陈伟杰|卢炳清|田嘉森|叶亚芬
浙江工业大学经济学院，杭州310023，中国
**摘要**
本研究探讨了中国宽松货币政策环境下投资者情绪与共同基金市场韧性之间的非对称关系。在2024年9月中国央行下调存款准备金率和利率之后，我们利用金融领域的大型语言模型FinBERT构建了一个文本情绪指数，并使用标准化香农熵来捕捉基金市场的动态稳定性。实证结果表明，投资者情绪对基金市场韧性具有显著的正面影响。具体而言，投资者情绪每增加1个单位，基金市场韧性就会增加0.034个单位。然而，这种关系是非对称的：过高的情绪会削弱市场韧性，而低情绪则会增强市场韧性，揭示了情绪与韧性之间的非线性关系。异质性分析显示，由受教育程度较高的管理者管理的基金受情绪影响的程度较小，而平衡型基金以及位于金融发达地区的基金对情绪波动更为敏感。通过使用高权重股票比例作为工具变量进行的内生性测试进一步证实了投资者情绪对基金市场韧性的非对称效应。这些发现强调了投资者情绪作为稳定和不稳定因素的双重作用，并为设计基于情绪的监管和韧性框架提供了见解。
**引言**
COVID-19大流行从根本上重塑了中国的金融格局，引发了资本市场的空前波动和投资者行为的深刻变化。在封锁初期冲击之后，中国股市经历了剧烈波动：2022年初跌至多年低点后，上证综合指数在2024年10月的国庆假期期间反弹了超过14%，取得了自2008年以来的最佳表现。然而，在此之前，经济放缓的主要特征是市场情绪的下降。家庭普遍表现出历史最低水平的信心，表现为强烈的消费意愿减弱和储蓄倾向增强。此外，他们对房地产的投资行为也相当保守，大多数潜在购房者将资金闲置在存款中而非流入市场。企业也收缩了：制造业和服务的私人固定资产投资要么停滞不前，要么减少，不到30%的中小企业（SMEs）打算扩大投资。这些行为模式表明了一种超越传统经济原理的普遍悲观情绪。
为应对市场信心的恶化，中国政府于2024年9月24实施了全面的刺激措施，包括货币宽松、财政扩张和资本市场改革（如降低存款准备金率、定向贷款支持和为机构投资者提供长期融资机制）。这一举措通过行政决策释放了积极信号，进一步引发了交易活动的即时激增，但由于前所未有的交易量，多个经纪系统出现了临时系统中断。虽然这些事件说明了情绪变化对市场微观结构的放大影响，但也暴露了根本性脆弱性：情绪驱动的资本流动可能从个别证券传导到共同基金乃至更广泛的金融生态系统。这一现象在中国以零售为主导的市场中尤为令人担忧，引发了关于情绪驱动条件下金融市场韧性的关键问题。
尽管已有大量关于投资者情绪（Baker等人，2007；Bashir等人，2024；Phan等人，2023）、股票回报（Chen & Haga，2021；Dias等人，2022；Jing等人，2021；Seok等人，2024）和波动性（Gong等人，2022；Gong等人，2024；Hsu等人，2022）的研究，但在理解情绪对基金市场韧性的非对称效应方面仍存在关键空白——基金市场韧性定义为共同基金维持稳定性和从冲击中恢复的能力。现有文献主要集中在以下几个方面，但也存在局限性：
1) 大多数研究主要关注股票市场。然而，共同基金市场同样是一个理解情绪效应的重要领域。由于共同基金市场的相互关联性，赎回压力和投资组合再平衡可能会放大初始冲击，因此它们特别容易受到情绪传染的影响（Arfaoui等人，2024；Jeffers等人，2024）。
2) 现有文献主要探讨外部冲击下投资者情绪的变化（Anand等人，2013；Cerqueti等人，2022；Tang等人，2022）。很少有研究考察投资者情绪对基金韧性的影响，尤其是考虑到负面情绪可能比正面情绪产生更强的影响。
3) 一些研究使用了基于市场的代理变量（如股票回报（Nguyen等人，2025）、交易量（Chung等人，2024）、换手率（Zhang等人，2025）和VIX）或基于调查的代理变量（如AAII和SICI）来衡量投资者情绪。然而，代理变量的选择未能涵盖投资者情绪的所有相关维度，且在降维过程中不可避免地丢失了细微信息。
基于这些讨论，仍有三个基本问题尚未解决：首先，如何准确构建投资者情绪指数和基金市场韧性指数，以便更全面地反映投资者情绪？其次，正面和负面情绪冲击对基金市场韧性的影响是否是非对称的？第三，投资者情绪通过哪些渠道传递到基金市场韧性并影响其动态？为解决这些研究空白，我们采用了三种相互关联的方法论方法。首先，我们利用在49亿个金融文本上预训练的FinBERT语言模型，从中国在线基金论坛的投资者评论中构建情绪指数。为了衡量基金市场韧性，我们构建了一个结合马尔可夫链的复杂动态网络，以得出稳态转移矩阵，并最终使用标准化香农熵作为韧性的代理指标。其次，我们估计了一个时间固定效应的计量经济模型，其中投资者情绪是关键解释变量，基金韧性是因变量。这一框架使我们能够捕捉共同基金对外部情绪波动的反应，并量化情绪与韧性之间的联系强度。第三，为了识别潜在的传递机制，我们对三个基金特征（管理者教育背景、投资风格和注册地点）进行了异质性分析。这种多维度方法揭示了基金特定属性如何调节情绪-韧性动态。基于这一分析框架，我们的研究提出了三个主要贡献：
1) 从优化角度来看，我们通过应用FinBERT模型构建了一个高频、领域特定的情绪指数，该模型利用了大型语言模型的架构。与传统情绪代理变量不同，FinBERT通过迭代参数优化更有效地捕捉了上下文语义和金融术语，从而减轻了降维通常导致的信息损失。
2) 从范围角度来看，虽然以往的研究主要集中在股票市场的情绪效应上，我们将分析扩展到共同基金，并系统地考察了投资者情绪与基金市场韧性之间的关系。我们的发现表明，情绪在高情绪时期会削弱市场韧性，而在低情绪时期则会增强市场韧性。
3) 从机制角度来看，我们全面研究了情绪-韧性关系通过多个基金层面属性的传递路径。异质性测试进一步表明，不同类型的基金对情绪冲击的敏感性不同。随着中国继续深化融入全球资本市场，这项研究的见解为新兴经济体中的情绪传染和金融稳定性提供了更广泛的讨论。
**研究结构**
第2节回顾了关于投资者情绪和基金市场韧性的相关文献。第3节描述了方法论框架。第4节概述了数据来源和变量构建。第5节展示了实证结果和异质性分析。第6节总结了研究结果并讨论了未来研究的方向。
**文献综述**
**投资者情绪的测量**
投资者情绪代表了投资者对金融市场的整体心理倾向和预期。它反映了市场参与者在其投资决策中的乐观或悲观程度。主要可以分为两种类型：综合指数和文本挖掘指数。
综合指数方法基于一种成熟的实证方法，可以有效整合多维数据。Baker和Wurgler（2006）通过主成分分析将反映市场情绪的多个代理变量（如封闭式基金折现率和IPO数量）整合到综合情绪测量指数中。Glushkov（2006）构建了情绪贝塔指数，通过控制与市场、规模、市净率和流动性相关的风险因素来衡量投资者情绪。Antoniewicz等人（2014）针对专业和个人投资者进行了问卷调查，以获取包括他们对未来市场发展和风险偏好的信息，从而构建了一个综合情绪指数。Huang等人（2015）使用偏最小二乘回归改进了传统的主成分分析方法，从而提取与未来回报最相关的情绪因素，并消除了宏观经济噪声，构建了一个新的情绪指数。Ung等人（2024）通过观察情绪指标各组成部分随时间的变化，提高了实证模型捕捉潜在投资者情绪的能力。
文本挖掘指数方法基于大规模文本数据，使用文本分析模型区分正面、负面和中性情绪倾向。Antweiler和Frank（2004）使用朴素贝叶斯算法将雅虎财经的帖子分类为三种情绪类型：看跌、看涨和中性。Bollen等人（2011）爬取了Twitter文本，并使用OpinionFinder将文本分类为正面和负面情绪，并使用GPOMS从文本内容中提取了六个不同的情绪维度，从而按时间序列生成了七种公共情绪类型。Tsukioka等人（2018）从本地论坛中提取了投资者对日本IPO公司的情绪，使用文本挖掘和支持向量机分类将帖子分为看涨、中性或看跌。Yang等人（2020）使用FinBERT对股市新闻的情绪进行了分类，并分析了投资者情绪波动对股市表现的影响。Ruan等人（2025）结合基于FinBERT的金融情绪提取和技术及统计指标来预测短期股价走势。文本挖掘指数目前在金融评论、媒体报道和企业财务报告中有着广泛的应用，因为它使用了BERT和FinBERT等复杂模型来提高情绪分类的准确性。此外，它还可以基于来自多个来源的大量文本数据进行连续和高频的情绪分析。因此，我们的研究使用文本挖掘分析来构建投资者情绪指数。
**基金市场韧性的测量**
2008年国际金融危机之后，金融韧性频繁出现在国内和外国政策文件及研究报告中。作为金融市场韧性的一部分，基金市场韧性涉及基金市场在遇到外部或内部冲击时有效响应、恢复和维持正常运行的能力（Li & Zhu，2019）。关于市场韧性的含义，主流学术界有三种观点：
