感的平均自相關性為-0.19。 

2.3 我們基於音樂的情感衡量標準的驗證

我們通過使用先前研究表明會影響情緒並且在我們的樣本國家中也可用的變量，開始實證分析以驗證我們基於音樂的情感衡量標準。我們首先參考先前文獻，確定可能影響個體情緒的季節性因素（如Thaler 1987；Kamstra等2017；Birru 2018；Hirshleifer 等 2020）。1 月與新年期間情緒改善相關。對於北半球國家，3 月與季節性情感障礙（SAD）恢復的最高點相關。相反，9 月和 10 月與 SAD 效應的最高發病率相關。Kamstra等（2003）顯示，SAD效應在南半球也有觀察到，但相位差六個月。 

另一類文獻將情緒與天氣條件聯繫起來。先前文獻發現，雲層覆蓋影響情緒（如 Hirshleifer 和 Shumway 2003；Goetzmann 等 2015）。我們測試我們的音樂情感是否與天氣條件相關。我們從國家海洋和大氣管理局網站收集本地氣象數據，該網站包含來自全球超過 20,000 個氣象站的每小時天氣觀測數據。對於每個氣象站，我們可以觀察到雲層覆蓋的程度，取值為從 0（晴空）到 8（陰天）的整數值。按照 Goetzmann 等（2015），每日平均雲層覆蓋是使用該國各個氣象站從早上 6 點到中午 12 點的每小時數據計算得出的。由於每日雲層覆蓋具有高度的季節性，我們通過從時間序列平均值中減去每周的平均雲量來消除季節性，類似於 Hirshleifer 和 Shumway（2003）。我們將此指標稱為去季節性雲層覆蓋（DCC）。由於我們的情感衡量標準捕捉的是情感變化，我們在驗證測試中使用每周內去季節性雲層覆蓋的每日平均變化 。我們使用天氣引起的和日曆相關的情緒波動，而不是國際體育賽事結果或航空災難等事件，因為在我們的樣本期內此類事件很少。

最后，當政府因應對 COVID-19 而實施更嚴格的限制措施時，我們預期基於音樂的情感會較低。最近的研究表明，這些限制措施對公民情緒產生了負面影響（如 Terry 等 2020；Bueno-Notivol 等 2021）。我們編制了一個基於牛津大學 COVID-19 政府應對追蹤器編制的封鎖限制指數。這些措施包括學校關閉、工作場所關閉、公共活動取消、聚會規模限制、公共交通關閉、居家要求、內部流動限制和國際旅行限制（我們不包括追蹤器中不導致關閉或遏制的其他政府應對措施，如疫苗要求和檢測政策）。我們的指數從 2020 年 1 月 1 日開始。 

爲了驗證我們的音樂構建作為情緒代理的合理性，我們測試了它與上述季節性情緒模式、天氣條件和 COVID-19 限制之間的關係。更具體地説，我們估計了以下面板迴歸：

其中，正面月份（Positive Months）是一個指示變量，對於北半球國家，1 月和 3 月該變量等於 1（對於南半球國家，1 月和 9 月該變量等於 1——我們不移動 1月，因為它在南半球仍然是新年），否則等於 0；負面月份（Negative Months）是一個指示變量，對於北半球國家，9 月和 10 月等於 1（對於南半球國家，3 月和 4月等於 1），否則等於 0； 是第t周去季節性雲層覆蓋的每日平均變化；∆COVIDi,t 是政府應對 COVID-19 嚴格程度的每周變化。我們使用普通最小二乘法（OLS）估計方程(2)，並報告經過 White 校正的 t 統計量，這些統計量對異方差性具有魯棒性。圖表 8 列出了變量定義和來源。 

圖表 9 報告了迴歸估計結果。列(1)包括月份虛擬變量以及國家和年份固定效應。結果顯示，情緒下降期（負面月份）與基於音樂的情感顯著負相關，t 統計量超過 9；我們在情緒上升期（正面月份）沒有發現顯著影響。列(2)包括雲層變化以及國家和月份固定效應，顯示雲層增加與音樂情感顯著下降相關（在 1%水平）。列(3)顯示更嚴格的封鎖限制與音樂情感在 5%水平顯著下降相關。列(4)包括了上述所有解釋變量，結果顯示上述關聯仍然成立。這些結果表明，我們基於音樂的情感衡量標準捕捉了由已知情緒影響因素引起的國家個體的情緒波動。情緒下降期的較強結果與先前研究一致，即負面情緒比正面情緒有更大影響（例如，Edmans 等 2007）。

