媒体舆情、政府监管与市场行为——基于信息博弈的结构性视角

田婧倩, 刘晓星

计量经济学报 ›› 2021, Vol. 1 ›› Issue (1) : 141-160.

PDF(3187 KB)
PDF(3187 KB)
计量经济学报 ›› 2021, Vol. 1 ›› Issue (1) : 141-160. DOI: 10.12012/2020-0002-20
论文

媒体舆情、政府监管与市场行为——基于信息博弈的结构性视角

    田婧倩(), 刘晓星()
作者信息 +

Media Sensation, Government Supervision and Market Behavior: A Structural Perspective Based on Information Game

    Jingqian TIAN(), Xiaoxing LIU()
Author information +
文章历史 +

摘要

随着互联网大数据时代的到来,各种新媒体不断涌现,社会主体的网络舆情意识日益增强,金融市场的参与各方和监管部门越来越依赖媒体舆情信息进行决策.本文爬取全网舆情1分钟高频数据,运用分位数脉冲响应方法探讨舆情的质量结构和情绪结构对市场行为的非对称效应,通过构建舆情传播动力学SC2I2R模型深入分析舆情传播结构对信息博弈的影响,从理论上研究舆情传播中的三方行为演化博弈机制模型.研究发现:1)政府干预前后的三方博弈系统不存在绝对的稳定均衡点,但综合考虑两种行为结构的市场会存在理论上的均衡状态;2)控制媒体报道的中性舆情占比,将有利于提高政府监管效率;3)政府监管在媒体舆情传播过程中有风险缓释作用,政府介入会降低消极投资者的市场占比,最终达到缓释舆情对金融市场的负向冲击,实现中性投资者市场占比的提高.本文研究为媒体舆情的政府有效监管和市场行为的合理引导提供了新的政策理论依据.

Abstract

With the advent of the Internet Big Data Era, various new media have emerged, and the social sensation of social subjects has become increasingly fierce. The parties involved in the financial market and the regulatory authorities are increasingly relying on media sensation information for decision-making. By crawling the high-frequency data of the whole network for 1 minute, we use the quantile impulse response method to explore the asymmetric effect of the quality structure and emotional structure of the media sensation on the market behavior. At the same time, the SC2I2R model is used to further analyze the influence of communication structure on information game. This paper also theoretically studies the evolutionary game model of tripartite behavior in public opinion communication. The results show that: 1) There is no absolute stable equilibrium point in the tripartite game system before and after government intervention. If we consider the two game systems in general, there will be a possible equilibrium point in theory; 2) Controlling the proportion of neutral information in media reports will help improve government regulatory efficiency; 3) Government supervision has a risk mitigation effect in the process of media public opinion communication. Government intervention will reduce the market share of passive investors, and ultimately achieve the purpose of reducing the negative impact of public opinion on the financial market and increasing the market share of neutral investors. This article provides a theoretical basis for the government regulatory authorities to quantify the extent of effective intervention in media sensation.

关键词

信息博弈 / 舆情结构 / 信息含量 / 舆情传播动力学模型

Key words

information game / structure of media sensation / information content / media communication dynamic model

引用本文

导出引用
田婧倩 , 刘晓星. 媒体舆情、政府监管与市场行为——基于信息博弈的结构性视角. 计量经济学报, 2021, 1(1): 141-160 https://doi.org/10.12012/2020-0002-20
Jingqian TIAN , Xiaoxing LIU. Media Sensation, Government Supervision and Market Behavior: A Structural Perspective Based on Information Game. China Journal of Econometrics, 2021, 1(1): 141-160 https://doi.org/10.12012/2020-0002-20

1 引言

中国证券登记结算数据库1显示, 截止2018年3月底, 我国证券市场投资者人数为13751.15万, 其中已开立A股账户的自然人投资者有13648.29万, 占比99.25%. 据《中国互联网络发展状况统计报告》显示, 截至2018年6月, 我国网民规模为8.02亿, 互联网普及率达57.7%. 随着互联网新媒体的快速发展, 社会主体的网络舆情意识日益提高, 越来越多的市场参与者通过互联网接受和交流相关投资信息, 人们的投资行为和市场偏好日益受到媒体舆情的影响. 与此同时, 蓬勃发展的金融科技、云计算、区块链和大数据等技术为媒体舆情分析、政府有效监管和规范市场行为提供了有力的支撑. 在研究政府监管对媒体舆情演化作用方面, 吴鹏等(2018)运用SOAR模型对政府不同应急措施下微博用户群体行为演变过程进行建模, 预测不同网络舆情阶段的网民行为决策规律. 张旭阳等(2018)基于社会协同理论研究政府在舆情事件中的参与角色与作用, 结果显示政府的信息偏好是其在舆情传播中发挥重要作用的原因. 王治莹等(2017)借鉴SEIR模型等建立了舆情传播控制系统, 并引入政府应急决策以分析政府监管在舆情演化中的作用. 近年来, 博弈论、分位数脉冲响应和传播动力学等理论方法在学术研究中得到了广泛的运用. 博弈论在舆情研究的应用初期, 多以构建网民和政府的两方博弈为主(谌楠和王恒山(2013), 魏丽萍(2010), Ding, Liu and Li (2009)). 陈福集等(2015)首次将三方博弈论引入到网络舆情演化的研究中, 并在分析网络媒体在舆情演化中作用的同时从政府角度提出了相应的对策建议. Zanette (2002)最先采用经典SIR模型研究舆情在小世界网络中的传播结构. 分位数脉冲响应作为较新的研究方法, 可以分析脉冲响应期间不同分位数时段的变化. 刘晓星等(2018)运用分位数脉冲响应研究了杠杆对资产价格泡沫影响的非线性和非对称效应. 许启发等(2018)运用分位数脉冲响应函数分析了美国次贷危机的影响. Zhao et al. (2013)Afassinou (2014)Wang et al. (2014)Liu et al. (2015)分别对新媒体时代下谣言传播过程及状态转移构建了基于SIR传染病模型的各类舆情演化动力传播模型. 姚晶晶等(2018)通过构建SIR模型发现当网络中乐观信息传播者的占比较大时, 将有助于促进整个网络在短时间内趋于稳定.
1中国证券登记结算数据库: http://www.chinaclear.cn/zdjs/xmzkb/center_mzkb.shtml.
本文尝试从行为、信息等两类结构性视角, 利用全网大数据舆情监测数据探讨媒体舆情、政府监管与市场行为三者间的关系. 理论分析部分, 我们从行为结构性视角分析媒体主导与政府主导的舆情传播对市场行为的不同演化博弈结果进行仿真分析, 以此判断政府监管介入时机对媒体舆情在市场上的传播影响并提出研究假设, 并基于分位数脉冲响应函数和媒体舆情传播SC2I2R模型对研究假设做了验证. 文章在实证研究部分聚焦舆情信息结构, 考虑包括舆情质量结构、舆情情绪结构和舆情传播结构在内的不同信息结构对市场行为的冲击. 其中, 舆情质量结构分别从媒体舆情流量和含量的视角进行分析; 舆情情绪结构是考虑媒体舆情中积极、消极和中性信息数量的不同占比对投资者决策产生的不同影响; 舆情传播结构则是讨论不同的舆情传播渠道对投资者决策行为的影响, 外部信息冲击主要涉及的媒体平台有报刊、网页等, 内部舆情传播主要涉及微博、微信等社交网络平台.