第一种观点从基金市场流动性的动态角度理解基金市场韧性。Foucault等人（2013）提出，市场韧性可以通过价格差异在市场经历流动性冲击后恢复到原始水平的速度来衡量。Kim等人（2019）进一步将韧性描述为价格从流动性冲击中恢复到其基本价值的速度。价格恢复得越快，市场从短期价格冲击中恢复得越快，从而显示出更强的市场韧性。
第二种观点认为市场韧性是多维能力的体现。Tang等人（2022）认为，市场韧性不仅需要承受大的外部冲击，还需要能够快速恢复并适应市场变化，这体现在足够的流动性、合理的市场定价和风险分散功能的改进上。这些能力反映了基金市场在危机中的综合响应能力。Grosu等人（2025）使用斜率函数进行时间序列分析，将市场韧性分为事件前、事件期间和事件后的恢复和调整阶段。
第三种观点认为市场韧性本质上是市场动态网络的稳定性。股票价格倾向于同步演变，导致股票价格之间存在高度的动态网络相关性。Kauê Dal’Maso等人（2012年）使用与熵相关的测量方法来量化不断发展的金融市场组织的稳定性。研究表明，在金融不稳定期间，网络拓扑结构发生了显著变化，网络的稳定性也随之下降。Leal和Napoletano（2019年）指出，相关实体之间的持续动态互动是系统性金融风险和市场崩溃的根本原因。Yang等人（2020年）利用熵方法来量化市场崩溃后股票网络的稳定性，并研究了政府干预对网络稳定性的影响。Siudak（2025年）采用了一种复杂的多层网络组合方法，来分析金融市场中常用股票回报网络各层之间的统计依赖性。尽管基金市场韧性的定义在学术界存在差异，但大多数学者认为金融市场韧性是指市场抵御和从危机中恢复的总体能力。基于这一观点，本研究采用了第三种方法，在复杂的动态网络框架内构建了一个基于熵的基金市场韧性指数。我们使用香农熵作为金融韧性的代理变量，其核心优势在于能够捕捉马尔可夫转移概率Pij分布的均匀性，这代表了风险冲击在市场中的传播路径多样性。高熵表明价格波动通过分散和冗余的网络结构得到缓解，从而增强了基金市场吸收和缓冲冲击的能力；相反，低熵则表明路径依赖性和结构刚性，即干扰以可预测的方式传播并引发连锁故障。通过量化风险传播的信息多样性，我们的基于熵的指标为传统风险度量提供了补充视角，揭示了不同市场情绪下金融市场的系统韧性。
理论框架：行为金融视角
基于上述投资者情绪的测量方法和基金市场韧性指标的构建，本研究提出了一个基于行为金融的理论机制：
(1) 过度自信理论：Daniel等人（1997年）提出，投资者倾向于高估私人信息信号的准确性并低估自己的预测误差，因此对私人信息反应过度，而对公共信息反应不足。最近的证据将这一框架扩展到了与情绪相关的环境中。Nie等人（2024年）提出，过度自信的CEO会根据经济环境调整他们的并购行为，投资者情绪在决策过程中起着主导作用。Yeung等人（2025年）发现，投资组合价值较低的投资者更容易受到过去经验的影响，负面经验会加剧行为偏差，且这种效应是不对称的。具体来说，在情绪高涨时，投资者倾向于高估私人信息并低估预测误差，导致交易频率增加和价格波动加剧；而在情绪低落时，公共信息持续涌入，准确性占主导地位，价格回归基本面，投资者更加谨慎地评估风险，从而增强市场稳定性。由于过度自信的交易导致风险集中和流动性不匹配，市场变得脆弱。
(2) 群体效应：Banerjee（1992年）提出，人们模仿他人的行为而不是利用自己掌握的信息。与普遍认为乐观情绪会引发群体行为的观点相反，最近的证据表明两者之间存在微妙的关系。Yoon等人（2022年）发现，零售投资者、机构投资者和外国投资者之间的群体行为可能对乐观情绪产生负面影响——强烈的群体行为会导致拥挤，从而削弱信心。Sheikh等人（2025年）表明，随着投资者乐观情绪的增加，中国市场的群体行为减少，可能是因为过度自信抑制了模仿行为（投资者认为他们的私人信号更优越）。当市场情绪高涨时，资金会集中在热门行业（如人工智能和清洁能源），从而降低网络多样性；当市场情绪低落时，投资者对估值存在分歧（一些人认为存在投资机会，而另一些人认为市场正在下跌），导致交易多样化，从而增加网络多样性（高熵）。
(3) 期望理论：Kahneman和Tversky（1979年）提出，交易者对损失的敏感度高于对收益的敏感度，这种不对称性体现在人们倾向于避免损失，这深刻影响了基金市场中的赎回行为。当情绪高涨时，过高的预期会放大感知到的损失（人们认为净资产低于预期）。Cevik等人（2022年）证实，负面情绪会增加波动性并加剧市场不稳定。初始赎回会导致净资产价值下降，进而引发更多的赎回。相比之下，在情绪低落的情况下，这种放大效应不会出现，因为损失是预期之中的。精明的投资者会推迟赎回以避免实现损失，从而稳定现金流。Cui等人（2025年）的研究表明，零售投资者中的乐观情绪预示着较低的回报，这与赎回反应过度的现象一致。这一机制解释了我们的核心实证发现：高投资者情绪会削弱基金市场韧性，而低情绪则会增强韧性。
基于此，我们预计在市场情绪上升期间韧性会下降，在情绪下降期间韧性会增强，这将在后续使用基于文本挖掘的情绪指数和基于熵的韧性指标进行测试。
投资者情绪对基金市场韧性的影响
投资者情绪和基金市场韧性在金融领域都起着重要作用。它们之间存在着密切而复杂的关系，共同塑造了资本市场的动态模式。Racca等人（2016年）测量了最近金融危机前后知识动态和用户行为，研究了市场不确定性冲击对在线论坛上群体投资者情绪的影响，并探讨了群体情绪对在线社区韧性的影响。研究表明，危机对社区群体产生了渐进式的影响，但市场仍表现出对外部冲击的强大韧性。Ding等人（2020年）旨在研究市场情绪对COVID-19期间股市韧性的影响。研究表明，不同行业的股价根据其数字化转型的程度而有所不同。数字化转型最成功的行业对疫情带来的负面市场情绪表现出较强的金融市场韧性。Yadav等人（2023年）利用印度的消费者情绪指数来探讨其对金融韧性的影响及其与宏观经济变量的潜在关联。结果表明，消费者对未来信贷可用性的积极预期会提高信贷限额，从而增强金融韧性。Pernici等人（2024年）指出，在2020年COVID-19疫情之后，人们对资本市场的态度变得更加乐观，并更加关注与金融韧性相关的结果和补救措施。
大多数现有研究从单一角度探讨投资者情绪与金融市场变量之间的关系，没有提供一个将情绪与基金市场韧性联系起来的综合视角。关于投资者情绪如何塑造基金市场韧性的文献仍然较少。
方法论
大型语言模型用于情绪分析
近年来，人工智能在金融领域的应用（AI4Finance）深刻改变了金融市场处理和解释文本信息的方式。大型语言模型（LLMs）已成为从大规模金融文本语料库中提取细微语义模式的有效工具，特别是那些具有特定领域架构的模型，如FinGPT和FinBERT。原始的BERT模型是在通用且无监督的数据集（如维基百科）上预训练的，在应用于高度专业化的金融场景时表现不佳。为了克服这一限制，Araci（2019年）引入了FinBERT，该模型基于BERT的变换器编码器架构构建。FinBERT采用两阶段学习过程——预训练和微调——在通用和特定领域的金融语料库上进行训练，使其能够更精确地捕捉细微的语义含义，并提高深度学习方法在金融文本分析中的有效性。在本研究中，我们使用了Yang等人（2020年）开发的FinBERT模型，该模型在包含约49亿个单词的大型金融通信语料库上进行了预训练，这些语料库涵盖了1994年至2019年的公司报告、财报电话会议记录和分析师评论。该模型是分析中国基金市场投资者评论的主要工具，数据来自Eastmoney在线论坛。作为开源的金融LLM，FinBERT提供了一个轻量级且成本效益高的框架，能够快速适应不断变化的市场条件，从而解决了全面和可扩展地测量投资者情绪的持久挑战。FinBERT的工作流程如图1所示。
FinBERT的工作流程包括两个主要部分。第一阶段合并和预处理多种文本来源——包括公司文件、电话会议记录和分析师报告——通过移除HTML标签和表格数据。然后应用SentencePiece的单词算法来估计词概率并构建Finvocab词典。第二阶段通过自注意力机制和前馈神经网络（FFNN）进行编码。自注意力层计算每个标记与序列中其他标记之间的注意力权重，而FFNN使用高斯误差线性单元（GELU）激活函数来细化结果表示。通过迭代最小化损失函数获得最优参数，然后将得到的梯度反向传播以执行情绪分类任务。
测量投资者情绪
