刘先伟　叶　强

（哈尔滨工业大学管理学院）

【摘　要】互联网的高速发展与深度普及，以及大数据时代的到来，为商务模式的创新与变革带来了全新的机遇。金融业因其资本与数据的密集性，走在了大数据时代的创新前沿，互联网金融、程序化交易以及基于社交媒体数据的新型事件套利等新兴金融模式不断涌现。新兴金融产品呈现出显著的网络化特征，在网络化数据与金融创新快速融合的大趋势下，金融创新及其风险分析面临许多新问题亟待解决。本文首先介绍了互联网金融的研究背景，包括实际发展情况以及理论研究现状。进而从互联网金融平台中的投融资行为、互联网金融中的模式创新与风险分析、基于互联网搜索数据的行为金融研究、基于互联网和大数据的交易理论与方法等四个方面对互联网金融的学术研究进行了总结与回顾，具体涵盖了网络环境下的金融创新、资产定价、风险计量、市场交易和投融资行为等热点学术问题。

【关键词】互联网金融　大数据　行为金融　创新

A Literature Review on Internet Finance

Xianwei Liu　Qiang Ye

(School of Management，Harbin Institute of Technology)

【Abstract】With the development of information technology，theworld has stepped into the big data era.Under the push of popularized internet，especially mobile internet，big data technologies bring about new challenges to business modes.During this period，financial industry is witnessed to lead the big data innovation because this industry combines mass data and intensive capital.A lot of new financial business modes have boomed，such as internet finance，program trading and arbitrage based on social media dataset.The overlapping of big data and financial innovation impels us to update financial modes and risk management both in theories and methods.This study firstly introduces the background of Internet Finance from industry and theory，then reviews the literatures from four aspects: the investing and financing behavior of the internet financial platforms，the innovation and risk analysis of Internet Finance，the behavioral finance based on internet searching，the trading theory and method based on big data，including hot academic issues like financial innovation under internet environment，capital pricing，risk assessment，financial trading and capital financing.

【Keywords】Internet Finance　big data　behavioral finance innovation

1　互联网金融的研究背景

1.1　现实背景

在我国，由于金融投资市场的特殊发展环境，社会的金融投资需求没有很好地被满足，不仅部分地导致了房地产市场的畸形发展，也在近期加速促进了互联网技术与金融产业的融合，激发了长期被压抑的金融投资需求。2013年以来，阿里贷、余额宝和理财通等以大数据和互联网为基础的互联网金融在极短的时间内超乎寻常地高速发展，给金融产业带来了冲击。2013年8月16日，光大银行爆出的“乌龙指”事件，使中国股市受到震撼，基于量化数据分析的“程序化交易”开始被世人关注，同时也暴露了新的金融风险。移动支付、社交网络和云计算等为代表的新兴技术的快速发展和应用，正在引发金融业务模式的重大变革。

大数据和互联网金融以极快的发展速度，将各种各样的低成本、高效率的创新业务模式推向实践，如微众银行、P2P 网贷、众筹以及由此延伸出的其他金融模式创新（如P2P 等）。这些新兴金融模式以储蓄数据、贷款数据、信用卡数据等传统数据和微信、QQ、微博等社交数据为信用评定基础，作为一种利用网络实现个体和个体之间直接借贷的互联网金融模式，在债权债务属性关系中脱离传统的金融媒介，实现一种新的金融信息交流方式。在国内中小微企业融资难的大背景下，P2P 网贷平台为众多中小企业，尤其是小微企业融资提供了新渠道。零壹数据根据其纳入统计的1843家平台的数据估计，国内P2P 网贷2014年全年的交易规模约为2500亿～3000亿元，是2013年1100亿元的2～3倍。众筹背靠集体评估和大众资金，已成为支持企业创新和创业企业启动的重要资本来源，并因其巨大的潜在经济价值，正变得越来越繁荣。众筹爆炸式的增长已引起媒体和政府的高度重视，2011年美国总统奥巴马签署的《美国就业法案》 就对众筹给予特别关注。据世界银行预测，2025年全球众筹市场规模将达到3000亿美元，中国市场将占到500亿美元。借助互联网的翅膀，金融业务创新一直在持续向前，火球网和分红网等P2P 网贷平台也开始浮现。而随着众筹模式的不断发展与完善，任何行业、任何企业都可以运用众筹思维来思考，股权式众筹、会籍式众筹和产品式众筹等创新将众筹推向更加广阔的发展空间。

然而网络大数据环境下的新金融业务模式是一个完全新生的事物，实践界和理论界都在摸索。像任何金融创新一样，互联网金融带来的不仅有机遇还有挑战。P2P 网贷对借款者的资格审核不如传统金融机构严格，部分业务甚至不用抵押也不用通过征信系统查询征信记录，加之P2P 行业快速发展仅两三年，本身数据积累和审贷经验非常有限，违约风险是P2P 网贷的重大挑战之一，尤其在经济增速放缓的环境下。外加平台道德风险和网络技术风险，注定P2P 网贷的发展需要深入的理论探索。众筹模式特别是股权众筹，不少天使投资人和职业投资人对赛手的把握远超对赛道的把握，而众筹平台提供的更多的却是项目信息，造成投资者只关注项目或商业模式而缺乏投资推进的执行力。虽然股权众筹是一种趋势，但在我国还有很长的一段路要走。应对上述挑战，业界已经在努力，继小额信用借款、担保借款之后，越来越多的P2P 网贷平台开始把触角伸向风险较低的票据、保理、租赁等金融资产，积极尝试多元化的投资标的。互联网金融除横向延伸外，进行纵深发展亦是一种非常重要的战略，网络大数据挖掘将能为互联网金融及传统金融的纵深发展保驾护航。