2 基于不同行为结构的三方演化博弈理论模型

与传统博弈理论严格要求参与人完全理性、市场上具备完全信息不同, 演化博弈论(evolutionary game theory)强调将博弈理论与动态演化过程相结合, 研究交互决策环境中的动态均衡(Friedman (1991)). 媒体、政府与市场的行为结构可能在特定情况下发生变化, 本文在该部分从理论上对比不同参与方行为结构的三方博弈收益. 博弈行为结构的变化由政府监管介入的时间差异引起, 政府可选择在媒体舆情传播后进行监管, 也可选择在媒体舆情对市场行为产生影响前进行监管介入, 不同时机的监管介入会造成不同的博弈收益. 图 1为两种行为结构下的博弈树.
图1 不同行为结构下的博弈树

Full size|PPT slide

2.1 两种行为结构的模型假设

2.1.1 媒体舆情-政府监管-市场行为结构的演化博弈模型Ⅰ假设

1) 媒体、政府与市场作为参与主体, 其博弈策略如下: 媒体选择传播附有情绪或中性性质的舆情信息; 政府选择对舆情信息进行严格干预或者宽松处理; 市场选择行情上涨或者下跌.
2) 参与主体行为维度及概率分布: 媒体传播附有情绪的舆情信息的概率为p1, 政府严格监管舆情的概率为p2, 市场产生上涨行为的概率为p3.
3) 收益率作为反映股票收益水平的指标, 是反映投资者以现行价格购买股票的预期收益. 因此在该模型中, 股市上涨、下跌时的收益由此刻的市场收益率RuRd决定.
4) 若媒体选择传播附有情绪的舆情信息, 则需要通过投放大量新闻、增加相关信息链接、转发各种情绪舆论等行为, 投入大量的额外成本C1, 同时获取通过市场参与者点击量产生的额外收益R1; 若媒体选择传播中性舆情信息, 则往往不需要对现有市场上的信息进行大范围运作处理, 仅需投入维持运营的成本c, 且无额外收益.
5) 若政府面对媒体舆情选择严格监管, 无论舆情的情绪性质为何种, 均需付出成本为C2的监控管理费用, 同时对于情绪舆情的有效严格监控可获得R2的额外收益; 若政府面对媒体舆情选择宽松监管, 则无监管费用, 但面对情绪舆情可能产生的后果承担W1的损失.
6) 若市场在媒体舆情和政府监管的推动下, 产生了行情上涨或下跌趋势, 则此时能够产生RuRd的市场收益. 如果市场的上涨行为是由政府的严格监管导致的, 则会产生额外的社会稳定收益(无风险收益) u; 如果市场呈现下跌行为, 政府无法获得额外收益, 且会产生W1的损失. 若在媒体舆情传播附有情绪信息的情况下, 无论市场行情有何反应, 均需向媒体支付相应的费用M, M包含在媒体的额外收益R1中, 且M>C1.

2.1.2 政府监管-媒体舆情-市场行为结构的演化博弈模型Ⅱ假设

1) 参与主体行为结构及概率分布: 政府严格监管舆情的概率为q1, 媒体传播附有情绪的舆情信息的概率为q2, 市场产生上涨行为的概率为q3.
2) 若政府面对媒体舆情选择严格监管的成本为C3, 同时承担监管过度导致市场行为负向变化的损失W1, 此时的监管成本小于媒体舆情发布后的监管成本即C3<C2, 而此时可能收获的社会收益大于不进行提前介入的额外收益即R3>R2; 若政府面对媒体舆情选择宽松监管, 则无监管费用, 但可能会因此产生损失W2, 且W2>W1.
3) 若在政府严格监管下媒体选择传播附有情绪的舆情信息, 则需投入维持运营的成本c, 同时承担计划通过投放大量新闻、增加相关信息链接、转发各种情绪舆论等行为提高额外收益R1而投入大量的额外成本C1; 若媒体选择传播中性舆情信息, 则往往不需要对现有市场上的信息进行大范围运作处理, 仅需投入维持运营的成本c, 且无额外收益. 若在政府宽松监管下媒体选择传播不同类别的舆情信息, 则会付出和获得相应的计划成本和收益.
4) 若市场在政府监管和媒体舆情的推动下, 产生了行情上涨或下跌趋势, 则此时能够产生RuRd的市场收益. 如果市场的上涨行为是由政府的严格监管导致的, 则会产生额外的社会稳定收益u, 同时政府会获得社会收益R3; 如果市场呈现下跌行为, 则此时市场无法支付给媒体相应的收益, 同时政府无法获得额外收益, 且会产生W2的损失. 无论市场行情有何反应, 均需向媒体支付相应的传播附有情绪信息费用M, M包含在媒体的额外收益R1中, 且M>C1. 两种演化博弈模型的收益矩阵见表 1.
表1 三方演化博弈模型收益矩阵
博弈模型Ⅰ
主体策略 媒体舆情发布情绪信息
政府对舆情进行严格监管 政府对舆情进行宽松监管
市场行为 上涨 1. (R1C1c,R2C2, Ru+uM) 3. (R1C1c,0,Ru+uM)
下跌 2. (MC1c, C2W1, RdM) 4. (MC1c,W1,RdM)
主体策略 媒体舆情发布中性信息
政府对舆情进行严格监管 政府对舆情进行宽松监管
市场行为 上涨 5. (c,R2C2,Ru+u) 7. (c,0,Ru+u)
下跌 6. (c,C2W1,Rd) 8. (c,W1,Rd)
博弈模型Ⅱ
主体策略 政府对舆情进行严格监管
媒体舆情发布情绪信息 媒体舆情发布中性信息
市场行为 上涨 1*. (R3C3,R1C1c,Ru+uM) 3*. (R3C3,c,Ru+u)
下跌 2*. (C3W1,MC1c,RdM) 4*. (C3W1,c,Rd)
主体策略 政府对舆情进行宽松监管
媒体舆情发布情绪信息 媒体舆情发布中性信息
市场行为 上涨 5*. (0,R1C1c,Ru+uM) 7*. (0,c,Ru+u)
下跌 6*. (W2,MC1c,RdM) 8*. (W2,c,Rd)