本研究的核心解释变量是投资者情绪。我们使用网络爬取技术从Eastmoney基金论坛收集了样本期间超过150万条关于开放式股票基金和混合基金的用户评论。这些文本数据通过预训练在金融语料库上的FinBERT模型进行处理，并通过K折交叉验证和反向参数调整进行微调，以提高分类准确性。该模型在评论级别输出情绪类别，分为三类：积极/高、消极/低和中性。根据Antweiler和Frank（2004年）的方法，第t天基金i的每日情绪指数计算如下：
(1) Sentimenti,t = ln(1 + Npos,i,t) / (Nneg,i,t)
其中，第t天基金i的积极情绪帖子数量记录为Npos,i,t，消极情绪帖子数量记录为Nneg,i,t。当指数Sentiment大于0时，标记为积极/高情绪；当指数小于0时，标记为消极/低情绪；当指数等于0时，标记为中性情绪。
测量基金市场韧性
本研究的核心因变量是基金市场的韧性。遵循Kauê Dal’Maso等人（2012年）和Cerqueti等人（2022年）的方法论，我们采用了一种动态网络方法，结合滑动窗口分析和基于熵的测量来量化基金网络的结构稳定性。
网络构建：我们计算30天滑动窗口内所有基金对之间的动态相关性，窗口每天向前移动一天。这些相关性被转换为捕捉共同运动模式的距离度量。具体来说，对于任意两个基金i和j，相关系数计算如下：
(2) ρij = (E(YiYj) - E(Yi)) / [(E(Yi^2) - E(Yi))^2] * (E(Yj^2) - E(Yj)^2]
其中，Yi表示第i只基金的单位净值，Yj表示第j只基金的单位净值，ρij表示两只基金之间的相关系数。然后可以将这个相关系数转换为距离度量，反映两只基金单位净值变化的相似性：
(3) d(i,j) = 2^(1 - ρij)
其中，d(i,j)表示两只基金之间的动态距离。这个距离度量满足适当度量空间的数学公理（非负性、对称性和三角不等式）。N只基金之间的距离构成一个动态的N*N矩阵，我们从中构建一个加权邻接矩阵：
(4) wij = exp(-di,j)
马尔可夫链分析：为了捕捉基金之间的价格传递机制，我们使用马尔可夫链框架对网络动态进行建模。通过对权重矩阵W进行特征值分解：
(5) Wv = λv
其中，λ表示相应权重矩阵W的主特征值，代表网络的整体相关性强度。v是相应的右特征向量，反映了每只基金的网络中心性。我们随后构建了马尔可夫链的转移概率矩阵P和稳态分布，表达式如下：(6) pij = wijvjλvi (7) πi = viui ∑ kvkuk，其中wij表示基金i与基金j之间的权重。vj表示第j只基金的右特征向量。λ是相应权重矩阵W的最大特征值。pij表示第i只基金转移到第j只基金的概率，捕捉了价格传染的方向模式。根据构造，这个概率满足马尔可夫链的归一化条件（∑j pij = 1）。ui表示权重矩阵W中对应于第i只基金的左特征向量。πi表示第i只基金达到稳态分布时的价值（此时，第i只基金和第j只基金之间没有单位净值的转换）。
基于熵的韧性：我们使用香农熵来量化基金市场的韧性——这是一种来自信息论的度量方法，可以捕捉基金连接的多样性（Shannon, 1948）。较高的熵表示更多样化的联系，因此对冲击的韧性更强。基金i的韧性定义为：(8) resiliencei = −∑j πipij log pij，其中resiliencei表示第i只基金的局部熵贡献。这个度量方法根据基金在稳态下的重要性πi对每个转移概率pij进行加权，既考虑了价格传递路径的多样化，也考虑了基金在网络中的中心性。较高的熵表示更大的结构多样性——当一只基金与多只其他基金保持相对平衡的转移概率的联系时，它对特定冲击的韧性更强。
为了便于进行横截面和时间序列比较，我们使用z分数对韧性指数进行标准化，以确保各个基金对应韧性值的稳健性：(9) Resiliencei,t = (Resiliencei,t − u¯i) / σi，其中Resiliencei,t表示第i只基金在t天的标准化局部熵贡献。u¯i和σi分别表示样本期间第i只基金熵的时间序列均值和标准差。这种标准化去除了基金特定的规模效应，同时保留了基金内部的时间变化。
为了避免概念上的歧义，在我们的研究中明确区分基金层面的韧性和市场层面的韧性是很重要的。我们的实证分析是在基金层面进行的，其中Resiliencei,t衡量的是第i只基金的韧性。具体来说，它捕捉了基金在承受冲击的同时保持其在基于回报的基金网络中相对位置的能力。市场层面的韧性并没有在回归框架中直接估计，而是被定义为一个总体指标。Resiliencet = 1/N ∑i=1n Resiliencei,t，表示在系统性压力下基金市场的整体稳定性。这种汇总仅用于稳健性测试，而不是用于因果推断。从网络的角度来看，熵是一个系统层面的属性。较高的熵反映了网络连接的更多样化以及更多的可行状态转换路径，从而增强了市场吸收冲击的能力。相反，较低的熵表明网络结构更加集中，增加了对系统性传染的脆弱性。重要的是，这种解释适用于整个基金网络的结构，而不是意味着任何单个基金在孤立状态下本质上更具有韧性。对于有兴趣了解详细技术推导的读者，包括距离度量的数学属性、马尔可夫链的收敛性质以及香农熵的信息论基础，我们在附录B中提供了全面的文档。
熵作为韧性的代理：使用传统指标进行验证
为了应对高熵可能反映的是混沌无序而不是韧性的担忧，我们区分了两种解释。在无序解释下，高熵源于随机、不相关的冲击，这些冲击造成了结构噪声和市场不稳定。在风险分散解释下，高熵反映了网络节点间回报的均匀分布，减少了集中度和传染风险——这与网络理论一致，即最大熵最小化了级联失败的概率。我们检查了熵与四个传统指标之间的关系：市场层面的风险由基金经理计算的理论日波动率来衡量。图2的A面板显示熵与市场波动率之间存在显著的负相关：在高熵期间，波动率显著较低。根据拟合线，熵增加1个标准差对应于波动率减少0.15个单位（大约是平均值的30%）。这种模式证实了熵捕捉的是稳定性而不是无序。我们还采用净资产值（NAV）变化比率作为赎回压力的代理，其中负变化表示卖出压力。图2的B面板揭示了这种负相关：处于高熵状态的基金面临较低的赎回压力。这与风险分散理论的预测一致，该理论表明较高的熵可以减少恐慌性流出。
下载：下载高分辨率图像（516KB）
下载：下载全尺寸图像
图2. 熵与传统指标的实证验证。
C和D面板检查了包括基金规模和投资组合周转率在内的流动性代理指标，这些指标与熵没有显著关系。我们将这归因于中国共同基金市场的制度特征：开放式基金仅通过场外交易与基金管理公司进行交易，缺乏二级市场。因此，标准的流动性指标（如买卖价差和交易量）不适用，而周转率反映了管理策略而非赎回流动性。
从验证练习中得到了两个主要观察结果：首先，熵与传统风险指标（波动率和赎回压力）之间的负相关证实了熵捕捉了这些传统指标所识别的稳定性维度。其次，关于流动性的零相关结果更多地反映了市场机构的特征，而不是熵的有效性问题。我们认为，如果熵仅仅代表无序，它应该与所有风险指标呈正相关。然而，熵与波动率和赎回压力呈负相关，但与市场流动性指标无关。这些发现表明，熵不仅在理论上是有根据的，而且在实证上也是稳健的，提供了一个概念上独特且经过实证验证的基金市场韧性度量方法。
数据来源和变量
我们构建了以投资者情绪为核心自变量、基金韧性为核心因变量的计量经济方程作为我们的主要计量经济模型。控制变量包括基金成立年限、基金托管费率、基金管理费率、基金累计净值、年回报率、任期内的最大回撤、任期内的最大回报和价格波动。构建的回归方程如下：(10) Resiliencei,t = β0 + β1 Sentimenti,t + β2 Agei,t + β3 Cusi,t + β4 Manai,t + β5 Leveragei,t + β6 Stockfivei,t + β7 Accuneti,t + β8 Annualreturni,t + β9 Maxdrawdowni,t + β10 Maxreturni,t + β11 Changei,t + εi,t，其中Resiliencei,t表示第i只基金在t天的韧性，Sentimenti,t表示第i只基金在t天的投资者情绪，εi,t表示随机误差项，其余为控制变量。Age表示基金的成立年限。Cus和Mana是托管银行为保管和管理基金资产向基金收取的费用比率。Leverage等于基金总资产除以基金净资产。Stockfive表示基金投资组合中前五只股票的百分比。Accunet等于资产单位净值加上累计单位股息。Annualreturn是相应基金的年回报率。Maxdrawdown是相应基金的最大回撤。Maxreturn是相应基金的最大回报。Change是基金价格幅度，等于当天的收盘价减去前一天的收盘价，然后除以前一天的收盘价。
