Feb.2017
股市异常波动的形成机理研究综述
—
基于微观投资者交互作用的视角
(北京工业大学经济与管理学院，北京100124)
摘要：为揭示我国股市异常波动的形成机理，对国内外股票市场的异常波动及其引发异常波动的机理进行了整
王超，高扬，刘超
理和归纳。以股票市场中的投资者交互作用为主线，分别梳理并综述了基于行为金融学的股市异常波动的形成机 理、金融物理学的股市异常波动的形成机理、社会传播学的股市异常波动的形成机理和复杂系统科学的股市异常 波动的形成机理，指出各部分研究的不同视角与相应的不足，展现了其研究特点。最后总结并展望了微观投资者 视角下股市异常波动的形成机理的研究方向。
关键词：股市异常波动；行为金融学；金融物理学；社会传播学；复杂系统科学中图分类号：F830.9;
C912.6; O414.2; G20 文献标志码：A 文章编号：1671 -0398(2017)01 -0050 - 10
引言
2015—2016年中国A股市场的异常波动为全 球关注[1]。自2015年3月开始，中国A股市场逐 步成为一个散户投资者大范围参与的投机市场，出 现了一轮过快上涨行情。过快上涨则必有过急下 跌。2015年6月15日到7月8日，上证综指在17 个交易日下跌32%。8月18日开始的短短7个交 易日内，上证指数又下跌了 1 150点，8月26日一度 下跌到2 850点的位置，下跌幅度近29%，千股跌停 再次连续多日出现。2016年2月25日A股暴跌再 现千股跌停。2015年以来中国股市频现千股跌停、 千股停牌，流动性几近枯竭，股市运行的危急状况实 属罕见。无论按照哪个定义，在连续的6个月内，只 有短短26年发展历史的中国证券市场发生了前所 未有的乃至全球罕见的大股灾。
投资市场的异常波动在近300年来引发全球关 注。最早从17世纪30年代的荷兰“郁金香热冶，19 世纪英国的南海事件，1929年美国金融危机，1998
年美国的互联网泡沫，2008年全球金融危机，到 2015年中国股市危机,相似的现象一次又一次地发 生。如果任由股市暴涨，容易让投资者滋生短期暴 富心理，不利于投资者理性行为的形成。如果任由 股市断崖式、螺旋式下跌，造成股市崩盘，股市风险 就会像多米诺骨牌效应那样跨产品、跨机构、跨市场 传染，酿成系统性风险（肖钢，2016)[2]。股票市场 中所反映出来的复杂性、突发性以及极端波动性对 金融稳定产生了巨大冲击，也对金融风险管理提出 了挑战。
不同国家股市异常波动的发生过程均存在一个 共性问题，即股市出现大量抛售股票通常与经济的 基本面无关，往往是由于恐慌情绪在投资者之间传 染（唐毅南等，2010)[3]，认为股市出现系统性风险, 相互模仿而采取同步抛售策略，从而导致投资者大 量抛售股票，价格初始下跌后很快产生了连锁反应。 其根本原因都是由于投资者不理性的狂热、贪婪和 侥幸的心理所导致。
尤其是近年来随着信息与通讯技术的不断发
收稿日期：2016-06-30
基金项目：国家自然科学基金项目资助(61603011和61273230);北京市社会科学基金研究基地项目资助（16JDGLC005);山
东省“金融产业优化与区域发展管理协同创新中心”首席科学家项目暨山东省社会科学规划重大委托课题资助 (14AWTJ01 鄄4);中国博士后基金项目资助（2015M580033; 2015M580940)
作者简介：王超（1986—），男，山东枣庄人，北京工业大学经济与管理学院讲师，博士；
髙扬（1988—），女，山东烟台人，北京工业大学经济与管理学院讲师，博士；刘超（1967—），男，山东枣庄人，北京工业大学经济与管理教授，博士生导师
第1期王超，等：股市异常波动的形成机理研究综述51
展，特别是各种社交网络服务（称
social network site,简 是采用RBV的概念，对一天之内是否发生了价格的 显著跳跃进行检测。在此基础上,Lee等（2008)[14] 进一步提出了日内价格跳跃的检测方法，即可以将 价格发生显著跳跃的具体时间点检测出来。而且
SNS)平台的兴起，投资者决策变得越来越相互依
Andersen等，2013)[4]。因
赖，投资者彼此之间这种基于社会网络的交互作用 能够激发出异于个体行为的群体性结构效应，并会 影响市场整体的稳定（
此，从投资者交互作用出发探讨股票市场价格的极 端波动性,防范金融风险，成为经济理论界及各国政
