社交媒体投资回报率

社交媒体投资回报率（共3篇）

社交媒体投资回报率 篇1

1 引 言

行为金融学认为,情绪可以深刻地影响个人的行为和决策。夏雨禾 ( 2010)[1]通过对438个样本的分析,对新浪微博互动的结构性要素以及发生机制进行了深入探究,研究结果发现,新浪微博是一个文化性、个人性和情绪性的互动空间。杨维 ( 2011)[2]从微博传播的及时性、草根性的特征出发,探讨了在网络舆情形成过程中微博起到的作用。梁坤,蒋翠清,丁勇 ( 2013)[3]利用特征提取等技术,抽取中文社会媒体上的干系人的话题,同时构建股票收益率的回归模型,研究中文社会媒体上干系人和话题的活动状况对股票收益率的影响。研究结果表明,中文社会媒体上不同干系人对股票收益的影响不同。而乔智和耿志民 ( 2013) 讨论了股吧对个人投资者情绪的影响研究[4],运用实证方法验证了个人投资者情绪与股市收益间存在的相关关系。徐琳 ( 2013)[5]基于微博中的投资者情绪的研究,使得让投资者知情股市收益研究,微博信息不仅反映了该信息发布者的心理和行为,同时也能够影响相关投资者的投资行为。

2 研究模型与方法

2. 1 主要模型

本文采用向量自回归模型 ( VAR)[6]来检验社交媒体中的投资者情绪与股市收盘价、股市成交量之间的时滞关系。VAR模型把系统中每一个内生变量作为系统中所有内生变量的滞后项的函数来构造模型,其一般形式为:

其中,Yt是k维内生变量向量,Yt -1( i = 1,2,…,P) 是滞后内生变量向量,Xt - i( i = 0,1,…,r) 是d维外生变量向量或滞后外生变量向量,P、r分别是内生变量和外生变量的滞后阶数。At是k* k维系数矩阵,Bi是k* d维系数矩阵,这些矩阵都是待估计的参数矩阵。εt是由k维随机误差项构成的向量,其元素相互之间可以同期相关,但不能与各自的滞后项相关以及不能与各自的滞后项相关以及不能与模型右边的变量相关。

2. 2 研究方法

第一,使用深圳视界信息技术有限公司研发的网页采集软件八爪鱼数据采集系统抓取海量的微博数据。该平台以分布式云计算平台为核心,从各种不同的网站或者网页获取大量的规范化数据。第二,以天为单位归类微博数据,并且清洗不能表现投资者情绪的垃圾数据,如非原创微博或者只包含链接地址的微博等。第三,运用中文语析分析工具,分析微博中包含的情感信息,量化投资者情绪。本课题将从两个层面来分析和量化投资者情绪信息:第一个层面可以将投资者情绪分为两个维度———积极情绪倾向和消极情绪倾向; 第二个层面讲积极情绪和消极情绪继续细分,可分为一般、中度和高度积极情绪倾向以及一般、中度和高度消极情绪倾向。第四,接下来我们将会把得到的数据资料用专业软件Eviews进行整理并加以分析,以便我们制作出相应的统计图表等,最终基于大数据对投资者情绪与股市收益之间的相互关系进行分析。第五,通过Granger因果关系检验,论述和验证社会情绪变化与股票市场变化确实存在相关关系。第六,使用脉冲响应函数进行股市收益走势预测的实证分析,得出投资者情绪和股市收益走势相互间的预测能力,并提出改善方案。

3 实证研究

3. 1 数据来源———社交媒体中的投资者情绪数据

本文的数据来源于新浪微博平台,采用“微博搜索”的方式继续对股市相关的信息进行监测挖掘。在新浪微博界面,以股票名称为关键词,按时间搜索相应的与该只股票相关的原创微博信息。以“华谊兄弟”为实例研究对象,研究华谊兄弟公司从2014年9月19日到2015年2月28日,该公司在新浪微博的投资者情绪与股市收益之间的关系。微博的发表时间跨度为2014年9月19日至2014年12月5日,我们抓取到微博数量为1286688条。

股市收益指数样本来自上证综合指数和深圳成分指数,包括上证综合指数收盘价、日成交量和深圳成分指数的收盘价、日成交量。股票数据均使用浙江核新同花顺网络信息股份有限公司提供的同花顺软件获得的。t日上证综合指数的和深圳成分指数的股指收益率Rt的计算公式为