2.2 演化博弈模型复制动态方程

博弈模型Ⅰ的复制动态方程推导如下:
1) 媒体选择传播不同性质舆情策略的复制动态方程
将媒体选择传播附有情绪、中性性质舆情的期望收益和平均收益分别记为U1U2U3, 则:
U1=p2p3(R1C1c)+p2(1p3)(MC1c)+(1p2)p3(R1C1c)+
(1)
       (1p2)(1p3)(MC1c)=p3R1+Mp3MC1c,U2=p2p3cp2(1p3)c(1p2)p3c(1p2)(1p3)c=c,
(2)
U3=p1U1+(1p1)U2=p1p3R1+p1Mp1p3Mp1C1c.
(3)
则媒体选择传播不同性质舆情的复制动态方程为:
F(p1)=dp1dt=p1(U1U3)=p1(1p1)(p3R1+Mp3MC1).
(4)
2) 政府选择不同监管策略的复制动态方程
将政府选择对媒体舆情进行严格监管、宽松监管的期望收益和平均收益分别记为U4U5U6, 则:
U4=p1p3(R2C2)+p1(1p3)(C2W1)+(1p1)p3(R2C2)+
(5)
       (1p1)(1p3)(C2W1)=p3R2+p3W1C2W1,U5=p1(1p3)W1(1p1)(1p3)W1=(1p3)W1,
(6)
U6=p2U4+(1p2)U5=p2p3R2+p3W1p2C2W1.
(7)
则政府选择对媒体舆情进行不同监管策略的复制动态方程为:
F(p2)=dp2dt=p2(U4U6)=p2(1p2)(p3R2C2).
(8)
3) 市场选择不同行情行为策略的复制动态方程
将媒体舆情主导下市场上涨、下跌的期望收益和平均收益分别记为U7U8U9, 则:
U7=p1p2(Ru+uM)+p1(1p2)(Ru+uM)+
(9)
       (1p1)p2(Ru+u)+(1p1)(1p2)(Ru+u)    =Ru+up1M,U8=p1p2(RdM)+p1(1p2)(RdM)+(1p1)p2Rd+
(10)
       (1p1)(1p2)Rd=Rdp1M,U9=p3U7+(1p3)U8=Rd+p3Ru+p3up3Rdp1M.
(11)
则市场选择不同行情行为策略的复制动态方程为:
F(p3)=dp3dt=p3(U7U9)=p3(1p3)(Ru+uRd).
(12)
博弈模型Ⅱ的复制动态方程推导方法与以上博弈模型Ⅰ一致, 故在正文中不赘述(详见附录).

2.3 微分方程系统均衡点及其稳定性分析

根据Friedman (1991)的演化博弈均衡点分析思想以及常微分方程稳定性理论(马知恩(2001)), 我们可以通过雅克比(Jacobi)矩阵对由公式(4)、(8)、(12)组成的微分方程系统均衡点的稳定性进行检验. 该微分方程组如下:
{dp1dt=p1(U1U3)=p1(1p1)(p3R1+Mp3MC1),dp2dt=p2(U4U6)=p2(1p2)(p3R2C2),dp3dt=p3(U7U9)=p3(1p3)(Ru+uRd).
(13)
令公式(13)中dp1dt=0, dp2dt=0, dp3dt=0, 并验证该微分方程系统均衡点对应的雅克比矩阵行列式的值(detJ)和迹(trJ), 判断该局部均衡点是否为演化稳定策略(ESS). 若矩阵行列式的detJ>0且trJ<0, 则该均衡点为演化稳定策略; 若矩阵行列式的detJ>0且trJ>0, 则该均衡点为不稳定点; 若矩阵行列式的detJ<0且trJ=0或不确定, 则该均衡点为鞍点; 若矩阵行列式的detJ=0, 则说明此均衡状处于临界点, 雅克比矩阵判断方法不适用于此模型. 该博弈的雅克比矩阵如下:
J1=[F(p1)p1F(p1)p2F(p1)p3F(p2)p1F(p2)p2F(p2)p3F(p3)p1F(p3)p2F(p3)p3].
(14)
J1中各元素值见附录.
利用同样方法计算出博弈模型Ⅱ的微分方程系统为:
{dq1dt=q1(1q1)(q3R3+q3W1+W2W1C3q3W2),dq2dt=q2(1q2)(q3R1+Mq3MC1), dq3dt=q3(1q3)(Ru+uRd).
(15)
其雅克比矩阵及矩阵中各元素表达式见附录.
接下来, 我们对公式(13)与(15)两个博弈模型中均衡点的稳定性进行判断, 其中要求均衡点(x,y,z)中各元素均大于或等于零, 具体分析如表 2所示.
表2 演化博弈模型均衡点稳定性分析
博弈模型Ⅰ
均衡点 detJ1 trJ1 稳定性判断
(0,0,0) C2(MC1)(Ru+uRd) MC1C2+Ru+uRd 鞍点
(0,0,1) (R1C1)(R2C2)(Ru+uRd) (R1C1)+(R2C2)(Ru+uRd) 鞍点
(0,1,0) C2(MC1)(Ru+uRd) MC1+C2+Ru+uRd 不稳定点
(0,1,1) (R1C1)(R2C2)(Ru+uRd) (R1C1)(R2C2)(Ru+uRd) 鞍点
(1,0,0) C2(MC1)(Ru+uRd) (MC1)C2+Ru+uRd 鞍点
(1,0,1) (R1C1)(R2C2)(Ru+uRd) (R1C1)+(R2C2)(Ru+uRd) 鞍点
(1,1,0) C2(MC1)(Ru+uRd) (MC1)+C2+Ru+uRd 鞍点
(1,1,1) (R1C1)(R2C2)(Ru+uRd) (R1C1)(R2C2)(Ru+uRd) 鞍点
博弈模型Ⅱ
均衡点 detJ2 trJ2 稳定性判断
(0,0,0) (W2W1C3)(MC1)(Ru+u1Rd) (W2W1C3)+(MC1)+(Ru+u1Rd) 鞍点
(0,0,1) (R3C3)(R1C1)(Ru+u1Rd) (R3C3)+(R1C1)(Ru+u1Rd) 鞍点
(0,1,0) (W2W1C3)(MC1)(Ru+u1Rd) (W2W1C3)(MC1)+(Ru+u1Rd) 鞍点
(0,1,1) (R3C3)(R1C1)(Ru+u1Rd) (R3C3)(R1C1)(Ru+u1Rd) 鞍点
(1,0,0) (W2W1C3)(MC1)(Ru+u1Rd) (MC1)+(Ru+u1Rd)(W2W1C3) 鞍点
(1,0,1) (R3C3)(R1C1)(Ru+u1Rd) (R1C1)(R3C3)(Ru+u1Rd) 鞍点
(1,1,0) (W2W1C3)(MC1)(Ru+u1Rd) (Ru+u1Rd)(W2W1C3)(MC1) 鞍点
(1,1,1) (R3C3)(R1C1)(Ru+u1Rd) (R3C3)(R1C1)(Ru+u1Rd) 鞍点
表 2结果可知, 在博弈模型Ⅰ的均衡点中除(0,1,0)为不稳定点外, 其余均为鞍点, 博弈模型Ⅱ的均衡点都为鞍点. 说明以上两个博弈系统中不存在绝对的演化稳定均衡, 系统的稳定性取决于三方不同行为策略间的博弈. 因此, 我们提出假设1: 政府监管前后的三方博弈系统不存在绝对的稳定均衡点, 市场行为最终会处于不稳定状态.