府需要解决的持续性课题（Changwony等， 2015)[5],引起了越来越多学者的关注。
Lee等(2008)[ 14]的方法还可以得到跳跃的方向（正
为研究日内价格跳跃的分布提供了便利，也为研究
向跳跃还是负向跳跃）和跳跃的幅度。显然，这就 日内价格跳跃对市场流动性和交易的影响提供了基 础。随后Bollerslev等(2013)[15]进一步提出了非参 数跳跃识别方法来识别价格跳跃。这种方法不仅能 一、股市异常波动的判断与检验方法的研究
前中国证监会主席肖钢在2016年全国证券期 货监管工作会议上指出：我国在2015年的股市属于 异常波动[2]。但异常波动的界定和持续时间，尚无 文献给出明确的定义。似乎也很难找到一个客观的 标准对异常波动作出判断。
国内外较多的文献研究股市波动，发现异常波 动现象往往出现在股市快速上涨之后，在投资者疯 狂乐观的气氛中，大跌便接踵而至。全球性的股市 异常波动可能还伴随着全球性的金融危机，比如 1929年和2008年的全球性股市危机。虽然国内外 研究股市异常波动的相关文献很多,但没有发现对 股市异常波动给出明确判断的标准文献。相当多的 文献（Sornette, 2003[6] ; Siokis, 2012[7])对 1929 年 和1987年全球股市异常波动进行分析和解释;也有 较多的文献（
Schulmerich等，2015 )[8]仅研究了
1987年10月的股市异常波动现象。似乎很难对股 市异常波动给出明确的判断标准。
为了衡量股市是否发生了异常波动，许多学者 从价格跳跃行为的角度，构造一个稳健的方法来检 验。在这一领域，有很多检验方法是基于低频数据
来构造的（Ait-Sahalia, 2002[9]; Sornette, 2003[6])。 然而,随着计算机技术的不断发展，日内高频交易数 据的储存和处理变得愈加容易，通过日内高频数据 来构造价格跳跃的检验方法显然更为直接和自然。 事实上，最近10多年间，基于高频数据的波动率测 度和价格跳跃检测方法已得到很大发展。在这一研 究领域中，迄今为止最重要的工作来自于Bamdoiff- 见6^打等（2004,2006)[10-11](以下简称为丑13方 法），他们利用已实现双幕次变差variation（
realized bipower ,简称RBV)构造了一•个关于价格跳跃的稳
健检测方法。利用这一方法，Giot等（2010)[12]、 Patton等(2015 )[13]对美国金融市场上日内波动中 的价格跳跃成分进行了实证研究。BN-S方法主要
够检验出跳跃的存在性，而且能够找出跳跃发生的 时点，识别跳跃的幅度,并且在估计时考虑到价格变 动的日内效应。
二、基于行为金融学的股市异常波动的
形成机理研究
2002年诺贝尔经济学奖授予普林斯顿大学心 理学和公共关系学教授Daniel Kahneman,标志着行 为金融学进入主流经济学领域。部分学者结合认知 心理学的研究成果，从行为金融学的视角分析股票 异常波动的形成机理。行为金融学认为股票市场中 的投资者往往在不确定的实际条件下进行判断和决 策,而且这种决策并不遵循贝叶斯理性，受到他们的 行为、情绪、习惯以及所处的文化环境的影响，从而 产生认知、心理偏差或偏好。在非理性代理人的假 设前提下,投资者模仿他人并作出决定，从而推动股 价从其基本价值偏离。因此，股市出现泡沫和崩溃。 目前，有一些行为金融学模型,研究了投资者的交互 作用对股票市场价格的影响，比如狂热和恐慌模型、 时尚和潮流模型、噪声交易者模型、正反馈交易者模
型和羊群效应模型等（见表1),详见综述性文献 [16-18]。
(1)狂热和恐慌模型el（
manias and panics mod
) : 该模型指出非稳定性投资行为在短期内是存在
的。股票市场的泡沫在很大程度上是由于投资者理 性丧失的结果,投资者甚至是“集体歇斯底里的发 作或发狂冶，这种“市场狂热和恐慌”与普遍性的非 理性或者大众心理密切相关,大众心理或者集体的
歇斯底里是理性行为模式的偶然性偏离[19-20]。（2) 时尚和潮流模型（
fashions and fads model):许多学
者[21-22]认为股价极易受到纯粹的时尚潮流和社会 动态影响，因为既缺少成熟完善的理论来解释股票 的价值,也没有明显可以预测的结果来改变投资者 的投资决策。他们观察到投资者彼此之间的相互关
52北京工业大学学报（社会科学版)2017 年