其中Pt为t日股指的收盘价,Pt - 1为 ( t - 1) 日股指的收盘价。样本区间为2014年11月17日至2015年2月28日。

3. 2 数据分析

( 1) 量化投资者情绪。利用ROST Content Mining ( 简称ROST CM) 的情感分析模块对每天的微博进行情绪倾向分析。本文实验利用ROST CM分析情绪的统计结果如图1所示。

针对ROST CM对于投资者情绪的分类,将分析三段积极情绪 ( 一般、中度、高度) 和三段消极情绪 ( 一般、中度、高度) 与股市收益之间的相互影响,不使用中性情绪作为实验数据。

同时,选取该公司于2014年11月16日至2015年2月28日每天的综合指数收盘价和成交量产生的时间序列进行比较,并且,每个类别的情绪倾向数据之间也能进行比较,需要对实验数据进行Z - Score标准化处理[7]。转化函数为:

其中,为变量X的均值,σ为变量X的标准差。经过处理的数据符合均值为0标准差为1的标准正态分布。

( 2) 变量的基 本描述。由于VAR模型的建 立和Granger因果检验都要求使用的时间序列是平稳时间序列。表1是运用增广的迪基 - 福勒检验 ( ADF检验)[8]各时间序列单位根的检验结果。

情绪的时间序列和股票数据的时间序列一阶差分的ADF检验的t统计量都比1% 、5% 、10% 检验水平下的临界值小,因此可以拒绝原假设,即可以认为情绪时间序列和股票数据的时间序列一阶查分没有单位根,也即社交媒体中的投资者情绪的时间序列和股票数据的时间序列是一阶差分平稳的。

( 3) Granger因果关系检验。Granger因果关系检验可以用来确定经济变量之间是否存在因果关系以及影响的方向。因此采用Granger因果关系检验分析社交媒体中的投资者情绪对股市收益的预测能力。

分别将社交媒体的投资者一般积极情绪 ( P1) 、中度积极情绪 ( P2) 、高度积极情绪 ( P3) 、一般消极情绪( N1) 、中度消极情绪 ( N2) 、高度消极情绪 ( N3) 指数与股市收益 ( SY) 和股市成交量做两两检验。表2列出滞后期1阶到5阶响应的 部分Granger因果关系 检验结果。

可以发现,一是社交媒体上的投资者高度消极情绪倾向不是引起股市收盘价变化的Granger原因在滞后期为3时被拒绝; 二是股市收盘价不是一般积极情绪倾向的Granger原因在滞后期为5时被拒绝; 三是社交媒体中的投资者高度积极情绪的Granger原因在滞后期为1时被拒绝; 四是社交媒体中投资者高度消极情绪倾向不是股市收盘价的Granger原因在滞后期为2时被拒绝; 五是社交媒体中投资者的中度积极情绪、高度积极情绪、一般消极情绪和中度消极情绪不是股市成交量的Granger原因被拒绝,说明社交媒体中投资者较为显著的情绪是股市成交量的Granger原因; 六是股市成交量不是社交媒体中投资者一般消极情绪的Granger原因被拒绝,说明股市成交量是社交媒体中投资者一般消极情绪的Granger原因。

( 4) 脉冲响应函数分析。脉冲响应函数用于衡量来自某个内生变量的随机扰动项的一个标准差冲击 ( 称为“脉冲”) 对VAR模型中所有内生变量当前值和未来值的影响[9]。如图2所示,图中的横轴表示时期数,纵轴表示脉冲响应函数大小,实线为脉冲响应函数,红色虚线为正负两倍标准差偏离带 ( ±2S. E) 。

图2 ( a) 描述了社交媒体中投资者的高度积极情绪和高度消极情绪与股市收盘价之间的两两响应。在图2( a) 中可以看到,社交媒体中的高度积极情绪,在受到股市收盘价的一个正向单位标准差冲击时,没有立即响应,在第1期中期出现响应,并在第2期内达到负向最大值,并在第6期后逐渐减弱并且趋向于0。说明股票的收盘价变动对社交媒体中的高度积极情绪只存在较短时间内的影响,并且会对社交媒体中的投资者造成一定影响,大约持续5个交易日内。