“促进互联网金融健康发展”作为2014年国务院政府工作报告的重点内容之一，意味着互联网金融正式进入决策层视野，加入到中国经济金融发展序列，成为中国经济金融发展中一股潜力巨大的金融创新力量，正在为我国金融业的发展推开一扇新的大门。但与政府和业界对互联网金融倾注的精力相比，现有理论与方法的滞后正成为互联网金融发展的巨大束缚。网络大数据环境下金融创新挑战与机遇并存，面对网络大数据环境下的金融创新及风险，迫切需要一套理论和方法来理解其中的机制和规律，为金融业提供创新发展的动力，促进实体经济稳定快速发展。

1.2　理论背景

网络大数据与金融创新的快速融合，在为新兴金融业提供发展机遇的同时，对现有金融理论也提出了挑战。现有的金融业务理论与方法不能满足互联网金融创新发展的理论需求。互联网金融最大的特征之一是投融资双方通过网络平台直接接触，融资方与传统金融市场上的上市企业和金融机构相比信息非常有限，而作为个体的投资者又无法像传统金融市场参与者（如银行等大型机构）掌握大量可用的信息和资源，仅仅根据网络平台提供的信息难以判断融资方的信用以及潜在的投资风险[1]。虽然传统金融业已有一些成熟的理论和方法评估借款者的信用和违约风险，预测投资者的投资行为规律，但在互联网金融领域，各种创新都独具一格，评估依据与传统金融相差较大甚至已完全改变，导致传统的理论和方法应用到互联网金融领域可能得不到正确的结论。因此，互联网金融模式创新与风险分析的理论和方法亟待探究。

随着互联网的迅速发展，大量社会化媒体、用户创造内容平台使得投资者信息集成方式发生巨大改变。互联网媒体为投资者提供了大量的股票相关信息，互联网技术为投资者提供了便捷的信息搜索方式，互联网环境推动了投资者关注度与股市之间关系的深入研究。在线搜索对股票收益的影响作为新兴的金融研究领域，现有研究未能充分考虑搜索的异质性（attention heterogeneity）问题。尚需从时间异质性、空间异质性、动机异质性、平台异质性等维度，探索在线搜索的异质性对股票市场表现影响的复杂机制，并深入揭示在线搜索数据这一新兴信息来源，如何影响分析师预测和新闻媒体报道等传统信息源与股票市场表现的关系。

大数据时代的到来使信息分享的方式发生了根本性的变化，这种变化正改变着投资者的实际决策行为。首先，金融业是产生海量数据的行业，大数据正在改变着金融业务模式，特别是在理解和洞察市场与客户方面正产生深远的影响。例如，金融市场价格走势很大程度上受市场情绪的左右，社交网络提供的情绪大数据为金融交易带来巨大机会[2]。一些研究表明，利用互联网新闻和微博数据等可以预测政治和经济方面的变化对金融市场的影响，并将其作为股市投资的信号[3][4]。其次，信用管理是长期困扰金融业的难题，大数据准确和有价值的信息可为金融业信用评估与决策提供一个新的视角和工具。包括微信、微博在内的社交网站以及搜索引擎、物联网和电子商务等平台，将个体之间的人脉关系、兴趣爱好、购物习惯等生活模式及经历一网打尽，这些丰富的大数据可为金融业在信用分析和客户评级方面作出正确判断和决策提供支持，让信用评估不再仅仅凭借滞后的数据和束缚手脚的条条框框，而是从被动转变为主动，从信用分析发展到行为分析，为金融业发展带来全新的思维。例如，一些公司正研究开发以社交图谱为依据的FICO 信用评分系统，利用社交网络变量预测单个借贷者的违约风险。最后，大数据可为金融业提供客户全方位的信息，通过分析和挖掘客户的交易和消费信息掌握客户消费习惯，准确预测客户行为，针对性地推出产品和服务，满足金融业对潜在客户量身定制服务的需求。

社会化媒体将以往媒体一对多的传播方式改变为参与用户之间多对多的“对话”。随着社会媒体的深入发展和用户的不断参与，用户在互联网上产生的数据呈爆发式增长。这些信息正以前所未有的速度在金融活动者中进行着传递，其中既包含生活中实际发生的事件，也蕴含着越来越多的情绪信息。在信息分享过程中，事件信息和情绪信息均影响金融参与者的决策。同时，投资者行为模式与大数据的结合也可能影响程序化交易策略以及金融市场的流动性和波动性。目前相关研究还比较少见，因而研究社会媒体大数据对股票市场的影响机制，以及基于大数据的程序化交易策略及其对市场流动性的影响，具有重要的理论意义。

2　互联网金融平台中的投融资行为

大数据背景下的互联网金融，正在逐步创新和发展。但不管是哪种互联网金融形态，相关的理论研究都远远滞后于实践需求，下面主要综述众筹、P2P 借贷和互联网理财产品等市场上投融资行为相关的研究现状。

2.1　众筹投融资行为研究

2012年美国众筹市场规模达27亿美元，相比2011年增加80%以上。然而尽管众筹在实践界的发展异常迅速，但目前学术界对其的理解和研究刚刚迈出第一步[5]。一些研究旨在区分众筹与其他类似现象的不同之处[6]，包括与众包[7]、在线慈善捐赠、个人借贷[1]等。一些研究根据支持者获得的收益种类提出众筹的分类标准[8]，包括股权众筹[9]、产品众筹[10]、固定收益众筹[1]等。

众筹项目筹资重点在消除不确定性，特别是筹资的最初阶段。众筹项目的不确定性主要与项目质量及其最终的成功机会相关[11]，潜在的支持者通常不确定创始人的能力、不知道创始人是否值得信任。例如在点名时间平台上获得支持的项目，大约75%在相当长的拖延之后才启动，大约4%的项目根本没有启动。信息不对称在创新项目融资是普遍存在的，已经在创新金融的很多文献中得到广泛证实[12]。然而在众筹背景下，一个独特的不确定性是在项目开始运作的阶段，不仅仅需要支持者提供资金支持，还需要支持者的管理经验和建议[13]。在项目筹资阶段，支持者的反馈是逐渐增加的，项目的不确定性逐渐降低，当到达筹资截止日期的时候，项目的确定性部分才能更贴合支持的需求。