注可能会导致投机泡沫，进而导致股市崩溃，比如 1987年美国股市的崩盘，因为每个投资者都试图考 虑其他投资者的可能反应。（3)噪声交易者模型(de-shleifer-summers-waldmann model,简称 DSSW
效应模型（herd behavior model):Lux(1995)[28]对于 股票市场的羊群行为进行了论述。
Lux在文中构建
了一个交易者行为、观点互相模仿和传染的基本模 型，对股票价格的过度波动给予行为学上的解释，他 在原有研究方法基础上的创新在于将影响股票市场 “新手”的心理因素明确纳入模型之中。这些人预 期的形成不完全来自于基本面，而是主要依赖他人 的行为或者预期，模型的建立旨在说明投机者之间
相互模仿、传染的过程。随后Khan等（2011)[29]指 出金融市场的发展趋势是由投资者的情绪驱动的， 这种情绪来自人类无意识的从众心理，并有生物心 理学的支撑。Chang(2014)[30]研究了金融市场中羊 群效应、股市泡沫和投资者交互行为的关系。
m〇del):De Long 等（1990)[23]提出了 DSSW 模型，指
出在有限套利的市场中,存在未经证实的传言，投资 者情绪相互影响，噪声交易者（
noise trader)会在相
同的时间段内买卖相同的股票，同时也阻碍了知情 交易者积极地参与交易，导致了系统性的偏离。许
多其他研究人员也持有相同的观点[24-25]。（4)正
positive feedback investment mod- el):De Long 等（1990)[26]、Cutler 等（1990)[27]提出
了正反馈交易者模型。理性投资者通过促进其他投 资者的正反馈交易而增加价格的波动性。（5)羊群
表1
反馈父易者模型（
行为金融学相关的模型
行为金融学模型狂热和恐慌模型时尚和潮流模型噪声交易者模型正反馈交易者模型羊群效应模型
代表性文献基本观点
投资者“集体歇斯底里的发作或发狂”，导致非理 性行为
投资者情感的变化、时尚潮流的变化对于资产的
市场价格有重要影响
噪声交易者信念的不可预期性给资产价格带来了 风险，同时阻碍知情交易者积极参与交易理性投资者通过促进其他投资者的正反馈交易而 增加价格的波动性
投资者之间相互模仿和传染，使客观不确定性变 成主观确定性
Kindleberger(2001)[19]、Visano(2002)[20]等Shiller(1990)[21]、Persaud( 2001)[22]等De Long 等（1990)[23] ' 'Shleifer 等（1990)[24]、Alfarano(2007)[25]De Long 等（1990)[26]、,Cutler 等（1990) [27]Lux ( 1995 )[28]、Khan 等（2011 )[29]、Chang (2014)[3。]等
Somette(2014)[31]指出：行为金融学模型非常
成功地解释了股票市场的一些现象，但这些模型的 唯一缺点是参数非常多（超过10个），调节这些参 数需要处理大量模型中的细节。因此，复刻股票市 场具有相当大的复杂性。
三、基于金融物理学的股市异常波动的
形成机理研究
20世纪90年代以来，Lux(1998)[32]等学者发 现股票收益率序列呈“尖峰胖尾”分布，具有波动聚 集性等所谓的程式化特征（
学），该领域主要应用统计物理的方法来解决金融 学中的问题，特别是一些含有不确定性、随机过程或
非线性动力学的问题。Stauffer等（2009)[34]、Xiao 等（2012)[35]、Wang等(2014)[36]利用统计物理模型 中的逾渗模型（
percolation model)研究了股票价格
的波动性质。他们构建了局部相互作用或者整个市 场投资者之间的相互作用的股票市场模型，用一束 渗流来定义对股市持有共同观点的投资者。逾渗模 型的临界现象被用于描述股市投资者的羊群行为。 在他们的模型中，假定股票价格的波动是被股票市 场中的信息和投资者之间的“羊群效应”来影响的。
随后 Fang 等（2012)[37]、Bury (2013 )[38]应用描 述相互作用的粒子系统的铁磁Ising模型，将股票市 场中的买入和卖出决策描述为Ising自旋系统中的 正自旋和反自旋，研究投资者间的交互作用对价格 的影响。然而在他们提出的Ising模型中，将投资者