在相关性分析并排除多重共线性的影响后，本研究比较了使用随机效应和固定效应的结果。根据Hausman测试结果，固定效应规格优于普通最小二乘（OLS）模型，随机效应模型优于OLS模型，而固定效应模型更受青睐。因此，本研究使用固定效应来估计模型。由于选定的控制变量（基金成立年限（Age）、任期内的最大回撤（Maxdrawdown）和任期内的最大回报（Maxreturn）已经包含了各个基金的异质性表现，我们仅使用时间固定效应来显示基金在时间维度上的异质性表现。同时，考虑到异方差性问题，我们采用了稳健的标准误差。
本研究从Eastmoney（www.eastmoney.com）抓取了开放式偏股基金和混合基金用户的评论，样本期间设定为2023年6月1日至2025年1月1日。我们使用Spyder抓取了超过150万条用户评论，并手动将它们标记为训练集。清理数据后，最终获得了351,904个样本。遵循Yang等人（2020）的方法，我们采用FinBERT模型进行进一步分类任务以构建投资者情绪指数。基金的日单位净值来自Choice金融数据库。权重矩阵和网络距离是通过复杂动态网络计算的，稳态下的转移概率是通过马尔可夫链计算的，最终得到个别基金的动态熵作为基金市场韧性的代理指数。控制变量来自Wind数据库。它们的汇总统计数据显示在表1中。总体而言，这些变量表现出显著的横截面和时间序列变化，为计量经济识别提供了合适的基础。
表1. 汇总统计。
变量 N Mean SD Min Max
Resilience 351 90.00 0.992 -3.925
Sentiment 351 90.04 -0.223 0.564 -3.738
Age 351 90.04 6.065 4.435 0.000
Cus 351 90.04 0.194 0.024 0.000
Mana 351 90.04 1.152 0.159 0.000
Leverage 351 90.04 1.040 0.072 0.859
Stockfive 351 90.04 0.313 0.095 0.071
Accunet 351 90.04 1.555 1.082 0.410
Annualreturn 351 90.04 -0.022 11.670 -33.210
Maxdrawdown 351 90.04 -24.274 16.131 -66.058 -3.123
Maxreturn 351 90.04 68.776 100.001 -1.393
Change 351 90.04 0.020 1.550 -4.160 5.690
为了进一步评估潜在的多重共线性问题，附录C（图C1）展示了主要变量之间的成对皮尔逊相关系数。由于样本量较大，一些相关性在统计上是显著的。然而，它们的幅度通常较小。特别是，投资者情绪与基金韧性之间的相关性是正的，但在经济上很小，表明基线关系不太可能由简单的线性依赖驱动。在控制变量中，基金成立年限和累计净值表现出相对较高的相关性，反映了基金随时间的自然积累过程。尽管如此，没有一对相关性超过与严重多重共线性相关的传统阈值。与这一观察一致，方差膨胀因子（VIF）诊断的平均VIF为1.339，远低于10的临界阈值，表明多重共线性并未实质性影响回归估计。
实证分析
主要结果
表2显示了在逐步添加控制变量后，投资者情绪对基金市场韧性的基准回归结果。具体来说，从0.048逐渐减少到0.034的系统性的情绪系数降低反映了控制变量的增量解释能力，同时保持了核心关系的统计和经济显著性。第1列的回归系数为0.048，在1%的水平上显著，表明每增加1个单位的投资者情绪，基金韧性增加0.048个单位。第2列将固定基金特征（如基金经理任期、管理费用、托管费用、杠杆率和前五只股票的百分比）添加到回归中，回归系数变为0.044，在1%的水平上仍然显著。第3列进一步添加了基金回报特征（如累计回报和年化回报），结果大致相同。值得注意的是，当包含下行风险指标（Maxdrawdown、Maxreturn和Change）后，Annualreturn的系数从第3列的负值变为第4列的正值。这种反转表明，一旦最大回撤和最大回报保持不变，年回报的残差部分反映了基金层面的表现质量而非风险暴露，从而将其与韧性的关联从负值变为正值。这一发现强调了在建模基金韧性时同时控制表现和风险维度的重要性。第4列包含了所有控制变量，回归系数降至0.034，但在1%的水平上仍然显著。结果更加稳健，并进一步验证了投资者情绪对基金市场韧性的显著正面影响。
表2. 投资者情绪对基金市场韧性的基准回归结果。
空白单元 (1) Resilience (2) Resilience (3) Resilience (4) Resilience
Sentiment 0.048*** 0.044*** 0.044*** 0.034***
空白单元 (28.851) (26.523) (26.354) (20.226)
Age -0.004*** 0.002*** 0.002*** 空白单元
(-19.724) (6.711) (7.221)
Cus 0.437*** 0.412*** 0.549*** 空白单元
(8.017) (7.569) (10.033)
Mana -0.276*** -0.278*** -0.316*** 空白单元
(-31.078) (-31.359) (-35.129)
Leverage -0.027** -0.028** -0.014 空白单元
(-1.976) (-2.080) (-1.059)
Stockfive -0.022** -0.023** -0.023** 空白单元
(-2.178) (-2.280) (-2.264)
Accunet -0.034*** -0.017*** 空白单元
(-25.582) (-12.707)
Annualreturn -0.001*** 0.000*** 空白单元
(-9.248) (4.780)
Maxdrawdown -0.004*** 空白单元
(-60.067) Maxreturn -0.000*** 空白单元
Change -0.034*** 空白单元
(-31.211) Constant 0.011*** 0.304*** 0.327*** 空白单元
(10.042) (16.578) (17.799) (12.631)
TimeFE YES YES YES YES YES
N 351 904 351 904 351 904
R2 0.665 0.667 0.667 0.673
ΔR² 0.000*** 0.000*** 0.000***
注：括号中的稳健t统计量；***、**和*分别表示1%、5%和10%的水平上的显著性。
投资者情绪增加1个单位与基金市场韧性增加0.034个单位相关。根据表1中的标准差（SD = 0.564）进行缩放，情绪增加1个标准差与韧性增加0.019个单位相关——相当于韧性分布1个标准差的大约1.9%。使用Wald测试对新添加的变量块评估模型解释能力变化的统计显著性（ΔR²）。尽管ΔR²的增量在绝对值上很小，但Wald检验确认每个新增变量的块都为模型解释能力做出了统计上显著的贡献，这与大样本量（N = 351,904）提供了高统计能力以检测到模型拟合的微小但真实的改进是一致的。结果表明，每次模型扩展都显著提高了解释能力，证实了基金特征、绩效指标和风险相关变量提供了超出投资者情绪本身的额外解释内容。这些结果为投资者情绪对基金市场韧性的因果影响提供了强有力的证据，支持了行为金融理论，即投资者情绪显著影响市场稳定性。此外，我们将韧性样本根据不同情绪类型（高、低和中性情绪）进行回归分析，如表3所示。第1列的回归系数为-0.092，在1%的水平上显著，表明当投资者情绪高涨时，市场韧性会显著降低。这进一步反映了当投资者情绪高涨时，他们可能会表现出过度自信等非理性行为，从而导致市场稳定性下降。第2列的回归系数为0.109，在1%的水平上显著，表明当投资者情绪低落时，基金市场韧性会增加。主要原因可能是情绪低落市场的投资者对资本更加谨慎，因此更倾向于选择价格较低但更稳定的投资，从而增强了基金市场的韧性。这两个发现共同展示了投资者情绪对基金市场韧性的非对称效应。第3列是中性情绪样本，其回归系数为0。在这种情况下，市场相对稳定，情绪的微小变化不会产生显著影响。
表3. 不同投资者情绪对基金市场韧性的基准回归结果。
空单元格
(1) 高情绪 韧性
(2) 低情绪 韧性
(3) 中性情绪 韧性
情绪 -0.092*** 0.109*** 0.000
空单元格
(-9.104) (26.787) (.)