最初的参与者多，将引发更多的参与者，而最初的参与者少，不管项目质量如何，都将是越来越少的参与者参与。这种现象已经在真实世界和网络社区中得到证实，比如亚马逊图书销售[14]、软件下载[15]、个人借贷[1]和开源软件发展[16]等。众筹亦不例外，一些研究注意到众筹项目公布之后，是否能够迅速得到投资者的支持，将标示着项目的筹资成功与否[11]，这些发现与个人借贷[1]和网络拍卖[17]等领域的研究相一致。但目前文献尚无法对一些问题给出解释，包括什么能为众筹项目带来第一批支持者、第一批支持者在项目筹资过程中起到什么作用、第一批支持者精神支持和资金支持的影响是否显著不同等。

2.2　P2P 借贷投融资行为研究

歧视在劳动市场上非常普遍[18]，在金融市场上相对少见，但仍有一些文献表明在传统借贷市场上借款者的个人特征对借款成功和借款条款具有显著影响[19]。传统的银行借贷研究发现对女性借款者存在负面歧视[20]。Alesina 等[21]发现，在意大利即使女性企业主与男性企业主的风险、信用历史及其相关信息不存在差异的情况下，女性企业主只有支付更高的利息才能借到款项，在与银行维持良好关系后，女性从降低的借贷成本中获得的收益亦显著低于男性。Dorfleitner 等[22]的研究指出即使是在微金融贷款中，女性仍然被要求支付更高的利率。Agier 和Szafarz[23]发现，借贷市场上的性别歧视还随借贷规模不成比例的增加。

Klafft[24]使用Prosper 平台数据的研究表明，与传统商业银行一样，决定借款者能否借款成功的最主要影响因素是借款者的信用评级，其次才是借款利率。但一些研究发现P2P 借贷市场上存在与传统借贷市场上非常不同的投融资行为规律。Pope 和Sydnor[25]使用美国互联网借贷平台Proper.com 的数据，发现借出者歧视黑人借款者，但女性借款者比男性借款者更容易借到款项，这一发现与很多传统借贷市场上已经发现的女性借款者受歧视的结论相矛盾，表明传统借贷市场上的一些结论在在线开放融资市场上将不成立。Barasinska 和Schafer[19]使用德国互联网个人借贷数据，发现在线开发融资环境下借出者对借款者没有性别歧视，将女性不再受到歧视的原因归结为集体借贷智慧。

Ravina[26]研究Prosper.com 上借款者的容貌对借款成功与否的影响，在控制社会经济等特征后，发现中等以上容貌的借款者更可能借到款项，而且支付的成本更少。但是美貌借款者的违约概率是普通容貌借款者的3倍。Duarte 等[27]使用个人借贷平台上潜在借款者的照片测试借款者可信赖外表的影响，证实Pope 和Sydnor[25]以及Ravina[26]的结论，结果表明外表看起来更值得信赖的借款者借到款项的可能性更高，而需要支付的利率更低，并发现外表更值得信赖的借款者违约更少，但更低的利率并不会显著降低违约率。所以目前关于在线开放投融资市场上是否存在容貌和性别歧视，相关的研究结论并不一致，表明P2P 借贷市场上的投融资行为仍有待进一步研究。

2.3　互联网金融产品投融资行为研究

与普遍具有的银行存款安全、股票市场有风险的投资理念不同，金融机构发行的互联网理财产品可能会弱化投资者的风险意识，但并不是真正消除风险。所以，有部分学者将研究重点放在金融机构互联网理财产品的风险决策方面。理财产品风险决策是指以改善自身的福利为目的，在收益（损失）不确定性的情况下，对理财产品作出选择[28]。理财产品风险决策源于个人的特点、知识和习惯的重复模式或累积效应，会受营销、咨询和其他外部信息的影响[29][30]。对上述风险决策的研究发现了一些个体金融决策的模式和规律，如情感和认知的作用[31][32][33]、框架效应[32]、时变性取舍[34]。

基于互联网的个体金融风险决策研究还处于起步阶段[35]。Zhu等[28]发现在线社区的参与者更能够接受高风险的P2P 项目。Hadar等[30]发现，投资者的主观性知识越多，越倾向于购买高风险（高收益）的理财产品。上述研究展示出个体金融风险决策的一些现象和规律，但都是基于决策主体的异质性（投资者是否参与在线社区、拥有主观性知识的多少）和决策客体（投资对象和金融产品）的同质性。从整合营销的观点来看，投资者对产品的感知不仅来源于产品本身的价值，产品信息传递的渠道和方式也会影响投资者的感知。面对互联网理财产品丰富的推广和销售渠道，产品提供者如何选择和优化营销组合，在保障投资者利益的同时，更有效地促进产品的销售，还需加强研究营销要素对个体互联网金融风险决策的影响。

3　互联网金融中的模式创新与风险分析

3.1　新兴互联网金融平台参与者行为研究

互联网金融参与者往往是个人，他们无法像传统的金融市场中的参与者如银行等大型机构掌握大量可利用的数据和资源，仅仅根据平台提供的信息难以判断融资人的信用以及潜在的投资风险[1]。而融资人对于投资回报的确定也无法做到金融机构的专业性。因此这些个人参与投融资的行为机制就成为很多学者关注的焦点。

从投资者行为理性的角度出发，Herzenstein[35]和Lee[36]分别证实了在互联网融资平台中存在羊群效应，即先期吸引较多投资者的标的更容易吸引后续投资者。Zhang 和Liu1]的研究则进一步表明这种跟随行为很大程度上是理性的，而不只是非理性的消极跟随。投资者会通过积极的观察性学习，根据他人的借款决定来建立对借款人的信用评价，从而作出自己的投资决策。除此之外，地理和文化因素也在投资者的投资决策中扮演重要角色[37][38]。投资者往往倾向于投资与自己文化相似、地理位置相近的人。这些研究从“借与不借”和“借多少”的角度，利用回归模型在一定程度上揭示了投资人的行为机理。然而，对于互联网金融业务同一项目拥有众多投资人、每个投资人投资数额都有所不同这一特征，相比于传统金融业务，研究方法上并没有改进。