3

研究結論

3.1 音樂情感與股票市場收益

在我們的主要分析中，我們研究了音樂情感與股票市場收益之間的關係。我們估計了以下基準面板迴歸：

其中，𝐑𝐄𝐓𝐢,𝐭是某國股票市場指數的每周回報，𝐂𝐨𝐧𝐭𝐫𝐨𝐥𝐬𝐢,𝐭是控制變量向量。我們控制了一周滯后的市場回報以解決自相關性，並控制了雲層覆蓋變化 ，因為它與音樂情感（如圖表9所示）和股票回報（Hirshleifer和Shumway，2003）都相關。如果情感影響國內股票回報，它應超出全球事件的影響。因此，我們包括當期每周的全球回報（World RET）和三個宏觀經濟變量。由於非美國國家的宏觀經濟變量無法以高頻率獲得，我們採用美國變量，如 Gao 等（2020）；相關研究 Brusa 等（2020）表明，美國宏觀經濟政策對外國股票市場的影響大於當地宏觀經濟政策。 

具體來説，我們控制與經濟政策相關的不確定性變化，使用 Baker 等（2016）開發的基於新聞的美國經濟政策不確定性每周指標（ΔEPU），數據來自 Scott Baker 的網站。我們還控制美國宏觀經濟活動的每周變化，使用 Aruoba 等（2009）指數（ΔADS），數據來自美聯儲網站。最后，我們控制了芝加哥期權交易所網站上的 S&P 500 隱含波動率（VIX）（如 Baker 和 Wurgler 2007；Da 等 2015），它捕捉了投資者對未來 30 天美國股票市場波動的預期。對於所有迴歸，我們使用國家固定效應來控制可能驅動股票回報的其他橫截面差異，並使用月份固定效應來控制我們基於音樂的情感衡量標準未捕捉的季節性情緒波動。

圖表 10 的 A 部分報告了方程(3)的估計結果。我們發現音樂情感與當期市場回報之間存在正相關關係。音樂情感增加一個標準差與每周回報增加 8.1 個基點（年化 4.3%）相關，顯著性在 1%水平。B 部分報告了方程(3)的估計結果，使用一周滯后的音樂情感作為主要自變量，發現了逆轉的證據。音樂情感增加一個標準差與下一周回報減少 7.1 個基點（年化-3.7%）相關，顯著性在 1%水平。總之，音樂情感與同期回報正相關，與下一周回報負相關，這種價格反轉模式與情感引發的臨時錯誤定價一致。 

轉向控制變量，我們觀察到全球和國內市場回報之間存在正相關關係，顯著性在 1%水平，這一發現表明國內股票市場高度整合。結果還顯示國內市場回報存在序列相關性，與 VIX 增加正相關，與經濟政策不確定性增加負相關。

圖表 11 報告了穩健性測試的結果。A 部分顯示圖表 10 的結果在同時包括當期和一周滯后音樂情感的迴歸中依然穩健。兩個係數的符號均符合預期，且具有統計顯著性。B 部分證明，結果在使用本地貨幣回報估計方程(3)時依然穩健，以應對情感影響匯率的擔憂。

儘管Spotify主要根據用户的聽歌活動和偏好推薦音樂，但它也有一個名為「Hot Hits」的板塊，包含每日前 50 首最受歡迎的歌曲，無論用户的聽歌偏好如何。用户可能會傾向於聽這些歌曲。然而，由於用户不會被強制遵循這些推薦，且除非一首歌至少播放 30 秒纔會進入我們的數據，被動聽「Hot Hits」不太可能影響我們的衡量標準。儘管如此，我們還是檢驗了排除推薦歌曲的結果是否穩健。由於 Spotify 不提供「Hot Hits」的歷史數據，我們假設它們是我們前 200 首歌曲中播放量最多的 50 首。如果我們從 SWAV 計算中排除這些歌曲，並計算此新衡量標準與基於所有 200 首歌曲的衡量標準之間的相關性，我們發現各國的平均相關性為 0.6。基於此新 SWAV，我們重構了我們的音樂情感並重新估計方程(3)。C 部分報告了結果。在所有規格中，結果在 1%水平上保持顯著。點估計略小，因為我們移除了即使未被推薦也可能被選擇的熱門歌曲。 

在我們的主要規格中，我們包括了年內月份固定效應以控制季節性情緒波動。我們沒有控制年月固定效應，因為音樂情感在不同年月間變化；這樣做會限制我們的識別僅比較某個月內的每周股票回報。因此，我們通過控制全球回報、ΔEPU、ΔADS 和 VIX 來捕捉股票市場回報的時間變動全球驅動因素。由於這些變量可能不能完全反映回報的時間變動驅動因素，D 部分測試了包括年月固定效應的穩健性，並顯示推論不變。