年龄 -0.002*** 0.001*** -0.000
空单元格
(-2.593) (2.946) (-0.315)
Cus 0.583*** 0.933*** 0.376***
空单元格
(4.613) (10.106) (4.966)
Mana -0.021 -0.053*** -0.457***
空单元格
(-0.894) (-3.363) (-37.939)
杠杆 0.108*** 0.080*** 0.056***
空单元格
(28.901) (39.497) (28.265)
Stockfive -0.038*** -0.040*** -0.046***
空单元格
(-12.640) (-24.653) (-32.382)
Accunet -0.001 -0.006*** -0.011***
空单元格
(-0.410) (-3.328) (-8.009)
年回报率 0.001*** 0.000 0.001***
空单元格
(3.719) (0.524) (7.097)
最大回撤 -0.002*** -0.003*** -0.003***
空单元格
(-9.970) (-22.875) (-41.707)
最大回报率 -0.000*** -0.000*** -0.000***
空单元格
(-4.183) (-11.817) (-18.633)
变化 -0.030*** -0.011*** -0.025***
空单元格
(-11.787) (-7.027) (-17.105)
常数 -0.001 -0.070*** 0.392***
空单元格
(-0.037) (-3.368) (28.362)
时间 FE 是 是 是 是 是
N 3625 912 336 519 2280
R² 0.697 0.703 0.678
注：括号中的稳健t统计量；***、**和*分别代表1%、5%和10%的水平上的显著性。由于所有中性组数据的情绪值Sentiment = 0（回归变量的方差为零），因此无法估计其系数，导致t统计量未定义。
同样，我们根据不同的分位数（前10%、前25%、前50%、前75%、前90%）对韧性样本进行回归分析，如表4所示。回归系数随分位数的增加而单调增加。为了提供全面的理解，我们将参数回归结果与非参数可视化结合，如图3所示。为了减轻极端值对非线性关系的影响，分布图使用核密度估计（KDE）（见附录A）来显示样本的质心。它代表了标准化投资者情绪（以标准差衡量）和标准化香农熵作为市场韧性的联合分布。叠加的曲线显示了使用默认分位数（第5、35、65、95百分位）的限制三次样条的分位数回归拟合，展示了韧性分布中的异质情绪效应。阴影的强度表示双变量概率密度，较暗的区域表示数据浓度较高。分布图中的五条等粗拟合线表明，基金对投资者情绪的反应模式在不同分位数水平上高度一致。随着分位数的增加，在高情绪区域，拟合曲线的斜率变得更陡峭，这与系数的绝对值增加一致，表明具有更高韧性的基金在极端情绪冲击下可能会表现出额外的韧性下降。分位数回归结果进一步证明了这种非线性影响的普遍性。这种空间分布特征也为表3中显示的显著非对称相关性结果提供了坚实的实证支持，表明高情绪削弱韧性并非由少数异常值驱动。
表4. 投资者情绪对基金市场韧性的分位数回归结果。
空单元格
(1) 前10% 韧性
(2) 前25% 韧性
(3) 前50% 韧性
(4) 前75% 韧性
(5) 前90% 韧性
情绪 0.013*** 0.014*** 0.025*** 0.031*** 0.035***
空单元格
(2.719) (5.166) (12.628) (17.911) (20.873)
年龄 -0.001 -0.001** -0.000 -0.001**
空单元格
(-0.968) (-2.175) (-1.049) (-0.878) (-2.035)
Cus 0.237* 0.365*** 0.510*** 0.673*** 0.690***
空单元格
(1.930) (4.729) (8.223) (12.149) (13.007)
Mana -0.124*** -0.204*** -0.262*** -0.283*** -0.277***
空单元格
(-6.247) (-16.657) (-26.043) (-30.609) (-31.473)
杠杆 0.052*** 0.054*** 0.061*** 0.074***
空单元格
(15.459) (25.683) (40.289) (56.476) (59.275)
Stockfive 0.001 -0.008*** -0.023*** -0.046***
空单元格
(0.569) (-5.304) (-19.288) (-36.284) (-45.243)
Accunet 0.002 0.003** 0.000 -0.002**
空单元格
(0.701) (2.169) (0.135) (-2.125) (-3.593)
年回报率 0.000** 0.001*** 0.001*** 0.001***
空单元格
(2.081) (8.549) (12.205) (9.119) (6.506)
最大回撤 0.000 -0.001*** -0.002*** -0.002***
空单元格
(0.114) (-9.974) (-25.067) (-34.444) (-41.022)
最大回报率 -0.000*** -0.000*** -0.000***
空单元格
(-3.981) (-14.518) (-23.012) (-23.989) (-21.690)
变化 -0.015*** -0.014*** -0.020***
空单元格
(-5.177) (-7.750) (-15.026) (-22.852) (-25.241)
常数 1.835*** 1.375*** 0.939*** 0.572***
空单元格
(87.582) (97.572) (78.040) (51.457) (32.270)
时间 FE 是 是 是 是 是
N 3517 287 973 175 951 263 928 316 714
R² 0.784 0.660 0.569 0.566 0.609
注：括号中的稳健t统计量；***、**和*分别代表1%、5%和10%的水平上的显著性。
下载：下载高分辨率图像（272KB）
下载：下载全尺寸图像
图3. 不同分位数下情绪-韧性关系的非参数可视化。
为了进一步检验省略明确情绪强度是否会影响我们的基线发现，我们根据情绪的方向和极端程度将其分为四种类型：高极端、高温和低极端、低温和低极端，其中|情绪|>0.5定义为“极端”，0<|情绪|≤0.5定义为“温和”。相应的回归结果报告在附录C（表C1）中。在所有四种类型中，投资者情绪对基金韧性的估计效应仍然具有统计意义和经济意义。值得注意的是，在高极端情况下，情绪系数的幅度最大，这与极端情绪对韧性有更强影响的预期一致。这些发现表明，尽管强度加权可能会细化情绪指数，但其省略不会对我们的核心估计产生实质性偏差。
为了验证基准回归结果的可靠性并确保实证结论的稳健性，我们进行了一系列稳健性检验。具体来说，我们在对所有变量应用1%和5%的 winsorization 后重新估计模型，在排除2023年的所有观测值后重新估计模型，并在移除异常影响期及其相应的扩展期后重新估计模型。结果报告在表5中。
表5. 基准回归的稳健性检验结果。
空单元格
(1) 1% winsorize
(2) 5% winsorize
(3) 排除2023年
(4) 排除冲击
(5) 排除扩展冲击
空单元格
韧性 韧性 韧性 韧性 韧性
情绪 0.042*** 0.041*** 0.024*** 0.039*** 0.037***