2.4 仿真模拟分析

我们对不同行为结构下的演化博弈模型进行数值模拟实验, 以探讨政府监管的不同行为结构在媒体舆情对市场行为影响中的作用.
由博弈模型假设可知(RuRd)=(rurd)×P, 其中(rurd)的取值为2018年3月19日至21日沪深300指数涨幅数据0.44%、0.08%和0.41%, P为沪深300在该期间的金额数(亿元) 1182、1120和13932. u作为市场无风险收益, 其值等于uB×P, 我们用同样时段的中国国债短期3月期收益率3.11%、3.09%和3.08%3替代uB. 因此, (Ru+uRd)的取值为41.96、35.5和37.19. 对于博弈模型Ⅰ, 假设这一期间的C1C2R1R2M的取值范围均为[0, 100], 且C1=10, C2=30, R1=40, R2=50, M=25; 对于博弈模型Ⅱ, 假设这一期间的C1C3R1R3W1W2M的取值范围均为[0, 100], 且C1=10, C3=20, R1=60, R3=60, W1=30W2=40, M=25. 2018年3月20日作为全国两会的结束日, 当天的媒体舆情很大程度上都是在政府监管下进行的, 因此我们将3月20日作为分界点. 分界点前的市场三方行为结构符合演化博弈模型Ⅰ, 即媒体舆情主导下的三方博弈(图 2(a)). 分界点当天的市场三方行为结构符合演化博弈模型Ⅱ, 即政府监管主导下的三方博弈(图 2(b)). 我们将其分界点后一天作为实验数据组, 分析在综合行为结构下是否存在均衡解(图 2(c)). 由结果可知, 单独的行为博弈系统不存在稳定点, 若同时考虑两种行为结构, 则在该情况下的博弈系统存在均衡点. 因此, 无论政府在何时对市场中的媒体舆情进行干预, 市场上均存在使媒体舆情、政府监管和市场行为达到三方均衡的情况, 如何将三方之间的比例调整在均衡点附近以接近市场稳定, 是政府监管部门判断最佳干预时机的重要依据.
2数据来源: 同花顺数据库.
3中华人民共和国财政部中国国债收益率曲线: http://yield.chinabond.com.cn.
图2 三方演化博弈仿真图

Full size|PPT slide

根据图 2(c)的仿真模拟结果, 我们发现综合考虑两种行为博弈结构下的市场, 存在理论上的博弈均衡点, 即有效控制媒体舆情中性信息占比、政府监管时机与金融市场上涨概率之间的关系, 将为政府监管部门量化有效干预程度提供可能. 因此, 我们提出假设2和假设3. 假设2: 政府有效控制媒体报道里中性舆情的占比, 有利于提高政府监管效率与金融市场投资者收益. 假设3: 政府介入能够有效缓解市场中的消极情绪, 降低舆情对金融市场的负向冲击.
进一步对比政府干预前后的金融市场反馈(图 2(b)), 我们发现媒体舆情主导下的金融市场容易出现迅速上涨或下跌的情况, 这其中必定伴随着大量风险, 而政府干预很大程度上达到了缓释金融市场风险的作用. 对比政府主导前和主导后的市场上涨概率变化(图 3), 我们发现政府监管后的舆情市场里, 市场上涨幅度确实放缓. 因此, 我们提出假设4: 政府监管在媒体舆情传播过程中有风险缓释作用, 政府介入会降低消极投资者的市场占比, 最终达到提高中性投资者市场占比的目的.
图3 不同行为结构下市场上涨概率变化

Full size|PPT slide

3 博弈视角下市场行为对舆情结构反应的动态效应分析

本文将在该部分分别探讨舆情质量结构、舆情情绪结构和舆情传播结构对市场行为冲击和信息博弈效果的影响, 并验证理论部分的研究假设. 参考Machado et al. (2001)提出的分位数分解法, 我们从结构性视角检验媒体舆情、政府监管与市场行为间的信息博弈问题. 基于5分钟高频数据, 构建不同系统VAR模型并运用分位数脉冲响应进行实证检验. 同时, 我们运用动力学模型对舆情传播过程进行建模仿真, 多角度分析舆情结构在信息博弈中的作用.