stylized facts);股票价格
序列具有分形、长记忆性以及混沌吸引子等非线性 特征,金融市场的复杂性逐渐凸显。因此，用物理学 的理论与方法研究金融中的一些现象可以从物理学 的角度理解金融市场的全局特征。1995年，H Eu
gene Stanley[33] 首 次提出 Econophysics (金 融物理
第1期王超，等：股市异常波动的形成机理研究综述53
man 邻居 (4 个邻居 ） 、Moore 邻居 (8 个邻居 ） 进行交
互,所有个体均同等重要，即他们所接触的邻居的数 目是相同的。该假设与现实金融市场结构有一定的
置于二维空间规则格点，投资者与周围的Von New主体在对某一观点的看法采用“从众”心理;Deffuant 模型（Shang, 2015[48])带有谈判的意味，在达成共 识或舆论形成过程中，少不了 “从利”的利益相关 者，他们有所图地改变自己的意见。然而，这些规则 还没有应用于股票领域，模拟投资者之间的交互规
则。Krause-Hegselmann模型和Deffuant模型也被称 为有限自信（bounded confidence)模型。
社会传播学认为:舆论形成和演化的机理也类 似于一般事件的发生发展过程，包含潜伏期、活跃期 和衰减期。因此，可以将研究疾病传染的经典传染Fang等(2013) [39]考虑股票市场具有某些尺
度的分形行为，在Sierpinski格点上用随机Ising模
型研究投资者间的相互行为,但认为投资者受周围 投资者的作用力是相同的，没有考虑投资者之间的 连接强度、影响情况各异。该模型认为:市场投资者 受市场影响的强度为茁=姿浊,其中浊是服从均匀分 差距。
布[0,1 Ising]的随机变量,姿是强度参数。
模型只有正自旋和反自旋2种状态，只可
以描述投资者的“买入”和“卖出冶2种投资态度，投
资者还有“等待（inactive)”的投资态度。
q态Potts 模型作为Ising模型的推广被引进，可以模拟q个状 态。于是Takaishi(2005)[40]将投资者状态从“卖，’
和“买”2种状态，扩展为“卖”“买”和“等待”3种状 态，使用三态Potts模型模拟投资者的交互行为和股 票价格的波动，但没有区分投资者类型。
Hong等
((2015)[state41]将投资者分为三态，即活跃噪声投资者
1 )、活跃散户投资者（state 2 )和不活跃投资
者（state 3 ),构建随机三态模型，研究金融时间序
列,但没有考虑股票市场的分形特征。
四、基于社会传播学的股市异常波动的
形成机理研究
在社会化的群体中，个体之间通过社会交互而 相互作用和相互影响,个体的信念和行为决策常常 受到其所在的社会群体内部其他成员的个体特征和 行为的影响。行为金融学较多关注市场中投资者的 交互过程，而社会传播学的视角更多地研究非市场 的交互（non-market interactions),考虑投资者之间信 息、舆论、谣言、情绪、意见在社会中的传播。
Clifford
等（1973)[42]提出选举模型（Voter model) , Wang 等
(2011)[43]、牛红丽等（2012)[44]使用选举模型，构造 了一个股票价格模型来实现股市价格和收益的模 拟checki。这个模型可被认为是Ising自旋链,尤其是Su-
等（2005 )[45]指出在一维格点上，Voter模型 等同于零温度下Glauber动力学中的一维Ising模
型。在选举模型基础上，又演化出几种代表性的模 型，表征意见主体在意见转移过程中的心理变化规 则。Snzajd 模型（Crokidakis, 2012[46])是意见主体 在对某一观点的看法采用“Krause-HegselmannYang从上” “从权”的服从制； 模型（ 等，2014[47])是意见
模型 SISSIR ( susceptible-infected-susceptible model)和
模型 ( susceptible-infected-recovered model) 应用
于股票市场中。以SIR模型为例，情绪可以被视为 一种病毒，从而也具有传染的特征。这样SIR类模 型就可以用来研究投资者情绪的传染问题。Fu等
(2014)[49]研究了突发事件下人群中情绪的传染，使 用了 SIR模型的变体，即
SIRS模型（susceptible-infected-recovered-susceptible), 通过兀 胞自动机仿真