对于融资人融资利率影响因素方面，根据传统的风险收益理论，具有较高风险的融资业务需要提供更高的利率补偿。为了使广大的个人投资者更好地了解一笔融资业务的风险，很多平台提供对融资人的第三方信用评估等级供投资人参考。然而，投资人似乎更倾向于综合所有的信息作出自己的判断。Iyer 等[39]的研究结果显示投资人会使用“非传统信息”来检验融资人的信用程度。另有一部分学者研究了“非传统信息”如何影响融资利率。Michels[40]发现融资人增加自我揭露可降低借款利率并增加投标活动。Gao 和Lin[41]则指出在线朋友数量和借款成功率呈正向关系、和借款利率呈反向关系，且事后违约率较低。然而，这些研究仅仅针对某一特征对融资利率的影响，无法回答哪些特征以及如何影响利率的问题。

3.2　基于钱包份额的互联网金融参与者跨平台行为研究

互联网金融行业不断增加的竞争使得认识竞争环境变得格外重要。对于一个投资平台，如果它提供的产品在某顾客同类产品消费总支出中所占的比重大，则说明它占据了该顾客较多的钱包份额，该顾客的钱包份额较高；反之，则说明该顾客的钱包份额较低。投资平台可以通过维持并强化与高钱包份额顾客的关系，来进一步提升他们的钱包份额；而对于低钱包份额顾客，则需要制定有针对性的营销策略，来提高他们与本平台的交易量，进而增加他们的钱包份额并获取他们的潜在价值。类似的营销实践表明，钱包份额战略能给企业带来更强的盈利能力和更大的竞争优势。

现有相关文献大多利用顾客自我报告、第三方机构或是企业内部数据库信息并采用恰当的数学理论来建立预测模型，从而推断顾客的钱包份额。例如，Du 等[42]采用增大数据库（database augmentation）的方法来解决无法获取大量顾客与竞争对手交易信息的问题。他们以一个公司为案例开展研究，期望估计出它的每位顾客的钱包份额。最初该公司只能观测到自己顾客的购买，然后通过问卷调查方法获得一组样本在竞争对手活动的详细数据，进而使用获得的数据推算那些未被调查的顾客的价值。但Zheng 和Padmanabhan[43]的研究表明，为使模型预测效果较好，列表扩增方法可能要求非常广泛的完全数据，因为需要调查的样本的数量往往是预测的未知样本数量的两倍以上，操作起来非常困难。Chen 和Steckel[44]基于顾客在不同企业间交叉购买的时间分布系数公式，发现了决定顾客在特定情境下选择哪个供应商的随机过程原理。他们之所以聚焦于顾客在企业间交叉购买的时间分布，是因为顾客的交叉购买行为及其时间分布的不确定性正是造成企业无法获得顾客完全购买信息的核心原因。他们基于时间分布系数公式建立了预测模型，并将其应用于信用卡行业。该模型依据顾客在一段时期内使用特定公司发行的信用卡的情况，来推断顾客使用竞争对手发行的信用卡的情况，进而计算顾客信用卡的钱包份额。最近Zheng等[45]使用比较容易获得的聚合数据，而不是跨公司的详细数据，推断有关顾客活动的关键竞争指标。方法是采用来自comScore 的以网站为中心的数据推测在线企业顾客活动的关键指标，结果显示可以比较准确地推断出各在线零售商的渗透率、市场份额、顾客的钱包份额等。

3.3　互联网金融的风险分析与防范

互联网金融参与者的大众性，为学者研究个人投资者的投资行为提供了机会和平台，也对个人投资者如何防范互联网金融的风险提出了挑战。有研究表明，互联网金融参与者的风险偏好可能导致他们在实践中仅获得次优（suboptimal lending）的投资回报[46]。如何有效地识别和防范互联网金融业务中的潜在风险对于互联网金融平台的可持续发展至关重要。目前已有的关于识别和防范互联网金融业务风险的研究大致集中在三个方面：①信用评分的重要性。信用评分高的借款人往往有比较低的违约率[27]；信用评级越低和贷款时间越长越容易违约[47]。②信息披露的重要性[37][48]。信息披露所产生的信号效应（signaling effect）对于资金筹集的成功起到重要作用。Gao 和Lin[41]等运用多种文本分析技术抽取文本的可读性、情感、主观性以及欺骗线索等特征，构建了理论解释模型和贷款违约率预测模型。研究结果表明，文本特征能够揭示借款人的违约情况，为投资者提供重要信息。③非标准化指标的重要性。Iyer等[39]的研究发现，在传统金融信用报告硬性指标的基础上，加入非标准化指标如性别、年龄、国籍等，能够有效提高对融资人违约预测的准确度。

4　基于互联网搜索数据的行为金融研究

互联网迅速发展之前，一些学者采用股票异常收益或股票交易量度量投资者关注度[49][50][51]，Barber 和Odean[49]和Yuan[52]采用与上市公司相关的新闻内容或新闻数量度量投资者关注度，Grullon等[53]采用上市公司投入的广告费用度量投资者关注度。然而，这些代理变量对投资者关注度的度量均存在较大偏差，影响了相关研究的准确性[51][54]。互联网的迅速发展为该领域研究提供了更准确地直接度量投资者关注度的方法。一些最新研究开始利用谷歌搜索引擎采集投资者关注度数据，研究投资者关注度与股票收益之间的关系[55][56][57]。而在中国的股票市场，同样有研究表明股票交易活动具有信息效用，对于同期股票交易存在显著影响[58]。互联网媒体为投资者提供了大量的股票相关信息，互联网技术为投资者提供了便捷的信息搜索方式，互联网环境推动了投资者关注度与股市之间关系的深入研究。