3.1 基于分位数脉冲响应方法的实证研究

3.1.1 样本选择与变量描述性统计

对于媒体舆情的刻画, 我们选择爬取2018年3月19日0点至2018年3月21日24点全网舆情1分钟高频数据共51659个. 在关键词选择方面, 本文借鉴陈云松等(2017)利用中国证券业协会《证券市场基础知识》等书籍搜集股市术语所分离出其中13个具有利好含义的词汇("救市""抄底""牛市""涨停""多头""利多""反弹""回档""增仓""护盘""开户""改革牛""慢牛")和18个具有利空含义的词汇("股灾""爆仓""跌停""暴跌""停牌""熊市""空头""利空""割肉""逼空""抛售""离场""崩盘""跳水""打压""洗盘""阴跌""套牢"). 我们对这些具有明确情绪的词汇进行以"股市+词汇"为搜索的股市舆情监测, 其中"股市"为关键词, 31个利好或利空词汇为关联词. 高频数据来源为清博大数据舆情监测平台4, 该平台监测内容包含微信、微博、网页、报刊、客户端、论坛、今日头条等各大媒体平台, 团中央等部委, 新华社、解放军报、中国青年报等媒体, 万达、海尔等大型企业, 腾讯、新浪、今日头条等互联网公司的部分新媒体运营均以该舆情监测平台的舆情指数为评价标准. 因此, 该平台的监测数据具有全面且可信的特点, 能够作为学术研究的良好数据源. 值得注意的是, 包含明确利好或利空关键词的媒体内容不一定代表全部内容的正面或负面性, 因此需要对全部新闻内容进行情绪分析以正确判断其情感属性. 我们直接通过清博大数据舆情监测平台对每条舆情进行情感属性分类与情感分值打分, 并对以上爬取的数据进行清洗处理, 将数据频率整合为5分钟与该时间段的股票市场开盘相匹配. 我们用沪深300指数2018年3月19日至2018年3月21日的5分钟高频数据衡量市场行为, 数据来源为同花顺数据库.
4清博大数据舆情监测平台: http://yuqing.gsdata.cn.
接下来, 我们构建不同系统的分位数VAR模型. 所涉及的变量有: 市场行为(HS300t)、舆情信息流量(Inf_quantityt)、舆情信息含量(Inf_contentt)、积极信息(Inf_positivet)、消极信息(Inf_negativet)、中性信息(Inf_neutralt)、外部舆情场(Inf_externalt)和内部舆情场(Inf_internalt)等8个变量(表 3). 首先对以上8个变量进行标准化处理后的平稳性检验以确定其稳定性, 再根据各个变量的差分变量构建VAR系统. 对变量进行标准化处理和ADF检验后我们发现, 除市场行为变量外其余变量均平稳, 因此我们对变量HS300t进行一阶差分处理.
表3 分位数脉冲响应变量的描述性统计
变量 均值 最大值 最小值 标准差 是否平稳
HS300 4073.04 4109.74 4036.90 19.20476 不平稳
Inf_quantity 84.58 283.00 20.00 51.21 平稳
Inf_content 70.12 87.63 49.60 5.33 平稳
Inf_positive 51.56 170.00 9.00 35.27 平稳
Inf_negative 23.81 93.00 2.00 15.91 平稳
Inf_neutral 9.31 35.00 1.00 5.43 平稳
Inf_external 0.42 0.98 0.10 0.17 平稳
Inf_internal 0.58 0.90 0.02 0.17 平稳

3.1.2 舆情结构对市场行为的分位数脉冲响应分析

我们借鉴Zhu et al. (2016)刘晓星等(2018)做法, 运用简化形式的分位数VAR模型进行脉冲响应, 该模型表示形式如下:
yt=c(τ)+i=1pBi(τ)yti+et(τ),  t=1,,T.
(16)
该模型中, yt是一个包含各个内生变量的向量, c(τ)是模型在τ分位数的截距向量, Bi(τ)τ分位数的滞后项系数矩阵, et(τ)是模型在τ分位数的误差项向量. 在此基础上, 本文构建3个不同的VAR模型系统, 以分析不同舆情结构博弈下的市场行为变化. 我们发现, 利用变量HS300tInf_externaltInf_internalt无法构建VAR模型系统3, 这是由于外部舆情场与内部舆情场相互影响, 存在高度相关性. 因此, 我们在该部分构建2个系统VAR模型, 分别是系统1舆情质量结构VAR和系统2舆情情绪结构VAR, 并使用分位数脉冲响应函数分析舆情结构对市场行为的非对称影响. 关于内外部舆情场传播结构对市场行为的影响, 我们将在分位数脉冲响应实证研究后运用其他方法进行分析. 图 4图 5分别是舆情质量结构、舆情情绪结构与市场行为的走势图.
图4 舆情质量结构与市场行为

Full size|PPT slide

图5 舆情情绪结构与市场行为

Full size|PPT slide

系统1舆情质量结构VAR模型包含三个内生变量, 即:
y1t=(HS300tInf_quantitytInf_contentt),c1(τ)=(c1(τ1)c1(τ2)c1(τ3)),e1t(τ)=(e1tHS300(τ1)e1tInf_quantity(τ2)e1tInf_content(τ3)),
(17)
B1i(τ)=(β1i,11(τ1)β1i,12(τ1)β1i,13(τ1)β1i,21(τ2)β1i,22(τ2)β1i,23(τ2)β1i,31(τ3)β1i,32(τ3)β1i,33(τ3)).
(18)
系统2舆情情绪结构VAR模型包含四个内生变量, 即:
y2t=(HS300tInf_positivetInf_negativetInf_neutralt),c2(τ)=(c2(τ1)c2(τ2)c2(τ3)c2(τ4)),e2t(τ)=(e2tHS300(τ1)e2tInf_positive(τ2)e2tInf_negative(τ3)e2tInf_neutral(τ4)),
(19)
B2i(τ)=(β2i,11(τ1)β2i,12(τ1)β2i,13(τ1)β2i,14(τ1)β2i,21(τ2)β2i,22(τ2)β2i,23(τ2)β2i,24(τ2)β2i,31(τ3)β2i,32(τ3)β2i,33(τ3)β2i,34(τ3)β2i,41(τ4)β2i,42(τ4)β2i,43(τ4)β2i,44(τ4)).
(20)
本文考虑采用OLS方法及三个分位数条件下市场行为对于不同舆情结构的冲击效应, 结果见图 6图 7. 根据分位数理论和舆情演化博弈过程, 我们可以将样本期内的舆情博弈看成一个完整的演化周期, 该周期可分为三个时间段: 媒体主导下的信息博弈初期、政府主导下的信息博弈中期以及综合状态下的信息博弈后期. 因此, 三个分位数为τ=(0.2, 0.5, 0.8), 分别对应上述三个不同时期:
图6 不同分位数条件下市场行为对于舆情质量结构的脉冲响应