空单元格
(24.909) (22.743) (10.790) (22.765) (21.021)
年龄 0.001* 0.001*** -0.003*** 0.000 0.000
空单元格
(1.901) (3.988) (-6.478) (0.557) (1.199)
Cus 0.681*** 0.675*** 0.958*** 0.608*** 0.657***
空单元格
(11.829) (7.379) (13.694) (10.788) (11.227)
Mana -0.395*** -0.319*** -0.295*** -0.340*** -0.302***
空单元格
(-41.750) (-35.659) (-25.142) (-36.274) (-30.812)
杠杆 0.066*** 0.074*** 0.117*** 0.069***
空单元格
(49.908) (51.707) (62.516) (50.522) (50.527)
Stockfive -0.045*** -0.050*** -0.040*** -0.046***
空单元格
(-44.685) (-50.828) (-29.252) (-43.922) (-43.328)
Accunet -0.012*** -0.016*** 0.006*** -0.009***
空单元格
(-9.107) (-11.098) (4.103) (-8.455) (-8.278)
年回报率 0.001*** 0.001*** 0.000 0.000***
空单元格
(7.572) (6.950) (1.338) (6.566) (6.673)
最大回撤 -0.003*** -0.003*** -0.003*** -0.003***
空单元格
(-55.928) (-53.807) (-35.534) (-52.461) (-48.972)
最大回报率 -0.000*** -0.000*** -0.000***
空单元格
(-24.981) (-21.101) (-13.977) (-23.960) (-21.814)
变化 -0.026*** -0.034*** -0.010*** -0.020***
空单元格
(-23.977) (-27.811) (-8.128) (-20.034) (-23.695)
常数 0.276*** 0.193*** 0.303*** 0.249***
空单元格
(24.278) (12.505) (22.167) (21.944) (20.741)
时间 FE 是 是 是 是 是
N 3519 043 519 042 069 813 360 363 092 10
R² 0.653 0.646 0.660 0.668 0.644
注：括号中的稳健t统计量；***、**和*分别代表1%、5%和10%的水平上的显著性。
为了识别异常市场时期，我们首先使用日平均变化率对过度市场波动的时期进行聚类。然后应用两个标准差的规则来检测极端波动的日子，定义为异常影响期。每个识别出的时期随后向前和向后扩展一天，以获得扩展的影响期。定义如下：
(11) ΔXt = Xt−Xt−1 × 100，X∈{Hd,情绪}
(12) Shockt = I(At)，At={|ΔHdt|>2σHd ∨ |Δ情绪t|>2σ情绪}
(13) ShockExtendt = I(Bt)，Bt={Shockt−1=1 ∨ Shockt=1 ∨ Shockt+1=1}
其中 ΔXt 表示第t天的相应指标的波动性，σ 是相应的标准差，逻辑析取符号 ∨ 表示“或”，意味着如果集合中的至少一个不等式成立则条件成立。此外，当事件 At 成立时，Shockt 等于1，表示异常影响日，否则为0。同样，当事件 Bt 成立时，Shockt 等于1——即如果第t天或其相邻的一天（t−1 或 t+1）被识别为异常影响日——否则为0。I(·) 表示指示函数，定义为：
(14) I(C)={1，如果条件成立，0，否则。
异常时期识别结果显示在图4中。主要的异常影响日为15天，占总天数的3.9%。这15天的总样本量为15,868，这些观测值随后被移除。此外，影响期之前和之后的时期被视为扩展期，总样本量为42,694个个体，并进行稳健回归以考虑样本移除的影响。
下载：下载高分辨率图像（582KB）
下载：下载全尺寸图像
图4. 异常冲击期的识别结果。
基于上述异常冲击期的识别，表5显示了稳健性检验的回归结果。第1列和第2列报告了在1%和5%水平上对所有连续变量进行 winsorization 后的结果。回归系数0.042和0.041表明投资者情绪对基金市场韧性有正面影响，并且在1%的水平上仍然显著。第3列排除了2023年，并使用一年的时期进行回归。2023年之后较短的窗口中系数的减少可能反映了2024年相对平静的情绪环境，这与该时期观察到的刺激驱动的市场稳定一致。第4列和第5列主要排除了上述异常冲击期和扩展的异常冲击期样本进行回归。两列的回归结果在1%的水平上仍然稳健且显著，与基准回归结果的系数0.034大致一致。
在异质性分析中，我们进一步研究了投资者情绪与基金市场韧性之间的关系如何随着基金经理的教育背景、投资风格和地理位置的不同而变化。结果揭示了这些维度上的系统差异，表明情绪对韧性的影响取决于管理特征、投资组合结构和区域环境。这些发现与行为渠道在不同机构和市场环境中的运作是异质的观点一致。完整的回归结果报告在附录C的表C2-C4中。
基金经理的教育背景是他们分析能力和在不确定性下处理市场信息能力的重要代理指标。先前的研究表明，受教育程度较高的投资者通常具有更强的信息获取和分析技能，这有助于他们更有效地过滤市场噪音和减轻认知偏差（Calvet等人，2009年）。相比之下，受教育程度较低的投资者更倾向于依赖启发式方法，并且更容易受到情绪反应和从众行为的影响，这可能会增加次优决策的可能性（Baker & Wurgler，2006年）。因此，我们根据经理的最高学术学位将样本分为博士、硕士和学士学位持有者。结果揭示了一个意外的模式。估计的情绪系数对于拥有学士学位的经理最大（β1=0.108，p<0.01），大约是博士学位持有者（β1=0.041，p<0.01）或硕士学位持有者（β1=0.039，p<0.01）的三倍。一种可能的解释是，受教育程度较高的经理在做出投资决策时更可能依赖专有信息、定量模型和历史数据，这使他们能够过滤掉短期情绪波动。然而，他们更优越的培训可能反而会培养出一定程度的认知过度自信，使他们在极端情绪期间更倾向于依赖自己的判断并从事逆向交易，从而削弱了情绪对投资组合决策的直接传递。相比之下，拥有学士学位的经理可能对复杂的分析工具的访问有限，因此更依赖于公开可观察的情绪信号，导致投资者情绪与基金行为之间的耦合更为紧密。详细的回归结果报告在附录C的表C2中。
基金投资风格反映了资产配置策略和风险偏好的异质性，可能调节情绪的传递。Kumar和Lee（2006年）记录了价值型、成长型和平衡型基金在投资哲学、投资组合结构和流动性特征上的系统差异。Brown和Cliff（2005年）表明，投资于高波动性资产的成长型基金可能对情绪波动更敏感，而投资于基本面更稳定的价值型基金可能对情绪冲击表现出更大的韧性。通过将基金分类为平衡型、成长型和收入型投资风格，我们发现平衡型基金表现出最高的情绪敏感性（β1=0.064，p<0.01），表明平衡型基金在情绪波动时更有可能改变投资策略，因为它们具有灵活的投资组合策略，使它们对不同的市场情绪周期更加敏感。成长型基金显示出中等效应（β1=0.031，p<0.01），表明投资者情绪对成长型基金的韧性有相对较弱的正面影响。收入型基金表现出最弱的和边缘显著的响应（β1=0.029，p<0.1），这与它们的长期投资重点一致，使它们对短期情绪变化不太敏感（附录C表C3）。