用户搜索量的增加能够引起股票未来收益的增加[54]，这一发现引起了一系列的后续研究，这些研究都证实了投资者的关注会产生股票价格上涨的压力，继而产生超额收益。Da 等[54]使用谷歌趋势（google trends）提供的搜索指数（search volume index）作为新的测量投资者关注的代理变量，获得了学术界的广泛认可，并且被广泛应用于金融领域、信息系统领域的学术研究中。凌爱凡和杨晓光[59]利用Google Trends 搜索数据研究了投资者注意力对金融市场之间传染效应的影响。Liu and Ye[60]基于百度指数中股票代码搜索量变化对股票收益的影响，发现与工作日产生的搜索相比，周末产生的搜索对股票收益的影响更大。另外，刘锋等[61]的研究表明在线搜索与媒体关注的交互作用对当期股票收益具有显著正向影响，媒体对特定股票的关注可以放大投资者关注对股票收益的影响程度。

近期，在线搜索对股票收益的影响受到了国内外学者的关注，[54]然而现有研究均未能充分考虑关注的异质性（attention heterogeneity）问题。搜索对股票收益的研究从Da 等[54]开始受到越来越多学者的关注，他们的研究结果都确定了这样一个结论：搜索引擎上对股票的搜索，可以代表投资者对股票的关注，从而对股票价格产生关注度压力。如果一周内搜索引擎对某只股票的搜索量增加，这只股票在接下来的1～2周将会有收益增加的倾向。之后有更多的研究相继验证了搜索对股票未来收益的正向影响[55][56][57]。然而，目前该领域的研究仍处于起步阶段：现有研究均潜在假设在线搜索对股票市场的影响是同质的，对股票的影响主要体现在量的差异上。然而心理学研究表明，人们在周末拥有比在工作日更好的心情和工作胜任能力[62][63][64]。工作日为交易日，周末为非交易日。交易日时，人们的时间更加紧张，与周末相比（非交易日），没有更多的时间去对信息进行深入思考和挖掘[65]。周末是休息时间，如果有人放弃休息的时间而去做一项工作，这种人对这项工作应该是更专业和痴迷[62]。基于在线搜索引擎数据的新兴金融研究表明，对股票的搜索代表着投资者对股票市场的关注[54]，然而这种关注背后具有复杂的关注动因和关注方式的差异。

随着互联网的迅速发展，大量社会化媒体、用户创造内容平台使得投资者信息集成方式发生巨大改变，在线搜索已成为投资者信息集成的重要手段之一。传统的投资者信息集成主要通过两种途径，一是通过财务分析师预测报告，另一种主要是通过媒体报道。大量理论与实证分析表明分析师预测对股票市场有显著影响。Dither 等[66]指出，财务分析师预测分歧对股票预期收益有显著负向影响，分析师意见分歧越大，预期股票收益率越低，反之分析师意见分歧越小，预期股票收益率越大，但这种财务分析师意见分歧效应只显著影响小规模公司。Johnson[67]的研究进一步证实了这一结论，所不同的是，Dither 等[66]认为预期收益率降低是由于市场定价被高估造成，由于短卖约束的限制，阻止了市场悲观者进行交易，此时价格只反应了乐观交易者的态度，市场定价被高估。而Johnson[67]认为预期收益率降低是由于不确定性增加了公司的选择价值，预期收益率降低并不是由于不确定性增加，而是由于信息不对称性增加造成的，那么随着互联网的迅速发展，财务分析师意见分歧效应是否存在？ 投资者关注度是否影响财务分析师预测效应？影响过程与原因如何？ 这一系列问题的研究对投资者、管理者以及市场监管者有着重要的现实意义。

5　基于互联网和大数据的交易理论与方法

随着诸多市场异象的不断涌现和金融危机的频繁爆发，人们动摇了对“有效市场假说”的坚定信念[68]。在现实金融市场中，投资者的决策行为受到很多条件的限制，投资者的判断与选择并不总是理性的。DeBondt 和Thaler[69]的《股票市场过度反应了吗？》 正式掀开了行为金融学迅速发展的序幕。行为金融学发展至今，关于社会化媒体与投资者决策行为方面的研究已经开展得较为深入，Bollen 等[70]和黄润鹏等[71]分别利用Twitter 和新浪微博数据，生成情绪倾向时间序列，发现由社会化媒体数据构建的股票预测模型对投资决策具有较好的指导作用。投资者在进行决策时，容易受到社会化情绪因素的影响[72]。文凤华[73]等使用上证市场数据构建社会化媒体下的投资者情绪指数，将投资者情绪分为积极情绪和消极情绪，探讨积极和消极两种不同情绪特征下的投资者行为特点，发现将积极与消极情绪分开考虑的模型对收益有更好的拟合，正面情绪和情绪的向上变动都对股票收益有显著的正向影响，投资者情绪波动对股票收益率的波动有显著的冲击。张宗新和王海亮[74]构建了主观信念变量，对主观信念调整引致的市场异常波动路径进行刻画，建立了“信念调整投资者情绪、市场波动”的逻辑分析框架，发现不同信息偏好将导致不同的情绪波动频率，对基本面信息的偏好往往更有助于情绪稳定。刘维奇和刘新新[75]发现投资者关注度越高的股票，其收益对投资者情绪变化的敏感度越高，而机构投资者和个人投资者的情绪之间也会相互影响。

由于股票市场存在交易不活跃、涨跌停和停牌等现象，原本高度关联的期现市场会出现非同步交易的现象。它们之间的基差也会偏离持有成本模型所描述的正常范围。Harris[76]最早对美国市场进行了分析。他指出在成分股交易不活跃时，股票的最新价格不能反应其真实的价格水平，从而导致股票指数出现了偏差。他基于对历史数据的回归，建立了股票真实价格的估计模型来修正股票指数的偏差。他发现，修正后的基差更为稳定，但是非同步交易只能解释部分基差偏离。大宗交易的冲击和监管政策的变动也是导致基差偏离的原因。Lo 和MacKinlay[77]发现非同步交易是现货市场不符合有效市场检验的主要原因。Yadav 和Pope[78]指出股指期货的非活跃合约也存在非同步交易的现象。因此非活跃合约和现货之间的基差也会出现较大的偏离。Zhang 等[79]发现了ETF 与现货市场之间的非同步交易现象。当ETF 成分股涨跌停时，ETF 的标的指数也会被扭曲。这时指数和ETF 的价格间的基差也会出现偏离。这种偏离会对统计套利者产生虚假的交易信号，可能会让交易者遭受损失，需要加以识别。这个发现对于套利交易的改进有重要的意义。由于中国股指期货推出时间较晚，目前针对两者间非同步交易的文献还不多。仅有一些针对两者交易时间长度不一致的非同步现象的研究[80][81]。