Full size|PPT slide

图7 不同分位数条件下市场行为对于舆情情绪结构的脉冲响应

Full size|PPT slide

1) 舆情质量结构对市场行为的冲击
本文所探讨的舆情质量范畴包含舆情流量和舆情含量等两种结构. 舆情流量指在特定时间范围之内, 全网讨论特定话题的舆情数量; 舆情含量则表示一定时间范围之内舆情内容所表达的舆情情感分值, 取值范围为[0,100], 分值越高说明舆情含量越偏向乐观情绪, 这种通过算法综合计算出的情感分值能较准确反映舆情文本内容的信息含量.
图 6可知, 媒体主导下的舆情自由传播会对市场行为产生负面冲击, 政府监管下的舆情质量结构整体对市场行为具有正向冲击, 综合状态下的舆情质量结构整体对市场行为具有相对的不稳定性冲击作用. 在"质"与"量"的对比中, 舆情流量对市场行为的冲击更大且影响时期更长. 舆情流量的冲击时间约为25分钟, 而舆情含量的冲击时间约为10分钟. 市场参与者对舆情流量的敏感性, 与新媒体时代下媒体平台的多元性、信息传播的及时性有很大的关联. 相较于具体查看信息内容, 投资者更愿意从话题热度迅速了解信息. 虽然新闻媒体的目标是秉持客观公正的态度对相关信息进行报道, 但从语义分析视角, 新闻舆情很难做到完全向市场参与者传递绝对中性客观的情绪信息. 在信息博弈初期, 媒体根据自身对市场的理解自由地对市场上各类信息进行报道, 市场参与者根据这些报道对信息进行判断, 进而再对信息进行加工并传播. 媒体主要通过外部舆情场对市场参与者进行影响, 市场参与者则通过内部舆情场对信息进行内部消化进而对市场行为产生冲击. 在政府尚未干预的媒体舆情传播中, 市场参与者往往对信息采取怀疑的心态, 大量对相关话题的报道反而会让投资者对市场产生观望, 甚至是怀疑的态度. 因此在信息博弈初期, 市场行为会对舆情质量结构产生负向反应. 然而随着政府在舆情演化中期的介入, 市场参与者开始选择相信媒体发布的舆情信息, 此时市场行为会对舆情质量结构产生正向反应. 在信息博弈的后期, 由于政府在前期对媒体舆情进行了监管干预, 投资者选择更相信市场上的舆情信息. 其中, 舆情流量会对市场行为产生更长久的正向冲击, 市场行为对于舆情含量的冲击在前10分钟具有最大正向响应, 然后开始震荡减弱, 响应程度不大但时间持续至15分钟, 具有较明显的不稳定性. 这是因为市场参与者若仅从舆情数量角度对市场进行判断, 则会选择更加相信政府干预后期的舆情信息. 而考虑舆情内容的市场参与者, 投资情绪会出现较大波动, 市场不稳定因素增加. 因此, 在这个由媒体、政府和市场三方牵头的信息博弈中, 金融市场最终会处于不稳定的状态, 该结论验证了假设1.
2) 舆情情绪结构对市场行为的冲击
通过以上对舆情质量结构的分析可知, 舆情流量会对市场行为产生较大冲击, 然而舆情流量是由积极、消极和中性等三种情感属性的舆情构成. 我们接下来将在流量的维度, 进一步探讨舆情情绪结构对市场行为的冲击. 舆情情绪包括积极、消极和中性等三种类型.
图 7可知, 信息博弈初期中的各类情感属性的舆情均会对市场行为产生负向冲击; 政府介入后的信息博弈中期, 除中性舆情以外, 其他类别性感属性的舆情会对市场行为产生正向冲击; 信息博弈后期, 附有情绪的舆情将对市场行为产生更持久的正向冲击, 而中性舆情的负向冲击在此时会达到最弱的状态. 不同情绪属性的舆情对市场行为产生的冲击时长在不同信息博弈阶段各不相同. 附有情绪的舆情随着政府监管在信息博弈中的介入, 对市场行为的冲击作用由负向转为正向, 且作用时长和程度都在不断加强. 在媒体主导的信息博弈初期, 市场行为会对中性情绪会产生较大的负向反应, 而政府监管会降低中性情绪对市场的负面冲击. 面对无政府干预的大量股市舆情信息, 市场参与者往往会对媒体报道采取消极的态度, 他们会选择不相信那些附有情绪的舆情信息, 中性舆情由于其无法直观表达媒体对股市的看法, 会导致投资者情绪的波动, 进而产生市场行为的震动. 随着政府的介入, 市场参与者开始信任媒体报道中的情绪信息, 同时对中性情绪的态度也缓和很多. 根据舆情情绪结构对市场行为的冲击结果可以看出, 附有情绪的舆情是较容易因为政府介入而被投资者接受, 进而转变市场行为状态的. 市场参与者对待中性舆情的态度则始终是较为负面的, 政府介入可以缓解中性舆情对市场行为的负向冲击. 因此, 如何控制好媒体舆情里的中性情绪比例是政府提高监管效率的关键, 该结论验证了假设2.
3) 以上两种情况中政府干预的效果
对比图 6图 7中的(b)、(c)图可以发现, 政府干预后的媒体舆情会对市场行为产生与干预前相反的正向冲击. 这说明, 政府监管能够有效在舆情传播系统中消化市场参与者的负面情绪, 提高投资者对金融市场的信心. 该实证结果验证了假设3.

3.2 进一步分析: 基于媒体舆情传播动力学模型的仿真实验

接下来, 我们通过构建舆情传播动力学模型探讨舆情传播结构对信息博弈效果的影响.
面对突发事件的舆情传播, 不同心理特征的社交网络参与者面对舆情信息会做出不同的行为决策. 媒体是通过信息传播对市场中的投资者情绪进行积极或消极引导, 进而对市场行为产生积极或消极的影响. 信息传导过程与传染病的传播、扩散很相似, 因此本文借鉴SIR (susceptible infected recovered)传染病模型构建舆情传播动力学模型SC2I2R, 考虑外部媒体信息干扰和内部舆情传播两个路径对舆情传播效果的影响. 该部分选取的实验数据集与实证研究部分相同.

3.2.1 模型假设

1) 媒体舆情对市场行为的影响是通过信息在投资者间的传导实现, 其传播过程与传染病传播相似: 易受信息影响S明确情绪倾向C受信息感染I对信息免疫R. 假设市场上有情绪投资者I(t)和中性投资者R(t)等两大类投资者, 其中情绪投资者由积极投资者和消极投资者构成, 市场上参与者总数为N. S(t)表示t时刻容易被媒体舆情干扰投资决策的市场参与者比例; C1(t)表示t时刻市场上的乐观参与者比例; C2(t)表示t时刻市场上的悲观参与者比例; I1(t)表示t时刻信息影响下的积极投资者比例; I2(t)表示t时刻信息影响下的消极投资者比例; R(t)表示t时刻市场上的中性投资者比例. 并且, S(t)+C(t)+I(t)+R(t)=1. 在市场上容易受到媒体舆情干扰的参与者S(t)中, 有γ1比例为乐观参与者C1(t), γ2比例为悲观参与者C2(t), γ3比例为中性参与者R(t). 以上比例是由参与者自身性格、学历、职业等因素决定, 是未受到舆情信息干扰的人群密度初始状态. 由于情绪投资者容易受到外界信息干扰, 因此在媒体舆情场影响下, 情绪投资者之间会以δi的概率相互干扰决策. 在传播过程中, 具有明确情绪倾向的市场参与者转变为对应情绪的投资者概率为常数λi, 情绪投资者转变为中性投资者的概率为常数μi.
2) 在媒体舆情传播房室结构图中(图 8), 媒体舆情通过两种传播途径影响投资者决策: ①外部舆情干扰. 该模式是通过报刊、网页、今日头条等形式对相关事件进行描述, 从而对投资者情绪进行外部影响. 外部信息对媒体舆情传播动力系统中的不同类别投资者产生不同的媒体舆情场推进率, 媒体舆情场推进率是指在媒体舆情传播动力系统中, 媒体舆情干扰下促进投资者情绪转变的概率. 中性信息会对市场参与者中的中性投资者R(t)产生推进率α, 积极信息会对乐观参与者C1(t)产生正面推进率ε, 负面信息则会对悲观参与者C2(t)产生负面推进率β; ②内部舆情传播. 该模式是通过微博、微信、客户端、论坛等社交网络形式在投资者内部进行决策行为的相互干预, 消极舆情会使积极投资者以δ1的比例转变为消极投资者, 积极舆情会使消极投资者以δ2的比例转变为积极投资者.
图8 舆情传播动力学模型房室结构图