Coval和Moskowitz（1999年）强调，区域差异反映了制度环境、信息基础设施和当地投资者偏好的变化，所有这些因素都可能影响投资行为和市场结果。位于北京、上海和广东等一线城市的基金通常受益于更发达的金融生态系统、更强的信息渠道和更深厚的人才库，这有助于提高专业决策和风险管理能力。相比之下，位于二线城市的基金可能面临更大的资源限制和更有限的高质量信息获取，可能导致不同的韧性模式。我们将注册地点分为三个层级，将“北京”、“上海”和“广东”标记为一线城市，“天津”、“浙江”、“福建”、“西安”、“山东”和“重庆”标记为二线城市，“西藏”、“广西”和“新疆”标记为三线城市，并发现了显著的区域不对称性。对于一线城市，估计的情绪效应是积极的且在统计上显著（β1=0.036，p<0.01），表明更成熟的金融环境使机构投资者能够依赖内部研究和专业判断来减轻散户情绪的干扰，从而有助于系统稳定性。相比之下，二线城市的基金表现出显著的负面情绪效应（β1=−0.026，p<0.01）。一个可能的解释是，这些基金更依赖于基于互联网的公众情绪，而缺乏与一线城市机构相同的私人信息，这加剧了市场繁荣和低迷时期的顺周期行为。对于三线城市，情绪系数在统计上不显著（β1=0.018），这可能反映了这些地区的本地投资者和机构往往风险容忍度较低，与在线金融平台的互动较少，从而减少了数字情绪对基金决策的影响。详细的回归结果报告在附录C的表C4中。
尽管基线结果显示投资者情绪与基金市场韧性之间存在显著的正相关关系，但这种关系显然是不对称的。特别是，情绪高涨往往会削弱韧性，而情绪低落则与更强的韧性相关。因此，澄清潜在的传导机制对于理论解释和政策意义至关重要。为了进一步阐明作用机制，我们关注了情绪可能影响基金市场韧性的两个主要渠道：价格信息动态和基金容量限制。这些渠道捕捉了情绪如何与市场信号和机构决策过程相互作用，从而影响韧性结果。机制测试的详细回归规格和结果报告在附录C的表C5-C8中。此外，图5展示了不同群体中调节效应的估计斜率，提供了在替代条件下情绪-韧性关系强度变化的视觉总结。
价格信息机制
开盘价和收盘价代表交易日内信息聚合的两个不同阶段。开盘价反映了市场在纳入隔夜新闻、全球市场动态和宏观经济发展后的初始清算结果。根据Admati和Pfleiderer（1988）的观点，价格形成可以被视为一个信息聚合过程，在这个过程中，知情交易者和噪声交易者在信息不对称的情况下进行互动。在开盘拍卖期间，信息不对称性通常很高，价格主要反映了自上次收盘以来市场对累积信号的共同解读。当开盘价已经很高时，表明乐观预期已经被大幅纳入，留给情绪驱动的进一步上涨空间有限。收盘价代表交易时段的最终估值，总结了日内信息流和交易活动的累积影响。按照Kyle（1985）的观点，它可以被解释为市场的共识价格，其中异质信息通过持续交易逐渐被纳入。与开盘价相比，收盘价包含了更丰富的信息，因为它不仅反映了公共新闻，还反映了机构在整个交易日的再平衡和订单流动。强劲的收盘价可能表明持续的积极情绪，但也可能预示着潜在的估值过高，这可能会削弱情绪对韧性的后续边际影响。
从信息不对称的角度来看，投资者情绪的影响取决于当前价格与其信息均衡的偏离程度。当开盘价或收盘价较高时，乐观预期已经被大幅纳入，情绪在增强韧性方面的边际作用有限。相反，当价格较低时，市场可能尚未完全吸收有利信息，允许情绪在稳定韧性方面发挥更重要的作用。
结果证实了收盘价（βinters=−0.005，p<0.01）和开盘价（βinters=−0.005，p<0.01）的负面交互效应，表明在较高价格水平下情绪的边际效应减弱（附录C表C5-C6）。群体回归进一步显示，在高收盘价市场中，情绪系数为0.042，而在低收盘价市场中为0.033，开盘价也表现出类似的模式（0.043对比0.033）。这种差异可能源于“情绪饱和”效应：当开盘价反映乐观预期时，日内情绪对韧性的边际贡献有限，因为乐观信号已经被大幅纳入市场价格。图5（A-B面板）可视化了这些调节动态，表明尽管高价格市场的基线韧性较高，但情绪波动对韧性的响应斜率明显受到抑制。低价格群体在情绪低落范围内显示出更强的韧性恢复潜力，表明在低估值环境中情绪驱动的稳定作用有更大的空间。
基金容量机制
虽然市场价格变量反映了更广泛的信息环境，但基金捕捉上涨收益和限制下跌损失的能力是其微观层面风险管理效率和情绪暴露度的关键决定因素。我们考察了基金容量的两个互补维度：上涨市场捕获比率，它量化了基金相对于基准在牛市期间的超额回报，体现了积极性和市场时机选择能力；以及下跌市场捕获比率，它评估了熊市期间的资本保值能力，反映了防御能力和风险缓冲能力。这些指标揭示了投资者情绪在不同运营特征的基金之间传递的不对称模式。高盈利能力基金通常具有更优的信息优势和主动管理能力（Cremers & Petajisto，2009）。在市场扩张期间，这些基金能够准确识别高质量资产并迅速调整投资组合，从而在投资者情绪高涨时放大回报。这种表现优势进一步吸引了资本流入，进而增强了基金在网络中的核心地位和韧性。相反，抵御市场下跌的能力直接关系到基金在压力下的生存能力，这与网络韧性的核心概念紧密相关。Brunnermeier和Pedersen（2009）证明，在市场下跌期间，流动性螺旋效应加剧，具有强韧性的基金可以通过持有低波动性资产、保持足够的现金储备或采用对冲策略来减轻负面情绪造成的投资者信心侵蚀。
回归结果显示，上涨市场捕获的交互系数为负且显著（βinters=−0.008，p<0.01），表明盈利能力减弱了情绪对韧性的影响。子组分析得出一个反直觉的模式：高盈利能力基金的情绪系数为0.022，远低于低盈利能力基金的0.057。相反，下跌市场捕获显示出正向的调节效应（βinters=0.005，p<0.01），高韧性基金的情绪系数为0.058，而低韧性基金的情绪系数为0.029——正好相反的模式。这种差异源于不同的放大效应。高盈利能力基金已经占据了网络的核心位置，具有较高的基线韧性水平，当情绪的边际贡献遇到数值上限时，即使韧性已经很高，进一步提升的空间也有限。图5（C面板）展示了这种约束：高盈利能力组保持了较高的截距，但其斜率（0.022）明显低于低盈利能力组（0.057）。然而，两条轨迹显示出趋同的趋势：当情绪达到极端乐观时（情绪=+2），韧性差距缩小，表明在低估值环境中情绪驱动的稳定作用有更大的空间。
尽管市场价格变量反映了更广泛的信息环境，但基金捕捉上涨收益和限制下跌损失的能力是其微观层面风险管理效率和情绪暴露度的关键决定因素。我们考察了基金容量的两个互补维度：上涨市场捕获比率，它量化了基金在牛市期间的超额回报，体现了积极性和市场时机选择能力；以及下跌市场捕获比率，它评估了熊市期间的资本保值能力，反映了防御能力和风险缓冲能力。这些指标揭示了投资者情绪在不同运营特征的基金之间传递的不对称模式。高盈利能力基金通常具有更优的信息优势和主动管理能力（Cremers & Petajisto，2009）。在市场扩张期间，这些基金能够准确识别高质量资产并迅速调整投资组合，从而在投资者情绪高涨时放大回报。这种表现优势进一步吸引了资本流入，进而增强了基金在网络中的核心地位和韧性。相反，抵御市场下跌的能力直接关系到基金在压力下的生存能力，这与网络韧性的核心概念紧密相关。Brunnermeier和Pedersen（2009）证明，在市场下跌期间，流动性螺旋效应加剧，具有强韧性的基金可以通过持有低波动性资产、保持足够的现金储备或采用对冲策略来减轻负面情绪造成的投资者信心侵蚀。