E 部分報告了當我們每次從樣本中排除一個國家時的圖表 10結果。結果顯示，我們的主要結果不是由某個特定國家驅動的。在未報告的結果中，我們還發現結果對從控制變量中排除全球回報是穩健的，減輕了某些國家指數代表全球指數顯著部分的擔憂。 

我們的主要分析集中在同期每周回報，因為 Spotify 流媒體歌曲的情感值與股票市場回報之間存在不同步。然而，對同期分析的一個潛在擔憂是反向因果關係。例如，負面股票回報可能導致低情緒，並使人們聽負面歌曲。因此，音樂情感與每周頻率股票市場回報之間的關聯可能源於周初正（負）市場回報導致周后期的正（負）情緒。 

因此，圖表 12 研究了每日音樂情感與每日股票回報之間的聯繫。我們預期音樂情感與股票市場回報之間存在正相關關係，並在接下來的幾天中出現逆轉。由於 Spotify 的天數基於 UTC 時區，而一些市場可能有更早或更晚的時區，我們將當期音樂情感測量為當前天和前一天的平均情感。作為控制變量，我們包括音樂情感的四個額外滯后（從第 d-2 天到第 d-5 天）、雲層覆蓋變化和國內市場回報。我們包括當期、次日和前一天的全球市場回報，如 Edmans 等（2007），因為一些市場可能滯后而其他市場可能領先全球指數。出於類似原因，我們包括美國宏觀經濟變量的每日領先和滯后。除了國家和月份固定效應，我們還包括星期幾固定效應，因為圖表 13 顯示它們與音樂情感顯著相關。

我們發現每日指數回報與當期音樂情感正相關，與五天前的情感負相關，暗示了反轉。兩個係數分別在 5%和 1%水平上顯著。從經濟角度看，根據列(6)，當期音樂情感增加一個標準差與回報增加 1.2 個基點（年化 3.0%）相關；五天前音樂情感增加一個標準差與回報減少 1.0 個基點（年化-2.4%）相關。這個結果與我們在每周頻率觀察到的模式一致，表明情緒波動反映在音樂情感中，導致股票價格變化。逆轉需要幾天才能顯現，這與先前研究情緒對股票市場影響的結果一致。例如，Tetlock（2007）、Kaplanski 和 Levy（2010）以及 Obaid 和 Pukthuanthong（2021）發現，逆轉在第三天才出現。這些論文研究的是交易摩擦較少的美國市場；因此，錯誤定價可能更快糾正。在未報告的分析中，我們發現，在我們的設置中，逆轉也在美國的第三天出現。

4

附加分析

4.1 套利限制

4.1.1交易限制

多種因素可能加劇投資者情緒對資產價格的影響。其中最顯著的因素之一是套利限制（Pontiff, 1996；Shleifer和Vishny, 1997；Baker和Wurgler, 2006）。因此，我們圍繞對套利限制的可能外生衝擊進行差異中差異分析。具體而言，我們利用 COVID-19 大流行期間在我們樣本中的一些國家引入的交易限制，作為增加套利限制的衝擊。先前研究中研究的主要交易限制是賣空禁令。例如，Ofek 等（2004）發現，賣空限制導致期權市場中看跌期權與看漲期權平價偏離更大。Bris 等（2007）記錄了在允許和實踐賣空的國家，價格更快地反映負面信息。Gao 等（2020）顯示，情緒的影響在全球金融危機期間實施賣空禁令的國家更強。

圖表 14 列出了在 COVID-19 大流行期間引入賣空禁令的國家，以及耶魯金融穩定項目中記錄的賣空禁令的開始和結束日期。例如，在法國，金融市場管理局在 2020 年 3 月 17 日至 2020 年 5 月 18 日期間宣佈了賣空禁令，「鑑於新冠病毒爆發及其對經濟和金融市場的影響。」這些禁令是意外且特定於某個國家的；許多暴露於 COVID-19 的國家並沒有引入這些禁令。除了賣空禁令，另一種交易限制是交易量限制。在大流行期間，澳大利亞限制了每日可以執行的交易數量，迫使高交易量投資者減少交易量，從而降低了他們糾正錯誤定價的能力。 