实现。研究表明:个体的运动加速情绪的蔓延速度， 并增加感染人群的稳定比例。此外，降低感染的持 续时间和再感染的概率可以显著降低感染个体的数 量。Zhao等（2014 )[50]将情绪分为乐观情绪（opti
mistic) 和悲观情绪 （ pessimistic), 使用 SIR 模型 ，研
究情绪在无标度网络模型和非均匀网络上的传播。Hill
等(2010)[51]考虑了情绪的自发形成过程，构建
了 SISa模型。Liu等（2014)[52]考虑乐观情绪和悲 观情绪,扩展了 SISa模型，构建了 SOSa-SPSa模型，
可用于模拟股票市场中投资者的情绪传染。
媒体及投资者对相关企业及其股票的关注是影 响股票交易波动的重要因素。Tetlock (2007 )[53]、
Dougal等(2012)[54]通过实证研究，分析了财经记者
与股市波动的关系，并指出财经记者利用媒介的影 响,可以放大或者缩减市场投资者情绪，进而影响股
市。这与市场中充满噪声和投机型交易者的理论模 型一致。
Gong 等（2016)[1]、Lin 等（2016)[55]通过
分析中国股票市场，研究新浪微博和投资者的交易 行为的关系，表明微博网络的交互强度能在一定程 度解释股市交易的强度。
Adam等（2016)[56]假定
投资者是内部理性，并且通过对过去市场价格的观 察以及不断的学习，认为投资者通过学习可以提高 理性度，可能是影响股价波动的关键因素。但这些 文献将媒体外场和投资者自身因素分开独立研究， 未能阐明媒体外场和投资者自身因素的交互关系对 股票波动的影响，也未能揭示媒体与股市之间的深
54北京工业大学学报（社会科学版)2017 年
层原因和内在机理。刘峰等(2014)[57]引入传播学 议程设置理论（agent-setting theory),分析媒体关注 度与投资者关注度的交互效应。研究表明：因媒体 信息传播而导致的投资者关注及其投资行为是引起 股票收益变化的直接动因，而媒体对特定股票的关 注可以放大投资者关注对股票收益的影响程度。这 些文献具有重要的实践意义,提醒监管者要重视媒 体、网络信息对股市的影响，调节市场情绪，防范不 法公司或个人非法利用网络媒体操纵股市。来经济学的发展和基于主体的建模方法，可参阅文 献[31]。
一般来说,存在相互作用关系的复杂系统都可
以抽象成网络来研究。蔡世民等（2011)[64]基于股 票价格波动序列的相关特性，通过阈值化处理得到 股票网络的连接矩阵，并用复杂网络的特征参量表 征其网络性质。肖欣荣等（2012)[65]利用2005— 2010年中国公募基金季报数据，构建了一个以重仓 股票为“链接”的基金之间相互关联的复杂网络模 型,研究机构投资者的交互作用。李旲等(2012)[66] 五、基于复杂系统科学的股市异常波动的
形成机理研究
20世纪50年代，随着复杂性科学的兴起，发展 出以主体建模（agent-based model,简称ABM)和复 杂网络（
complex network)为代表的、能模拟复杂系
统内部微观结构演化过程的建模方法。股票市场完 全符合复杂系统的演化过程，股票市场可以看成一
个由众多具有自适应能力的agent组成的复杂自适 应系统（
complex adaptive system，简称 CAS)，股市 的波动是基于投资者在股市中决策的不断选择，最 终表征为群体行为的涌现（Topolemergence)过程。
( 1991 ) [58]、Kirman ( 1993 ) [59]和 Lux
(1995)[28]最先从微观投资者的视角,对复杂系统的 交互涌现进行建模分析，但由于采用解析方程的方 法，问题复杂度比较低。在20世纪90年代,经济学 家 Blake LeBaron 和 W Brian Arthur 教授、心理学家 和遗传算法之父ardJohn Holland教授、物理学家Rich
Palmer 教授和计算科学 Paul Tayktt■教授 ， 共同开
发Fe了由agent构成的Santa Fe人工股票市场（Santa artificial stock market，简称 SFI-ASM)。SFI-ASM
受到学者的广泛关注，其将复杂的金融市场抽象成 一个可控的实验环境。随后，不少学者在此基础上 进行了改进。