回归结果揭示了上涨市场盈利能力和下跌市场韧性调节模式之间的显著不对称性（附录C表C7-C8）。对于上涨市场捕获，交互系数为负且显著（βinters=−0.008，p<0.01），表明盈利能力减弱了情绪对韧性的影响。子组分析得出一个反直觉的模式：高盈利能力基金的情绪系数为0.022，远低于低盈利能力基金的0.057。相反，下跌市场捕获显示出正向的调节效应（βinters=0.005，p<0.01），高韧性基金的情绪系数为0.058，而低韧性基金的情绪系数为0.029——正好相反的模式。这种差异源于不同的放大效应。高盈利能力基金已经占据了网络的核心位置，具有较高的基线韧性水平，当情绪的边际贡献遇到数值上限时，即使韧性已经很高，进一步提升的空间也有限。图5（C面板）展示了这种约束：高盈利能力组保持了始终较高的截距，但其斜率（0.022）明显低于低盈利能力组（0.057）。然而，两条轨迹显示出趋同的趋势：当情绪达到极端乐观时（情绪=+2），韧性差距缩小，表明在正常条件下盈利能力是重要的韧性支持，但在情绪高度波动的时期其边际效应减弱。相反，下跌市场韧性产生了乘法放大效应。具有强下跌保护的基金在负面情绪期间有效维持了投资者信心，减少了恐慌性赎回并保持了稳定的网络连接。当市场情绪转为积极时，这种既定的安全溢价吸引了风险厌恶投资者的资本流入，进一步增强了韧性。然而，低韧性基金在下跌期间经历了放大的损失。即使情绪改善，也难以恢复投资者信心，导致资本流出和网络隔离。图5（D面板）可视化了这种放大效应：高韧性组的斜率（0.058）明显高于低韧性组（0.029）。关键的是，两条轨迹显示出不同的趋势：当情绪极度消极时（情绪=−2），韧性差距最大，当情绪变得极度积极时（情绪=+2），韧性差距进一步扩大，表明下跌韧性产生了自我强化的动力。
为了解决投资者情绪的内生性问题，我们使用权重最大的股票价值的百分比变化作为工具变量。我们的识别策略基于这样的假设：这种波动作为外生情绪冲击。工具变量的有效性取决于两个条件。首先，相关性条件：基金最权重最大的股票的价格波动直接影响基金净资产价值的预期轨迹，从而产生显著且可测量的投资者情绪变化。这确保了工具变量和内生变量之间在第一阶段存在强且统计上显著的相关性。其次，排除限制：单个权重最大股票的价格变动主要由公司层面的基本面和行业特定因素驱动，而不是由更广泛的基金市场网络的结构稳定性驱动。因此，工具变量仅通过情绪渠道影响基金市场韧性，而不独立于这一路径直接影响韧性。如表6所示，第一阶段回归结果（第2列）显示工具变量和内生情绪变量之间存在高度显著的正相关。在第二阶段的2SLS中，如果工具变量预测的内生回归量与无条件均值拟合得不好，则R²为负，这是2SLS估计的标准特征，并不表明模型设定错误。F统计量为540.19，显著超过了Stock-Yogo的临界值10（Stock & Yogo，2002），有效排除了工具变量弱的相关性担忧。第二阶段的估计（第3列）表明投资者情绪对基金市场韧性有显著的负面影响（在5%的水平上显著）。值得注意的是，工具变量系数不仅在幅度上大于表2中的基线估计（0.034），而且符号相反（−0.472），表明OLS估计通过平均不同情绪状态大大减弱了情绪的真实破坏性影响。OLS系数捕捉了情绪和韧性在整个情绪状态分布中的平均部分相关性，包括情绪通常具有稳定作用的温和正面和负面情绪状态（如表3所记录的）。相比之下，工具变量产生的外生变化在极端情绪飙升期间尤为集中，因为大盘股价格主要在牛市条件下波动剧烈。因此，2SLS估计隔离了外生高情绪冲击对韧性的因果效应，捕捉了表3第1列中识别的不稳定状态。这一发现加强了表3中情绪的不对称影响。高涨的情绪促进了动量交易和投资集中，从而加剧了市场脆弱性并削弱了韧性。相反，悲观情绪引发了谨慎的多元化，这反而增强了基金市场的韧性。总体而言，OLS和2SLS结果相互强化，而不是矛盾的：两者都证实了情绪的净效应取决于情境，与我们研究的核心不对称性论点一致。
结论
我们的基线OLS估计显示投资者情绪与基金市场韧性之间存在正向的平均关联：情绪增加1单位与标准化韧性增加0.034单位相关（β=0.034，p<0.01）。然而，这种平均效应掩盖了情绪状态之间的显著不对称性。在高情绪时期，过度乐观推动了投机交易和投资组合集中，最终削弱了市场稳定性和韧性（β=−0.092，p<0.01）。相反，低情绪时期促进了谨慎和多元化的投资行为，从而增强了韧性（β=0.109，p<0.01）。经过内生性校正的2SLS估计（β=−0.472，p<0.05）进一步证实了这种破坏性渠道，通过隔离外生高情绪冲击的因果影响，这些冲击与工具变量捕捉到的极端市场乐观时期不成比例地相关。进一步的研究表明，这种不对称模式是系统性的，而不是偶然的，它随着基金特征、定价机制和基金容量限制的不同而变化。总体而言，我们的研究结果表明，在悲观的市场中，投资者情绪趋于稳定；而当乐观情绪过于高涨时，情绪则变得不稳定，这凸显了投资者心理在塑造市场韧性方面的非线性作用。我们的发现对金融监管、风险管理和投资策略具有重要的启示意义。对于监管机构，我们建议将情绪不对称性纳入市场稳定和信息披露框架中。在极度乐观的时期，可以收紧断路器或风险预警阈值等监管工具，以遏制投机行为；而在悲观阶段，则可以调整这些机制以支持市场流动性并防止过度修正。此外，建立标准化的信息披露制度，报告基金对情绪的敏感度，可以提高市场透明度并改善风险监控。对于基金经理而言，自然语言处理工具（如FinBERT）的进步使他们能够开发实时系统来监测投资者情绪。当情绪波动超过预设阈值时，应强制进行压力测试，并动态调整资产风险敞口。对于那些仅拥有学士学位（对情绪敏感度较高）的基金经理，应提供针对性的行为金融培训，以帮助他们克服由于定量和分析能力有限而产生的心理偏差。对于投资者来说，我们的研究结果强调了根据个人心理风险承受能力来选择基金的重要性。在牛市期间，建议投资者利用基金特征的多样性，通过增加低敏感度、高韧性的基金在投资组合中的比例来实现风险对冲，从而在情绪逆转时保持市场稳定。总体而言，通过使监管框架、管理行为和投资者行为与市场情绪-韧性动态相一致，金融生态系统可以促进更加可持续和稳健的平衡。
尽管进行了上述系统的实证分析，本研究仍存在一些值得探讨的局限性。首先，我们的情绪测量依赖于来自单一在线平台（East Money Forum）的文本数据，这可能无法全面反映不同沟通渠道中的投资者观点，并可能引入平台特定的偏差。虽然FinBERT在金融文本分析中表现优异，但它仍存在一定的精确度偏差，导致指数构建中的分类任务出现差异。未来的研究可以使用替代的情绪代理指标或多源文本数据来验证我们的发现。其次，基于回报的基金网络的构建可能受到基金之间共同风险敞口的影响，从而产生相对稀疏的网络连接，无法完全反映潜在的相互依赖关系。尽管更先进的技术（如偏相关网络）可以通过过滤掉共同因素效应来缓解这一问题，但数据维度和计算限制限制了其在本研究中的应用。因此，我们将这一点视为一个重要的局限性，并将其留给未来的研究。第三，我们的异质性分析发现了基金经理教育背景、投资风格和基金所在地之间的显著差异，但潜在的行为机制仍不完全清楚。未来的研究可以考虑其他潜在因素，如基金经理的工作经验。最后，我们选择开盘价和收盘价作为价格信息机制来研究因果关系。然而，使用开盘价和收盘价作为价格信息机制的代理存在局限性，因为它们在日内具有较高的相关性，并且无法完全捕捉到日内订单流的丰富动态。未来的研究可以通过使用tick级交易数据或微观结构噪声度量来更精确地分解价格发现过程。
**作者贡献声明：**
陈伟杰：撰写——审稿与编辑、撰写——初稿、方法论、资金筹集。
卢冰清：撰写——审稿与编辑、撰写——初稿、方法论、正式分析、数据整理。
田佳森：软件开发、方法论、数据整理。
叶亚芬：撰写——审稿与编辑、监督、资金筹集。