图2 ( b) 中,受社交媒体中投资者的高度消极情绪的一个正向单位标准差冲击时,股市收盘价第一期前期没有立即响应,在之后产生正向影响,在第3期中期达到正向最大后立即减弱,并且趋向于0。说明社交媒体中的高度消极情绪对股市收盘价只存在短期同向影响,持续在前10个交易日左右。

图2 ( c) 和图2 ( d) 可以看到,股市成交量对社交媒体中投资者中度积极情绪和高度积极情绪的扰动立即做出了响应,第一期的响应大约为0. 5左右且为正向。之后,股市成交量对投资者中度积极情绪和高度积极情绪的响应有所下降,并趋近于0,说明社交媒体中投资者的中度积极情绪和高度积极情绪对股市成交量存在短期同向影响,并且投资者的中度积极情绪持续时间较投资者的高度积极情绪的持续时间长。

在图2 ( e) 中可以看到,股市成交量对社交媒体中投资者的中度消极情绪扰动立即做出了响应,第1期的响应为0. 7左右,在第2期减弱到0. 2左右。之后,股市成交量对投资者的中度消极情绪的扰动开始上升,在第3期中期达到最大 ( 为2. 5左右) ,且为正向的。接着,股市成交量对投资者的中度消极情绪的响应有所下降,在第10期后,响应趋向于0。可见,社交媒体中的投资者中度消极情绪的变动会对股市成交量造成正向影响,且持续时间超过10期。

图2 ( f) 描述的是社交媒体中投资者的一般消极情绪与股市成交量的响应。从图中可以看到,社交媒体中投资者的一般消极情绪对股市成交量的扰动立即做出了负向响应。在第2期中期达到负向最大值,并在之后逐渐减弱,在第10期左右逐渐趋近于0。从中可以看出股市成交量的变动会对社交媒体中投资者的一般消极情绪造成影响,持续时间比较长,且前4期影响较为明显。

4 结论与展望

通过微博大数据搜索抓取社交媒体中投资者微博数据为样本,以同时段的股市为研究对象,利用中文语义分析技术,将该投资者情绪划分成六个等级,并且构建了社交媒体中投资者的情绪指数,并且基于VAR模型,运用Granger因果关系检验、脉冲响应函数,探讨社交媒体中不同程度的投资者情绪倾向与股市收益之间的预测能力和双向反馈关系。研究结果表明:

第一,中文社交媒体中的投资者情绪变化能够有效地反映出股市收盘价和成交量的变化。第二,社交媒体中投资者不同等级倾向的情绪对股市收盘价和股市成交量的影响是不同的。一般积极情绪对股市收益没有产生显著的影响,中度、高度积极情绪对股市收益产生短期影响,中度消极情绪对股市收益产生持续时间较长的影响。第三,股市的收盘价和成交量均会引起社交媒体中投资者不同程度的情绪变化。

结论有益于投资者以社交媒体为观察视角进行有效的投资决策和判断,同时端正投资心态和增强风险意识。同时也有益于决策者利用社交媒体提供的大量的有效信息来合理地管理股票市场。

摘要：社交媒体中的信息是一个大数据库,通过微博搜索抓取社交媒体中投资者微博数据,利用中文语义分析技术,将该投资者情绪划分成六个等级,构建社交媒体中投资者的情绪指数,并且以同时段的股市为研究对象,基于VAR模型,运用Granger因果关系检验、脉冲响应函数,探讨社交媒体中不同程度的投资者情绪倾向与股市收益之间的预测能力和双向反馈关系。

关键词：社交媒体,投资者情绪,股市收益,大数据

MAG提高用户投资回报率 篇2

M A G工业自动化(上海)有限公司总经理丁志宏说,面对客户我们必须提供整个设备生命周期里的服务,提供好的解决方案。比如装修的时候买把刷子,其实不是买刷子,而是买墙上那漆刷完的结果;买枪钻,实际就打那几个眼,所以说解决方案比真正买哪个硬件更合适。MAG将来会根据在用机床的情况,给用户最好的服务和增值业务。还有一种可能,在设备更新换代的时候,MAG甚至可以回购。客户不仅仅是买你的设备,他买的是十万产能,是生产十万个发动机的产能。从这个意义上讲,这种设备跟传统设备的购买理念不一样,因为一般买设备呢往往是哪家便宜买哪个,但是如果是想赚钱,一定会考虑哪家设备能够给你赚钱。如同买车,要是仅用来当代步工具,可以买个便宜点的车。但是如果想用来出租,可能要买一辆二三十万的车,因为那是用来赚钱的。这个理念在国外很流行,像博士、马勒、采埃孚、尼玛克这些全球的知名汽车零部件企业,跟他们商业谈判时,往往都谈投资回报率。