虽然自20世纪90年代以来，程序化交易在海外市场广泛普及，但直接针对程序化交易的研究并不多。Domowit 和Yegerman[82]对比分析了不同程序化交易策略中买方交易者的执行成本；Engle 等[83]根据摩根斯坦利算法的交易数据实证检验了算法侵略性变化对交易成本的影响；Chaboud 等[84]研究了外汇交易市场中的程序化交易对市场波动性的影响，但没有得到明确的结论；Hendershott 和Riordan[85]以德国证券交易所为对象，实证检验了算法交易对价格发现功能的影响。Hendershott 等[86]以纽约证券交易所为对象，实证检验了程序化交易对市场流动性的影响，发现对于大多数股票而言，程序化交易可以减小买卖价差，降低逆向选择风险，同时削弱了交易相关的价格发现功能。Hendershott 和Riordan[87]以德国证券交易所的DAX30的成分股为交易对象，实证分析了程序化交易对市场流动性的影响，发现程序化交易比人工交易更活跃，当内生性交易成本（买卖价差）较小时，程序化交易倾向消耗流动性；反之，程序化交易则倾向提供流动性。Chaboud等[88]以外汇交易市场为对象的实证结果表明，程序化交易增加的市场流动性提高了市场价格发现效率的同时也增加了人工交易者的逆向选择风险，降低了资产日内收益率的序列自相关性。现有研究大部分在程序化交易算法已知的前提下分析程序化交易对交易成本的影响。在面向现实市场的实证研究中，研究数据多基于可识别的程序化交易数据，对于无法区分程序化交易和人工交易的数据样本研究非常困难。

参考文献

[1]Zhang J，Liu P.Rational herding in microloan markets [J].Management Science，2012，58(5): 892-912.

[2]Das S R，Chen M Y.Yahoo! for Amazon: Sentiment extraction from small talk on the web [J].Management Science，2007，53(9): 1375-1388.

[3]Luss R，Daspremont A.Predicting abnormal returns from news using text classification [J].Quantitative Finance，2012，15(6): 999-1012.

[4]Schumaker R P，Chen H.Textual analysis of stock market prediction using breaking financial news: The AZFin text system[J].ACM Transactions on Information Systems，2009，27(2):1-19.

[5]Colombo M G，Franzoni C，Rossi-Lamastra C.Internal social capital and the attraction of early contributions in crowdfunding[J].Entrepreneurship Theory and Practice，2015，39(1): 75-100.

[6]Hildebrand T，Puri M，Rocholl J.Adverse incentives in crowdfunding [J].Management Science，2014.

[7]Afuah A，Tucci C.Crowdsourcing as a solution to distant search[J].Academy of Management Review，2012，37(3): 355-375.

[8]Griffin Z.Crowdfunding: Fleecing the American masses [J].Ssrn Electronic Journal，2012.

[9]Ahlers G K，Cumming D J，Guenther C，et al.Signaling in equity crowdfunding [J].Entrepreneurship Theory and Practice，2012，39(4): 955-980.

[10]Belleflamme P，Lambert T，Schwienbacher A.Crowdfunding:Tapping the right crowd [J].Journal of Business Venturing，2014，29(5): 585-609.

[11]Agrawal A，Goldfarb A.Some simple economics of crowdfunding[J].Innovation Policy and the Economy，2014，14(1): 63-97.

[12]Hall B H.The financing of research and development [J].Oxford Review of Economic Policy，2002，18(1): 35-51.

[13]Gerber E M，Hui J S，Kuo P Y.Crowdfunding: Why people are motivated to post and Fund Projects on Crowdfunding Platforms.[C]/ / Computer Supported Cooperative Work，2012.

[14]Cheng Y Q，Wang Q，Xie J.Online social interactions: A natural experiment on word of mouth versus observational learning [J].Journal Marketing Research，2011，48(2): 238-254.

[15]Duan W，Gu B，Whinston H B.Information cascades and software adoption on the Internet: An empirical investigation [J].MIS Quarterly，2009，33(1): 23-48.

[16]Oh W，Jeon S.Membership herding and network stability in the open source community: The using perspective [J].Management Science，2007，53(7): 1086-1101.

[17]Kauffman R J，Lai H，Lin H.Consumer adoption of group-buying auctions:An experimental study [J].Information Technology and Management，2011，11(4): 191-211.

[18]Kaas L，Manger C.Ethnic discrimination in Germany’ s labour market: A field experiment [J].German Economic Review，2012(13): 1-20.

[19]Barasinska N，Schafer D.Is crowdfunding different? Evidence on the relation between gender and funding success from a German peer-to-peer lending platform [J].German Economic Review，2014，15(4): 436-452.

[20]Blanchflower D G，Levine P B，Zimmerman D J.Discrimination in the small-business credit market [J].Review of Economics and Statistics，2003(85): 930-943.(www.daowen.com)

[21]Alesina A F，Lotti F，Mistrulli P E.Do women pay more for credit? Evidence from Italy [J].Journal of the European Economic Association，2013(11): 45-66.

[22]Dorfleitner G，Leidl M，Priberny C，et al.What determines microcredit interest rates? [J]Applied Financial Economics，2013，23(20): 1579-1597.

[23]Agier I，Szafarz A.Microfinance and gender: Is there a glass ceiling on loan size? [J].World Development，2013(42):165-181.