Full size|PPT slide

SC2I2R模型的方程组如下:
{dSdt=γ1SC1γ2SC2(γ3+α)SdC1dt=γ1SC1(λ1+ε)C1I1dC2dt=γ2SC2(λ2+β)C2I2dI1dt=(λ1+ε)C1I1+(δ2δ1)I1I2(μ1+ε)I1dI2dt=(λ2+β)C2I2+(δ1δ2)I1I2(μ2+β)I2dRdt=(γ3+α)S+(μ1+ε)I1+(μ2+β)I2.
(21)

3.2.2 参数设置

全球著名调研机构Ipsos在2017年的一项公共事务调查中显示, 我国国民对本国发展持乐观态度的比例为87%. 人的情绪作为难以度量的指标之一, 很难从客观数据中直接呈现. 由于一国经济往往是国民判断国家发展是否良好的重要指标, 因此本文将国民乐观态度比例作为股票市场中乐观参与者比例的代理变量, 即γ1=0.87. 假设在剩余人群中, 悲观参与者和中性参与者比例各占一半, 即γ2=γ3=0.065. 在信息传递过程中, 假设投资者受信息影响转化投资风格的可能性均为0.5, 即λ1=λ2=μ1=μ2=0.5. 通过抓取2018年3月19日至2018年3月21日全网舆情1分钟高频数据, 以确定每日其余各项参数值(表 4)并对SC2I2R模型进行仿真实验.
表4 SC2I2R模型舆情传播结构分析实验参数值
参数 日期
3.19 3.20 3.21
外部舆情场 α 0.2015 0.2198 0.2323
β 0.1548 0.1840 0.1056
ε 0.6437 0.5962 0.6621
内部舆情场 δ1 0.1271 0.2075 0.1402
δ2 0.5541 0.5887 0.6344

3.2.3 仿真实验分析

图 9显示信息博弈期间, 不同类型投资者比例的变化. 其中有三类投资者比例呈上升趋势: 乐观参与者、悲观参与者和中性投资者. 三类投资者比例呈下降趋势: 易受媒体舆情干扰的市场参与者、积极投资者和消极投资者. 政府干预后的舆情市场, 有更多参与者受媒体舆情影响倾向于参与市场的投资活动, 同时在参与投资的人数里中性投资者比例不断提高, 说明政府监管下的媒体舆情能够有效刺激经济发展, 给金融市场注入活力. 此时, 情绪投资者比例下降, 易受媒体影响的市场参与者减少, 这说明政府干预后的媒体舆情能为投资者提供更加理性的环境, 投资者盲目从众的现象得到明显缓解, 金融市场最终得以健康有序发展. 从舆情传播结构而言, 外部舆情场的中性舆情越多, 金融市场恢复理性投资环境的速度就越快, 这一结论在进一步验证假设2的同时也说明, 中性舆情通过外部作用于市场行为的冲击更大.
图9 信息博弈期间的投资者比例变化趋势图

Full size|PPT slide

对不同类别投资者进一步分析发现, I(t)比例的变化波动与其他投资者类别的变化趋势有所不同(图 10). 在信息博弈中期, 受政府监管影响, 积极投资者比例明显上涨, 消极投资者比例则明显下降. 而对于市场中的中性投资者, 其比例在信息博弈后期显著上涨, 即市场中性投资者比例伴随着政府、媒体和市场的三方博弈而提升. 内外舆情场的相互作用是导致I(t)比例具有特殊变化波动趋势的重要原因之一. 情绪投资者作为市场中最有可能对市场行为产生实质冲击的对象, 他们需要通过各种渠道综合各方信息以做出投资决策. 政府监管在不同渠道的舆情传播过程中都起到了缓释金融风险的作用, 政府介入降低了消极投资者的市场占比, 并最终提高了中性投资者的市场占比. 该结论验证了假设4.
图10 不同博弈时期投资者比例变化趋势图(S(t)C1(t)C2(t)I1(t)I2(t)R(t))

Full size|PPT slide

4 结论

本文首先根据演化博弈理论构建了不同行为结构下的政府监管、媒体舆情以及市场行为的三方博弈模型, 并对两种博弈模型进行模拟仿真. 我们发现, 政府干预前后的三方博弈系统不存在绝对的稳定均衡点, 但综合考虑两种行为结构下的市场会存在理论上的博弈均衡状态. 然后, 文章从博弈视角分析包括质量结构、情绪结构和传播结构在内的舆情结构对市场行为的动态效应, 根据不同舆情结构对市场行为的冲击和信息博弈效果验证理论部分的研究假设. 我们将信息博弈看作整个脉冲响应周期, 将政府干预前、干预中与干预后看作三个时间段, 分别对应分位数τ=(0.2, 0.5, 0.8), 对这三个阶段进行分位数脉冲响应. 研究发现, 市场参与者对待中性舆情的态度始终是较为负面的, 政府介入可以缓解中性舆情对市场行为的负向冲击; 政府监管能够有效化解舆情传播系统中市场参与者的负面情绪, 提高投资者对金融市场的信心. 由于外部舆情场与内部舆情场之间存在很强的关联性, 以上两个变量不能与市场行为构建分位数脉冲响应函数, 因此文章最后通过构建基于SIR传染病模型的舆情传播动力学系统SC2I2R分析舆情传播结构对信息博弈效果的影响, 我们发现政府介入降低了消极投资者的市场占比, 并通过提高中性投资者比例起到缓释金融风险的作用. 不论政府能否提前对相关舆情进行干预, 只要对媒体舆情中的中性信息进行一定比例的控制, 就可以提高金融市场的稳定性和有效性. 市场有效性将有利于投资者正确选择投资标的, 提高资金利用效率. 同时, 中性价值投资者占主导的金融市场, 能够控制投资者投机行为的发生, 降低市场波动率和风险水平. 本文的研究结论为政府如何监管引导媒体舆情, 保障金融市场良性发展提供了新的理论依据.

