Kostopoulos, D., Meyer, S., Uhr, C., Google search volume and individual investor trading, Journal of Financial Markets, https://doi.org/10.1016/j.finmar.2020.100544.
这篇文章的核心故事是讲述市场情绪（sentiment）与投资者行为之间的关系。一个卖点是通过谷歌搜索的关注度数据构建了市场情绪指标（FEARS index）（FEARS全称为Financial and Economic Attitudes Revealed by Search），另一个卖点是通过与德国当地的股票经纪商合作，获得了投资者交易行为的微观数据。
本文中主要关注的是市场情绪对投资者行为的影响，这些行为包括交易量、交易品种、交易行为的可持续性，作者还用其中一节专门讨论了FEARS index对股票市场收益的影响，或许是广大投资者和投资研究人员更关心的问题。
指标和代理变量的构建
几个比较重要的指标和代理变量分别是：市场情绪指标（FEARS index）、个体投资者数据、交易行为变量、证券风险水平。
FEARS index
该指标由5步构建：
识别搜索词汇。
（1）用Harvard IV-4 Dictionary和Lasswell Value Dictionary搜索出和经济相关且具有积极或消极情绪的英文词汇。
（2）把这些词汇翻译成德语。
（3）对于每个单词，识别出十项最相关的搜索词汇。
（4）移除所有和经济不相关的单词。
下载所识别出的搜索词汇。
（1）移除所有因为搜索量太小而无法下载的条目。
（2）移除所有因带有德语连音而无法下载的条目。
计算调整后的SVI（search volume index）
（1）计算SVI的对数变化率。
（2）去除（Winsorizing）5%水平的极端值。
（3）通过带时间的哑变量回归，保留残余项，来进行季节调整。
（4）通过除以标准差进行标准化，得到ASVI。
对于每6个月的时间窗口，识别出30个最相关的条目。
（1）在时间窗口内，将以上整理出的条目（198个）每一条和市场收益率作回归。这里一般回归系数是负数。
（2）用t统计量作排序。
（3）只有t统计量最小（说明负相关更显著）的条目用于构建接下来6个月的FEARS index。
计算FEARS Index
（1）计算公式为：
\[ FEARS_t = \frac{1}{30}\Sigma_{i=1}^{30}R^i(\Delta ASVI_t) \]
其中R是第四步中用t统计量排序做出的权重。
个体投资者数据
投资者数据是和德国当地的经纪商合作拿到手的，样本时间是从2005年7月到2015年6月。为了符合研究主题的要求，进行了一些筛选，最终选出了101223名投资者约1580万条的交易数据。
交易行为变量
作者用去除趋势项以及季节效应后的购买量作为“超买”行为的代理变量，并且按照交易量和交易额，计算了两种代理变量。以按照交易量计算的变量为例，其公式如下：
\[ ExBSI_{i,t}^\# = \frac{Buy_{i,t}^\#}{Buy_{i,t}^\#+Sell_{i,t}^\#}-\frac{Buy_{i,y(t)}^\#}{Buy_{i,y(t)}^\#+Sell_{i,y(t)}^\#} \]
其中等式右边的第一项是t时间的买入量，第二项是t时间考虑趋势以及季节因素的基准买入量。
证券风险水平
按照German Security Trading Act (§31, enacted July 2007)，每一笔交易行为都需要进行风险评级。因此作者使用了现成的证券资产风险评级信息，打成1到5分。
FEARS index和个人交易行为之间的关系
该部分作者主要是验证了3个假设。
H1：当FEARS index高的时候，个人投资者的买入量更少。
H2：当FEARS index高的时候，个人投资者倾向于卖出风险类资产。
H3：个人投资者由于FEARS index高而卖出证券的后续交易日中并不会买回证券。
作者的计量检验是支持以上假设的，这也很符合经济直觉。
FEARS index和德国股票市场收益率之间的关系
作者用德国股票市场指数DAX和他们构建的FEARS做了一个VAR模型，模型的滞后期数是6期（6个交易日），并且使用了一些控制变量。
控制变量包括：全市场交易量的5阶滞后（做了去趋势项处理），市场波动性变量的5阶滞后，用于控制季节效应的两个日期哑变量。
作者发现了FEARS index和DAX收益率之间比较显著的负相关关系，当FEARS增加一个单位，DAX下降26个bp。
一点点评
Journal of Financial Markets算是个还不错又不是非常好的期刊。这篇文章原创性不是那么高，主要是参考了Da et al.(2015)，也没有按照学界最主流的方法对指标的股票收益解释能力进行验证。但是笔者是没有想到Da et al.(2015)提出的这么简单的指标居然还能检验出有效。
或许如果百度热词能开放下载，咱也能构建个什么仍旧有效的预测指标？
References
[1] Kostopoulos, D., Meyer, S., Uhr, C., Google search volume and individual investor trading, Journal of Financial Markets, https://doi.org/10.1016/j.finmar.2020.100544.
[2] Da, Z., Engelberg, J., & Gao, P. (2015). The sum of all FEARS investor sentiment and asset prices. The Review of Financial Studies, 28(1), 1-32.