[24]Klafft M.Peer to peer lending: Auctioning microcredits over the Internet [J].Social Science Electronic Publishing，2008.

[25]Pope D G，Sydnor J R.What is in a picture? Evidence of discrimination from Prosper.com [ J].Journal of Human Resources，2011(46): 53-92.

[26]Ravina E.Love ＆ loans: The effect of beauty and personalcharacteristics in credit markets [J].Ssrn Electronic Journal，2012.

[27]Duarte J，Siegel S，Young L.Trust and credit: The role of appearance in peer-to-peer lending [J].Review of Financial Studies，2012(25): 2455-2484.

[28]Zhu R，Dholakia U M，Chen X，Algesheimer R.Does online community participation foster risky financial behavior? [J]Journal of Marketing Research，2012，49(3): 394-414.

[29]Lynch J G，Netemeyer R G，Spiller S A，et al.A generalizable scale of propensity to plan: The long and the short of planning for time and money [J].Journal of Consumer Research，2010，37(2): 108-128.

[30]Hadar L，Sood S，Fox C.Subjective knowledge in consumer financial decisions [J].Journal of Marketing Research，2013，50(2): 303-316.

[31]Sussman A B，Olivola C Y.Axe the tax: Taxes are disliked more than equivalent costs [J].Journal of Marketing Research，2011，48(4): 91-101.

[32]Strahilevitz M A，Odean T，Barber B M.Once burned twice shy:How naïve learning，counterfactuals，and regret affect the repurchase of stocks previously sold [J].Journal of Marketing Research，2011(48): 102-120.

[33]Lee C J，Andrade E B.Fear，social projection，and financial decision making [J].Journal of Marketing Research，2011，48(4): 121-129.

[34]Hershfield H E，Goldstein D G，Sharpe W F，et al.Increasing saving behavior through age-progressed renderings of the future self [J].Journal of Marketing Research，2011，48(4): 23-27.

[35]Herzenstein M，Dholakia U M，Andrews R.Strategic herding behavior in peer-to-peer online loan auctions [J].Journal of Interactive Marketing，2011，25(1): 27-36.

[36]Lee E，Lee B.Herding behavior in online P2P lending: An empirical investigation [J].Electronic Commerce Research and Applications，2012，11(5): 495-503.

[37]Burtch G，Ghose A，Wattal S，et al.Cultural differences and geography as determinants of online pro-social lending [J].MIS Quarterly，2014，38(3): 773-794.

[38]Lin M，Viswanathan S.Home bias in online investments: An empirical studfy of an online crowdfunding market [J].Ssrn Electronic Journal，2014(62).

[39]Iyer R，Khwaja A I，Luttmer E F P，et al.Screening peers softly: Inferring the quality of small borrowers [J].Management Science，2009，62(6): 1554-1577.

[40]Michels J.Do unverifiable disclosures matter? Evidence from peer-to-peer lending [J].The Accounting Review，2012，87(4): 1385-1413.

[41]Gao Q，Lin M.Linguistic features and peer-to-peer loan quality:A machine learning Approach [J].Social Science Electronic Publishing，2013.

[42]Du R，Kamakura W，Mena C.Size and share of customer wallet[J].Journal of Marketing，2007，71(4): 94-113.

[43]Zheng Z，Padmanabhan B.Selectively acquiring customer information: A new data acquisition problem and an active learning based solution [J].Management Science，2006，52(5): 697-712.

[44]Chen Y，Steckel J H.Modeling credit card share of wallet:Solving the incomplete information problem [J].Journal of Marketing Research，2012，49(5): 655-669.

[45]Zheng Z，Fader P，Padmanabhan B.From business intelligence to competitive intelligence: Inferring competitive measures using augmented site-centric data [J].Information Systems Research，2011(23): 698-720.

[46]Krumme K A，Herrero S.Lending behavior and community structure in an online peer-to-peer economic network [C]/ /International Conference on Computational Science and Engineering.IEEE，2009: 613-618.

[47]Emekter R，Tu Y，Jirasakuldech B，et al.Evaluating credit risk and loan performance in online peer-to-peer (P2P) lending [J].Applied Economics，2014，47(1): 54-70.

[48]Parker S C.Crowdfunding，cascades and informed investors [J].Economics Letters，2014，125(3): 432-435.

[49]Barber B M，Odean T.All that glitters: The effect of attention and news on the buying behavior of individual and institutional investors [J].Review of Financial Studies，2008，21(2):785-818.

[50]Gervais S，Kaniel R，Mingelgrin D H.The high-volume return premium [J].The Journal of Finance，2001，56(3):877-919.

[51]Hou K，Xiong W，Peng L.A tale of two anomalies: The implications of investor attention for price and earnings momentum[J].Social Science Electronic Publishing，2009(45): 416-418.

[52]Yuan Y.Attention and trading.Unpublished Working Paper.University of Pennsylvania，2008.

[53]Grullon G，Kanatas G，Weston J P.Advertising，breadth of ownership，and liquidity [J].Review of Financial Studies，2004，17(2): 439-461.

[54]Da Z，Engelberg J，Gao P.In search of attention [J].The Journal of Finance，2011，66(5)，1461-1499.

[55]Drake M S，Roulston，D T，Thornock J R.Investor information demand: Evidence from Google searches around earnings announcements [J].Journal of Accounting Research，2012，50(4): 1001-1040.

[56]Joseph K，Babajide M，Zhang Z.Forecasting abnormal stock returns and trading volume using investor sentiment: Evidencefrom online search.International [J].Journal of Forecasting，2011，27(4): 1116-1127.

[57]Vlastakis N，Markellos R N.Information demand and stock market volatility [J].Journal of Banking ＆ Finance，2012，36(6)，1808-1821.

[58]Zhou C，Wu C，Yang L.The informational role of stock and warrant trades: Empirical evidence from China [J].Emerging Markets Finance and Trade，2014，47(sup1): 78-93.