附录

1.博弈模型(1)及其雅克比矩阵各元素值:
F(p1)p1=(12p1)(p3R1+Mp3MC1),
(22)
F(p1)p2=0,
(23)
F(p1)p3=p1(1p1)(R1M),
(24)
F(p2)p1=0,
(25)
F(p2)p2=(12p2)(p3R2C2),
(26)
F(p2)p3=p2(1p2)R2,
(27)
F(p3)p1=0,
(28)
F(p3)p2=0,
(29)
F(p3)p3=(12p3)(Ru+uRd).
(30)
2.博弈模型(2)及其雅克比矩阵推导:
1) 政府选择不同监管策略的复制动态方程:
G(q1)=dq1dt=q1(1q1)(q3R3+q3W1+W2C3W1q3W2).
(31)
2) 媒体选择传播不同类型情绪舆情策略的复制动态方程:
G(q2)=dq2dt=q2(1q2)(q3R1+Mq3MC1).
(32)
3) 市场选择不同行情行为策略的复制动态方程:
G(q3)=dq3dt=q3(1q3)(Ru+uRd).
(33)
4) 博弈模型(2)的雅克比矩阵:
J2=[G(q1)q1G(q1)q2G(q1)q3G(q2)q1G(q2)q2G(q2)q3G(q3)q1G(q3)q2G(q3)q3],
(34)
其中,
G(q1)q1=(12q1)(q3R3+q3W1+W2C3W1q3W2),
(35)
G(q1)q2=0,
(36)
G(q1)q3=q1(1q1)(R3+W1W2),
(37)
G(q2)q1=0,
(38)
G(q2)q2=(12q2)(q3R1+Mq3MC1),
(39)
G(q2)q3=q2(1q2)(R1M),
(40)
G(q3)q1=0,
(41)
G(q3)q2=0,
(42)
G(q3)q3=(12q3)(Ru+uRd).
(43)

参考文献

陈福集, 黄江玲, 三方博弈视角下的网络舆情演化研究[J]. 情报科学, 2015, 33 (9): 22- 26.
Chen F J , Huang J L , Study of Online Public Opinions Evolution Based on Three-side Game[J]. Information Science, 2015, 33 (9): 22- 26.
陈云松, 严飞, 网络舆情是否影响股市行情?基于新浪微博大数据的ARDL模型边限分析[J]. 社会, 2017, 37 (2): 51- 73.
Chen Y S , Yan F , Does Online Sentiment Predict Stock Market Indices? The ARDL Bounds Tests Based on Sina-microblog Data[J]. Society, 2017, 37 (2): 51- 73.
刘晓星, 石广平, 杠杆对资产价格泡沫的非对称效应研究[J]. 金融研究, 2018, (3): 53- 70.
Liu X X , Shi G P , The Asymmetrical Effects of Leverages on Asset Price Bubbles[J]. Journal of Financial Research, 2018, (3): 53- 70.
马知恩, 常微分方程定性与稳定性方法[M]. 北京: 科学出版社, 2001.
谌楠, 王恒山, 网络舆情政府干预最佳点选择的研究[J]. 现代图书情报技术, 2013, (3): 53- 58.
王治莹, 李勇建, 政府干预下突发事件舆情传播规律与控制决策[J]. 管理科学学报, 2017, 20 (2): 43- 52.
Wang Z Y , Li Y J , Propagation Law and Coping Strategies for Public Opinions in Emergency with the Consideration of the Government Intervention[J]. Journal of Management Sciences in China, 2017, 20 (2): 43- 52.
魏丽萍, 网络舆情形成机制的进化博弈论启示[J]. 新闻与传播研究, 2010, (6): 29- 38.
Wei L P , An Evolutionary Game Theory Simulation and the Formation Mechanism of Public Sentiment[J]. Journalism & Communication, 2010, (6): 29- 38.
吴鹏, 强韶华, 高庆宁, 基于SOAR模型的网民群体负面情感建模研究[J]. 中国管理科学, 2018, 26 (3): 126- 138.
Wu P , Qiang S H , Gao Q N , Modelling Internet Users' Negative Emotion Based on SOAR Model[J]. Chinese Journal of Management Science, 2018, 26 (3): 126- 138.
许启发, 刘曦, 蒋翠侠, 虞克明, 分位数向量自回归分布滞后模型及脉冲响应分析[J]. 系统工程学报, 2018, 33 (4): 472- 487.
Xu Q F , Liu X , Jiang C X , Yu K M , Quantile Vector Autoregressive Distributed Lag Model and Impulse Response Analysis[J]. Journal of Systems Engineering, 2018, 33 (4): 472- 487.
姚晶晶, 姜靓, 姚洪兴, 基于SIR模型的情绪信息传播研究[J]. 情报科学, 2018, 36 (10): 25- 29.
Yao J J , Jiang L , Yao H X , Research on Emotional Information Communication Based on SIR Model[J]. Information Science, 2018, 36 (10): 25- 29.
张旭阳, 李丹珉, 谢耘耕, 媒介、网民、政府在舆情事件中的参与角色与作用研究——基于3600起舆情事件的实证分析[J]. 新闻界, 2018, (6): 56- 63.
Afassinou K , Analysis of the Impact of Education Rate on the Rumor Spreading Mechanism[J]. Physica A: Statistical Mechanics and Its Applications, 2014, 414, 43- 52.
Ding F , Liu Y , Li Y , Co-Evolution of Opinion and Strategy in Persuasion Dynamics: An Evolutionary Game Theoretical Approach[J]. International Modern Physics C, 2009, 20 (3): 479- 490.
Friedman D , Evolutionary Games in Economics[J]. Econometrica: Journal of the Econometric Society, 1991, 59 (3): 637- 666.
Liu L , Wang J , Liu X , Global Stability of an SEIR Epidemic Model with Age-dependent Latency and Relapse[J]. Nonlinear Analysis: Real World Applications, 2015, 24, 18- 35.
Machado J , Mata J , Earning Functions in Portugal: Evidence from Quantile Regressions[J]. Empirical Economics, 2001, 26, 115- 134.
Wang J , Zhao L , Huang R , 2SI2R Rumor Spreading Model in Homogeneous Networks[J]. Physica A: Statistical Mechanics and Its Applications, 2014, 413, 153- 161.
Zanette D H , Dynamics of Rumor Propagation on Small World Networks[J]. Physical Review E: Statistical Nonlinear & Soft Matter Physics, 2002, 65 (4): 041908.
Zhao L , Cui H , Qiu X , Wang X , Wang J , SIR Rumor Spreading Model in the New Media Age[J]. Physica A: Statistical Mechanics and Its Applications, 2013, 392 (4): 995- 1003.
Zhu H , Su X , Guo Y , Ren Y , The Asymmetric Effects of Oil Price Shocks on the Chinese Stock Market: Evidence from a Quantile Impulse Response Perspective[J]. Sustainability, 2016, 8 (8): 766.

基金

国家社科基金重大专项(18VSJ035)
国家自然科学基金(71673043)

版权

版权所有,未经授权。
PDF(3187 KB)

1716

Accesses

0

Citation

Detail

段落导航
相关文章

/