发动机缸体喷涂技术的应用也会越来越普及。尤其当发动机装有自动启停系统以后,活塞对缸孔的冲击会较大,涂层技术更有用武之地。传统的喷涂技术是将将材料熔化喷涂到缸孔表面,但这种技术特别费电,成本高。MAG的技术是将一种粉末状的物质喷在缸孔表面再进行加工,更加绿色环保。MAG公司与SULZER Metco及Sturm合作,共同开发了模块化的缸孔涂层及前后机械加工处理系统,使铝合金缸孔涂层工艺和机械加工完美结合,组成一套完整的加工系统。用等离子热喷涂缸孔取代灰铸铁缸套,不仅减少了发动机的总体重量,而且增加了其耐久性并降低了能耗。该技术已在德国大众的E A211发动机、Audi A8油电发动机、VW Lupo 1.4I TSI,GM Opel,韩国双龙汽车等项目上得到应用。

另外,MAG推出了一种增加珩磨功能模块的加工中心,只需要在镗床的基础上换一个刀就可以珩磨,柔性比较强,所以生产线的瓶颈问题就解决了。发动机缸体生产线往往有单独的珩磨工序,如果这个工序出了问题,整个生产线就要停机,损失会很大。如果在加工中心上增加珩磨功能,初期投入可能会比较大,但有效避免了风险。另外,培训也更加方便了。原来要对不同的设备操作工进行培训,现在只培训一个工种就可以了。MAG在长安福特的一条缸盖生产线,曾被福特全球评为最高效率,最高质量的生产线。

如何提高物流企业的投资回报率 篇3

在运营过程中使用Vocollect解决方案能极大提升企业的商业运作能力, 并且其多种类的语音应用程序能使企业获得良好的业绩和财务回报。

什么是语音技术?

目前, 企业都承受着运营业绩的压力, 因此也在不断的寻找办法来缩减成本, 提高生产力和订单精确度。过去几十年中, 支出语音的设备已经被设计出来并成为像纸质和无线电扫描系统这样的劳动密集型技术的强有力的替代品。结果表明, 语音技术能够大大提高生产效率和运营绩效。通过仓库管理系统 (WMS) 而进行拣选、补货、卸货和移动库存等作业会通过无线网络传输到移动计算设备上, 这些设备会把作业数据转化成语音指令, 该指令会通过耳机传送给工作人员并指导他们到指定的通道或配送中心的分区。随后, 相应工作人员会通过语音识别耳机说出数字识别码以确定具体位置。当一项任务完成, 系统会自动执行下一任务。语音技术促进了拣货、补货、卸货和堆垛等作业效率的提高。同时, 此技术也具备同时拣选和传送多件货品的能力。配送中心/仓库管理和监控人员会通过计算机控制作业程序以便对作业重新排序, 获取工作报告以及在货品短缺时或者短缺前获得响应。并且从这些项目中获取的投资回报率 (R O I) 通常是十分巨大的。在如制造和配送这样劳动密集型、大容量和大库存单元的作业中, 语音技术显示出了较高的年投资回报率。

语音技术的优势

要建设优良的支持语音技术的配送中心, 了解企业当前的运营业绩和劣势是十分必要的。企业外向运输的准点率是多少?员工每月的加班时间是多少?客户索赔要求是否太高?一家领先的业内出版物的研究报告对160家企业的配送中心绩效进行了调查。其调查内容包括准点运输率、库存计算精确度、拣货精确度。在评估配送中心的绩效之后, 下一步就是甄别哪些领域有待进一步提升——也就是哪些方面将会对企业盈亏造成最大影响。如果提高准确率, 增加生产力或者减少培训时间将使配送中心从中获益, 那么语音技术就无疑是最有利的选择。