[59]凌爱凡，杨晓光.基于Google Trends 注意力配置的金融传染渠道[J].管理科学学报，2012，15（11）：104-116.

[60]Liu X W，Ye Q.Weekend effects on stock searching: Evidence from Baidu index in China [C]/ / International Conference on Management Science ＆ Engineering.IEEE，2014: 1195-1200.

[61]刘锋，叶强，李一军.媒体关注与投资者关注对股票收益的交互作用：基于中国金融股的实证研究[J].管理科学学报，2014，17（1）：72-85.

[62]Ryan R M，Bernstein J H，Brown K W.Weekends，work，and well-being: Psychological need satisfactions and day of the week effects on mood，vitality，and physical symptoms [J].Journal of social and clinical psychology，2010，29(1): 95-122.

[63]Alliger G M，Williams K J.Using signal-contingent experience sampling methodology to study work in the field: A discussion and illustration examining task perceptions and mood [J].Personnel Psychology，1993，46(3): 525-549.

[64]Geurts S A，Kompier M A，Roxburgh S，et al.Does work-home interference mediate the relationship between workload and wellbeing? [J]Journal of Vocational Behavior，2003，63(3):532-559.

[65]DellaVigna S，Pollet J M.Investor inattention and Friday earnings announcements [J].The Journal of Finance，2009，64(2):709-749.

[66]Diether K B，Malloy C J，Scherbina A.Differences of opinion and the cross section of stock returns [J].The Journal of Finance，2002，57(5): 2113-2141.

[67]Johnson T C.Forecast dispersion and the cross section of expected returns [J].The Journal of Finance，2004，59(5): 1957-1978.

[68]Shiller E.From efficient markets theory to behavioral finance [J].The Journal of Economic Perspectives，2003(17): 83-104.

[69]Debondt W，Richard T.Does the stock market overreact? [J]Journal of Finance，1985，40(3): 793-805.

[70]Bollen J，Mao H，Zeng X.Twitter mood predicts the stock market[J].Journal of Computer Science，2010，2(1): 1-8.

[71]黄润鹏，左文明，毕凌燕.基于微博情绪信息的股票市场预测[J].管理工程学报，2015，29（1）：47-52.

[72]池丽旭，张广胜，庄新田，等.投资者情绪指标与股票市场——基于扩展卡尔曼滤波方法的研究[J].管理工程学报，2012，26（3）：122-128.

[73]文凤华，肖金利，黄创霞，等.投资者情绪特征对股票价格行为的影响研究[J].管理科学学报，2014，17（3）：60-69.

[74]张宗新，王海亮.投资者情绪、主观信念调整与市场波动[J].金融研究，2013（4）：142-155.

[75]刘维奇，刘新新.个人和机构投资者情绪与股票收益——基于上证A 股市场的研究[J].管理科学学报，2014，17（3）：70-87.

[76]Harris L.The October 1987S＆P 500Stock-Futures Basis [J].The Journal of Finance，1989，44(1): 77-99.

[77]Lo A W，MacKinlay A C.An econometric analysis of nonsynchronous trading [J].Journal of Econometrics，1990(45): 181-211.

[78]Yadav P K，Pope P F.Stock index futures mispricing: profit opportunities or risk premia? [J].Journal of Banking andFinance，1994，18(5): 921-953.

[79]Zhang Z，Shang Q，Cheng Y.Stock’ s suspension，daily price limit and ETF pricingEiEciency—An Empirical Research on SSE 50ETF [J].Journal of Financial Research，2012(1): 167-179.

[80]张一锋，常清.非同步交易时段我国股指期现货动态关系分析[J].价格理论与实践，2011（7）：65-66.

[81]刘晓雪，董翠萍.非同步交易下股指期货与股票市场开收盘收益率间引导关系的实证研究[J].技术经济，2012（1）：125-131.

[82]Domowitz I，Yegerman H.The cost of algorithmic trading: A first look at comparative performance [J].Journal of Trading，2006，1(1): 33-42.

[83]Engle R F，Ferstenberg R，Russell J R.Measuring and Modeling Execution Cost and Risk (July 1，2008).Chicago GSB Research Paper No.08-09.Available at SSRN: https: / /ssrn.com/abstract＝1211162or http: / /dx.doi.org/10.2139/ssrn.1211162.

[84]Chaboud A P，Chiquoine B，Hjalmarsson E，Vega C.Rise of the machines: algorithmic trading in the foreign exchange market，Working Paper，Federal Reserve Board.2009.

[85]Hendershott T，Riordan R.Algorithmic trading and information，working paper，University of California，Berkeley，2009.

[86]Hendershott T，Jones C M，Menkveld A J.Does algorithmic trading improve liquidity? [J].The Journal of Finance，2011，66(1): 1-33.

[87]Hendershott T，Riordan R.Algorithmic trading and the market for liquidity [J].Journal of Financial and Quantitative Analysis，2013，48(4): 1001-1024.

[88]Chaboud A P，Chiquoine B，Hjalmarsson E，et al.Rise of the machines: algorithmic trading in the foreign exchange market.FRB International Finance Discussion Paper No.980.2014，69

(5): 2045-2084.

【作者简介】

叶强，教授、博士生导师、哈尔滨工业大学 管理学院院长。2008年获教育部新世纪优秀人才，2012年获国家杰出青年科学基金。近年来曾 先后在美国德克萨斯大学奥斯汀分校、加利 福尼亚大学圣地亚哥分校和香港理工大学做研究和 教学工作，兼任香港理工大学博士研究课程教授及博士生指导团队成员。近年来先后在POM，IJHM 及DSS 等国际主流学术期刊发表20余篇学术论文。2008年获亚太信息系统学术会议（PACIS）最优论文奖。2011年任中国夏季信息系统学术会议（CSWIM）合作主席。2011年、2012年先后担任国际信息系统学术会议（ICIS）副编辑（AE）。目前任国际期刊MISQ 客座编委、JECR 地区主编、ECRA 领域主编。