《Journal of Behavioral and Experimental Finance》：The Attention Economy of Retail Trading: Evidence from Robinhood and Social Media
编辑推荐：
零售交易是由投资者注意到的内容还是他们的感受驱动的？本研究开发了一个层次化信号处理框架（hierarchical signal-processing framework），并使用2018年5月至2020年8月期间427只美国股票的Robinhood持有人每日变
零售交易是由投资者注意到的内容还是他们的感受驱动的？本研究开发了一个层次化信号处理框架（hierarchical signal-processing framework），并使用2018年5月至2020年8月期间427只美国股票的Robinhood持有人每日变化数据进行了检验。注意力和情绪（sentiment）通过StockTwits、Twitter和Seeking Alpha的跨平台主成分（cross-platform principal components）进行测量。在基线（baseline）和分层回归（stratified regressions）中，注意力是更一致的预测因子：一个标准差（standard deviation）的增加对应着预期持有量变化等于中位数绝对每日变化（median absolute daily change）的68%，在控制全部控制变量后。该关联在大多数公司和市场状态分层中成立，但在信息竞争（information-competition）机制下减弱，尤其是在总统推文量（presidential-tweet volume）升高时，这与有限注意力（limited-attention）挤出效应一致。情绪平均而言不显著，但在验证性语境中具有信息性：在接近52周高点（52-week highs）时，积极基调强化了动量叙事（momentum narratives），而当估值或卖空信号（short-interest signals）使怀疑论（skepticism）凸显时，消极基调则变得重要。面板向量自回归（panel vector autoregression, PVAR）证据对这些模式进行了限定：在无条件系统（unconditional system）中，持有量反馈到注意力，且短期方向性（short-horizon directionality）无法仅从数据中识别；在状态条件系统（state-conditional system）中，当宏观经济新闻竞争（macroeconomic-news competition）较高时，注意力的预测内容变得显著为负。总之，这些结果将可见性（visibility）视为一个考虑集过滤器（consideration-set filter），将基调视为一个依赖语境的验证信号（context-dependent validation signal）。
本文以《Journal of Behavioral and Experimental Finance》发表的论文为基础，系统探讨了零售交易中注意力与情绪的相对作用。研究背景在于，零佣金经纪平台和社交媒体的普及大幅降低了交易门槛，但学术界对投资者行为究竟是受注意力（即投资者注意到什么）还是情绪（即投资者感受如何）驱动仍存在分歧。现有研究常将注意力与情绪混为一谈，且缺乏对两者动态交互的系统分析。为此，研究人员提出了一个层次化信号处理框架，旨在厘清在不同市场条件下，注意力与情绪何时以及如何影响零售参与。
研究人员利用2018年5月至2020年8月期间427只美国股票的Robinhood每日持有人数据，并结合来自StockTwits、Twitter和Seeking Alpha的跨平台社交信号，通过主成分分析（PCA）分离出注意力与情绪指标。样本来源为公开可得的Robintrack.net数据及Cookson等人（2024）构建的跨平台指标。主要技术方法包括：面板普通最小二乘回归（pooled OLS）以评估基线关联；倾向得分匹配（PSM）和双机器学习（DML）处理选择偏差和混淆变量；面板向量自回归（PVAR）分析动态反馈；以及分层回归（stratified regressions）检验状态依赖性。研究还通过平衡子样本的固定效应模型验证了结果的稳健性。
研究结果分为以下几个部分：
**主要回归分析（Primary Regression Analysis）**：基线回归显示，注意力是更一致的预测因子，一个标准差的注意力增加对应预期持有量变化为中位数绝对每日变化的68%，而情绪在整体上不显著。这一结果支持注意力作为第一层过滤器（Tier 1）的假设。
**COVID前后分析（Pre-COVID and COVID Analysis）**：COVID期间注意力系数减弱至边际显著（p<0.10），表明宏观不确定性削弱了平台可见性线索的影响。
**稳健性检验（Robustness Checks）**：通过PSM（注意力系数增至0.0018）、DML（注意力系数为0.0015，显著）、随机森林和LASSO（注意力排名靠前）以及PVAR（无条件系统中持有量变化Granger引起后续注意力，但注意力不预测持有量变化），证实基线结果不被选择偏差、非线性或动态内生性所驱动。条件PVAR显示，在高宏观经济新闻竞争下，注意力对持有量的预测变为显著负值（β=-0.0015，p=0.022），而在52周高点附近，持有量→注意力的反馈显著增强（β=0.552，p<0.001）。
**横截面分析（Cross-Sectional Analyses）**：注意力在24个分层中有19个保持显著（79%），而情绪仅在8个分层中显著（33%），且多数为负。情绪在靠近52周高点时转为正显著（β=0.0009，p<0.01），在低相对市盈率（P/E）时转为负显著（β=-0.0004，p<0.05），支持情绪作为条件验证信号。信息竞争（如高宏观经济新闻关注度、高总统推文量）是注意力效应最显著的边界条件。
**理论意义（Theoretical Implications）**：研究人员提出了三层级信号处理模型：第一层，注意力作为默认过滤器，在大多数状态下稳健；第二层，情绪作为条件验证器，仅在与锚定或估值信号一致时起作用；第三层，信息竞争作为覆盖条件，削弱可见性效应。此外，研究还提出了“可见性级联”（visibility cascade）机制，即平台放大下的自强化过程，与经典信息级联（informational cascades）不同。
**结论（Conclusion）**：研究结论翻译如下：本研究记录了数字中介零售交易中的层次化信号处理模式：可见性线索广泛预测参与，而基调仅在与价格锚点、估值怀疑论及信息环境相关的状态依赖语境中起作用。通过跨平台主成分分离可见性与基调，并经匹配和机器学习检验，证据表明注意力作为独立显著性渠道运行，而非情感内容的单纯中介。面板VAR进一步表明，参与和注意力在双向反馈系统中演化：持有量变化预测后续注意力，而注意力的预测力取决于语境，从而调和了无条件平均动态与分层回归中的条件模式。研究发现对市场参与者（需监控注意力的条件边界）和监管者（状态依赖性干预设计）具有实践意义。