提高准确率。通常, 语音系统会通过随机校验码来确保订单准确性。校验码会被直接贴付于产品上以供指定位置的工作人员读取。如果工作人员没有读取出正确的校验码, 系统就不会通过, 从而确保了100%的准确率。纸质拣货单/标签以及无线电射频设备都需要从屏幕或纸张上读取数据, 从而分散了作业人员的注意力, 造成错误率的升高。这就导致了作业人员要回过头来选出被错误放置的产品从而降低了工作效率。而声音技术消除了这种错误发生的可能性, 因为作业人员的注意力一直集中于同一项任务, 不需要任何显示设备或纸质标签。订单执行准确率的提高意味着配送中心退货率的降低。而当产品不需要被退回或重新运输时, 配送中心的成本将会大大降低。同时, 随着需要被二次接收、存储和运输的产品的减少, 劳工成本也会大大降低。

提高生产力。语音技术在确保工作过程中的准确率同时, 也通过提高工作人员效率而提高了生产力。因为没有必要在手持设备或者移动计算设备上扫描条形码, 消除了读取显示屏幕、纸质拣货单或订货单的需要, 作业人员可以即时获取流程中的下一任务, 从而减少了货品在途中浪费的时间。另外, 工作人员可通过排除不必要的步骤来提高生产率。通常, 生产率增幅在1 0%~25%之间。与电子标签拣货系统相比, 语音技术所能提供的生产效率与其大致相当, 但是语音技术能提供较大的生产潜力。因为语音和产品是相互独立的, 多个工作人员可以同时在同一地点作业, 这就给流程的管理带来了极大灵活性。另外, 工作人员可以同时完成多项任务, 从而大大降低了运送距离。

降低人工成本。语言障碍、人员流动率、兼职雇员数量的季节性波动以及培训成本都是一些会损害生产率和准确率的劳动力相关问题。然而, 语音技术会通过降低培训的难度来降低人工成本。语音技术会在15分钟内掌握个人的口音和独特的语音特征。随后, 语音技术会把每一步工作任务指派给相关人员。由于其使用的便捷性, 培训会从数周降低至几小时。语音专用设备非常小巧, 能够被装入口袋中, 从而提高了工作人员活动的自由性。另外, 由于向耳机麦克风讲话比人工输入数据更为便捷, 生产率会大大提高。通过追踪员工个人生产率和准确率, 员工会产生一种荣誉感, 人员流动率将会降低, 从而减少了雇佣新员工的培训成本。

计算投资回报率

无论购买任何技术, 其整体价值很大程度上都要通过其ROI来评判。而其中最大的挑战是鉴别哪方面会产生ROI并且如何计算。一旦你明确地了解了整个供应链需求, 语音技术的价值就可通过计算平均节约成本来确定。首先可以根据准确率和生产率的提高来确定节约成本。准确率较低会产成额外成本。例如, 供应链流程中的重复处理、退货、运输、审计、缺货以及较差的客户服务都会产生额外成本。通过计算使用语音技术而避免的失误成本, 就可以鉴定出提高准确率产生的节约成本。另外, 可通过计算生产率的增幅和人力节约来确定生产率节约成本。除了因准确率和生产率而产生的节约成本外, 还有其他潜在的节约成本。安全事故的减少:有了语音技术, 员工的注意力会相对集中, 从而降低了安全事故发生频率。例如, 因为不需要盯着屏幕或纸质印刷品, 他们会关注到周围环境, 如叉车和其他能造成伤害的危险品。更人性化和更高性价比的硬件:Vocollect解决方案能够使所有员工 (包括残疾人员) 都能轻松地使用此技术。并且据调查, 其维修养护成本与其他硬件相比也更为低廉。税收优惠:计算税收优惠的法律政策因企业和国家不同有较大差别。税收优惠幅度在15%~40%之间, 这要取决于企业的税收结构。

结论

企业通常把语音技术作为其一项重要战略性投资, 因为它能提高订单准确率、提高生产率及降低人工成本。另外, 语音技术有较快及较高的投资回报率。在运营过程中使用Vocollect解决方案能极大提升企业的商业运作能力, 并且其多种类的语音应用程序能使企业获得良好的业绩和财务回报。目前, 语音技术已超越了食品配送市场, 进入零售、第三方物流供应商、医疗保健和消费包装品等领域, 并且保持较强的竞争优势。