我們估計以下雙重差分迴歸：

其中，如果某國 i 的股票市場在整周 t 受到交易限制，BAN 等於 1，否則等於 0。我們預期當套利限制更大時，股票價格對音樂情感變化的反應更強，即當前（滯后）音樂情感的β2 為正（負）。

圖表 15 的 A 和 B 部分分別報告了方程(4)中當前和一周滯后音樂情感的估計結果。我們發現交互項係數在當前回報中顯著為正，在未來回報中顯著為負。在交易限制下，音樂情感與更高的當期股票回報和隨后的逆轉相關。具體而言，音樂情感增加一個標準差在禁令周比非禁令周的當期回報增加 33.6 個基點，未來回報減少 89.2 個基點。總之，當某國股票市場受到套利限制時，音樂情感對市場回報的影響顯著增強。 

4.1.2小盤股與大盤股

雖然我們的第一個套利限制測試依賴於投資者賣空能力的時間變化，但現在我們研究投資者在不同股票間進行套利能力的橫截面差異。小盤股特別具有風險且套利成本高；確實，先前的文獻顯示，情感與股票市場回報之間的關聯在小盤股中更強（例如，Baker 和 Wurgler 2006，Edmans 等 2007）。因此，我們預期情感對小盤股的影響比對大盤股更強。爲了測試我們的猜想，我們從 Refinitiv 收集了每個國家的小盤股和大盤股的 MSCI 指數時間序列數據。然后，我們估計方程(3)，用小盤股或大盤股 MSCI 指數回報替代國內市場回報作為主要因變量。

圖表 16 報告了估計結果。我們發現音樂情感與小盤股和大盤股指數回報均顯著正相關。然而，音樂情感對小盤股的影響更大。音樂情感增加一個標準差，與大盤股指數回報當期增加 8.9 個基點每周（年化 4.6%）和未來減少 8.4 個基點每周（年化-4.4%）相關；小盤股指數回報對應的特點是當期增加 12.86 個基點每周（年化 6.6%）和未來減少 10.1 個基點每周（年化-5.2%）。對於大盤股和小盤股指數係數平等的單側 Wald 檢驗，p 值分別為 0.078 和 0.263。因此，我們的結果僅顯示出情感對小盤股指數影響更強的微弱證據。 

4.2 股票市場波動性

先前文獻表明，投資者情感和隨之而來的噪音交易不僅可以影響資產價格的水平，還可以影響其波動性（Black, 1986；De Long 等，1990），因為情感應首先導致價格偏離基本面，然后進行修正。我們的每日頻率結果已經顯示，在一周內，音樂情感首先與股票市場回報的增加相關，然后出現逆轉，這與情感加劇股票市場回報波動一致。爲了進一步研究這一效果，我們研究了每周股票市場波動性與當期每周絕對音樂情感之間的關係。我們研究絕對音樂情感，因為情感在任一方向的大幅變化應導致更多交易。我們將每周波動性測量為一周內每日股票市場回報的標準差。

爲了測試我們的猜想，我們估計了以下面板迴歸：

其中，Controls 包括前述控制變量、月份和國家固定效應以及一周滯后的股票市場波動率。我們排除了 VIX，因為我們的因變量是市場波動率。

圖表 17 報告了方程(5)的估計結果。我們記錄了絕對音樂情感與股票市場波動率之間的強烈同期相關性。絕對音樂情感增加一個標準差與同期股票市場波動率增加 3.7 個基點相關，這相當於平均每周波動率 1.06%的 3.48%。我們對股票市場回報和股票市場波動率的發現描繪了一幅一致的情感引發的股票價格偏離基本面的圖景。 

4.3 股票基金淨流入

如果情感影響投資決策，我們預期它會影響共同基金的交易，而不僅僅是個股。例如，積極的情緒應使投資者樂觀，從而買入基金；確實，Ben-Rephael 等（2011，2012）發現個體投資者情感與共同基金流量顯著正相關。

我們預期音樂情感與共同基金淨流入正相關，我們使用同期和一周滯后的音樂情感，因為資金流動需要幾天時間來結算和報告（Da 等，2015）。對於股票指數，我們預測滯后情感與其負相關，因為套利者可能隨后會糾正臨時錯誤定價。然而，沒有類似的概念用於糾正共同基金流入的套利；結合結算和報告資金流動的延迟，我們因此預測與同期和滯后情感均正相關。

我們從 Morningstar 收集了每日淨基金流量信息，重點關注以當地貨幣計價的開放式股票共同基金，並將這些流量轉換為美元。我們刪除了重複項（具有完全相同的淨流量和規模時間序列的基金）和平均每周少於一個觀察值的基金（即，我們的樣本期內少於 188 個觀察值）。我們還刪除了樣本期（2017 年 1 月 1 日）開始后成立的基金和管理資產少於 1500 萬美元的基金周觀察值，遵循 Pástor 和 Vorsatz（2020）。后者是因為對於小型基金，適度的美元流量可以轉化為極端的百分比流量；當我們使用 2000 萬美元的管理資產等替代臨界值時，結果類似。這一篩選過程產生了來自 31 個不同國家的 8,392 個股票基金和約 1,569,000 個基金周觀察值。對於每個基金，我們在一周內聚合每日淨基金流量，並將每周淨基金流量按前一周末基金的管理總資產進行縮放（例如，Kamstra 等，2017）。然后我們估計以下面板迴歸： 

其中，Net Flowsf,i,t 是第 t 周、在 i 國的第 f 只基金的每周縮放淨流量。控制變量是我們之前的控制變量，包括月份和基金固定效應，以及一周滯后的淨股票基金流量，以控制基金流量中的潛在序列相關性。這些控制變量在 Da 等（2015）中也有使用。 

圖表 18 報告了方程(6)的估計結果。我們發現，當前和一周滯后的音樂情感與共同基金流量正相關，且在 1%顯著性水平上顯著。音樂情感增加一個標準差與當周淨基金流量平均增加0.3 個基點和下一周平均增加 0.3個基點相關。基於平均976 百萬美元的基金規模，這一增加相當於當周 29,000 美元（年化 1.5 百萬美元）和下一周 31,000 美元（年化 1.6 百萬美元）的淨流量。前者可與我們樣本中平均每周-78,714美元的淨流量相比。我們的結果表明，音樂情感的增加與股票市場的顯著流入相關。 

4.4 政府債券

先前的文獻提出了「避險」理論，即當投資者情緒低落時，他們會從風險資產轉向安全資產（例如，Baker 和 Wurgler 2012，Laborda 和 Olmo 2014，Da 等 2015）。因此，我們假設低情緒不僅會導致投資者撤出股票（如圖表 10 所示），還會導致他們轉向政府債券。我們通過研究 Refinitiv Datastream 基準政府債券指數的回報來檢驗這一假設。我們使用五年期債券指數的回報，因為這一期限的數據可獲得性最高（Pitkäjärvi 等，2020）。

圖表 19 報告了方程(3)的估計結果，用政府債券指數回報替代股票指數回報。對於當期回報，我們發現了與股票指數相反的結果，即音樂情感與政府債券指數回報之間存在負相關關係，且顯著。在經濟意義上，音樂情感增加一個標準差與當期政府債券回報減少 0.01 個基點每周（年化-0.5%）相關。這個效果在經濟上是顯著的，代表了年化 2.2%的政府債券平均回報的 20%以上。然而，我們沒有發現與未來回報的關係。 

5

結論

本研究引入了一種新的投資者情感衡量方法，捕捉的是實際情感而非情感衝擊。它是連續的、可高頻獲取的，且在全球範圍內可用，不需要預先指定特定的情緒影響事件或詞語。我們提供了驗證測試，表明季節性因素（如情緒下降月份和雲層覆蓋增加）以及與 COVID 相關的限制與我們基於音樂的情感衡量標準的顯著下降相關。

我們的主要結果是音樂情感與當期市場回報之間存在顯著正相關關係，控制了全球市場回報、季節性因素和宏觀經濟變量。我們還發現了隨后的價格逆轉。總的來説，我們的發現與情感引發的臨時錯誤定價隨后反轉一致。

我們表明，當國家在 COVID-19 大流行期間實施賣空禁令等交易限制時，音樂情感與市場回報之間的關係更強，這與更大的套利限制一致。音樂情感還預測了淨共同基金流入的增加和政府債券回報的下降，絕對情感預示着股票市場波動性的上升。總體而言，我們的研究提供了國家公民實際情感代理與資產價格顯著相關的證據。 

「

文獻來源

核心內容摘選自 Alex Edmans, Adrian Fernandez-Perez, Alexandre Garel, Ivan Indriawan 於 2021 年 8 月 24 日在 Journal of Financial Economics 上的文章《Music sentiment and stock returns around the world》 

文獻結論基於歷史數據與海外文獻進行總結；不構成任何投資建議。

本報告摘自華安證券2024年7月31日已發佈的《【華安證券·金融工程】專題報告：另類情緒指標與股票市場收益之間的關係》具體分析內容請詳見報告。若因對報告的摘編等產生歧義，應以報告發布當日的完整內容爲準。