Lux等（1999)[60]在SFI-ASM中引入 基础面分析者和噪声交易者。Giardina等 (2003)[61]在SFI-ASM引入少数派博弈，发现了市
场泡沫与崩溃的振荡器、断续阶段、稳定理性市场阶 段3种机制，且价格变化统计特征与真实市场相似， 价格序列呈线性相关，收益率表现厚尾性与波动聚 集性等特点。
Ehrentreich (2006 )[62]认为：SFI-ASM
模型不能通过观测总的预测变量字节调整技术交易 策略，提出使用变异算子改进SFI-ASM模型。Yang
等（2015)[63]在
SFI-ASM基础上考虑异质投资者，
构建了多重资产的ASM模型,对比中美微观股票市 场。Sornette(2014)[31]详细综述了自亚当.斯密以
在复杂网络环境下对少数者博弈模型进行金融市场 的仿真研究。尸压打等（2013)[67]、丑土压打等（2016)[68]使用复杂网络理论研究股票市场的复杂性，分别构 建了投资者投资行为元胞自动机演化模型、协调博 弈模型，模拟分析不同股票市场环境下股市行为的 演变特征。网络模型一般包括常见的Von Newman 型、Moore型以及近年来广泛研究的小世界网络模 型，这类模型以Wei等
（2003 )[69]、
Chi等
(2010 )[70]、
Carletti 等
（2010 )[71]、Mozafari 等
(2013)[72]的研究为代表。然而，复杂网络理论由于 其社会学研究的传统，使得近年来实证研究的主要 进展都集中在静态网络，也就是一个固定的空间概 念下的性质研究。
六、结论与展望
本文对金融领域的热点问题一
股市异常波动
现象，从投资者交互作用的视角进行了研究梳理与 综述。可知，国内学者对股市异常波动的研究起步 较晚，多数研究是在借鉴国外已有的研究成果的基 础上就我国股票市场的实际运行特征进行实证研 究。虽然国内研究在理论创新及贡献方面略逊于国 外研究，但在剖析我国股票市场与投资者交互作用 的关系方面却更加具有针对性。
进行文献梳理可知，部分学者从宏观视角出发， 研究宏观因素特别是各类金融政策对股市波动的影 响，更加强调宏观政策干扰是影响股市波动的重要 因素，比如货币政策因素（Gu等,2013)[73]、宏观政
策变动（
Engle 等，2013[74];陈海强等，2015[75])、
汇率变动（Chkili等，2014[76])等。但从市场本身的
运行特征及金融资产交易的价格属性可以看出，决 定市场价格的直接因素在于供给与需求双方的买卖 行为，宏观因素的影响最终通过改变市场投资者的 买卖行为才能在股票市场上出现反应（Bouchaud， 2013[77]; Liang等，2015[78])。因此，从股票市场本
第1期王超，等：股市异常波动的形成机理研究综述55
tion) 与加总 （ aggregation) 问题，研究市场中投资者
的微观行为如何影响股票市场的异常波动一直会是 研究的热点和重点。
从已有的学术思想看，这个领域的研究大致分 为行为金融学、金融物理学、社会传播学和复杂系统
科学4个方向。其中,本文第三部分综述的研究属 于行为金融学的范畴,研究者借鉴大量西方心理学 和认知科学的成果，认识到交易者投资信念的差异 可能不仅仅是外部原因造成的，交易者内生的非理 性和与生俱来的认知偏差逐渐成为研究假设的起 点。第四部分，研究者借鉴统计物理学的成果，认为 股票市场中所有个别订单流的叠加随着时间变化的 交易价格组成了一个复杂系统,在金融市场中，这些 元素为市场中买卖资产的参与者。第五部分的综述 研究属于社会传播学的范畴,试图使用舆论的演化 模型解释股市中投资者的交互作用,并模拟媒体效 应（media effect)对股市的作用机理。第六部分的综 述研究属于复杂系统科学的范畴，将股票市场看作 由无数个相互作用、有自治性和学习能力的投资主 体组成的复杂自适应系统,通过自下而上的建模，实 现主体交互作用的宏观涌现行为。
综合上述研究的分类，本文提出股市异常波动 的研究可能的研究方向展望。
1.投资者的交互环境
有大量学者在格点网络研究投资者的交互作
身出发，关注个体决策行为的非线性交互（interac
mer等(2013 )[79]以植物和授粉、植物和种子为例研
究了互惠社区（mutualistic communities)网络，分析 共同演化与互惠社区网络结构的关联性。Liu等
(2014) [80]研究了动态社会网络中的信息传播，并使 用
SIR模型分析信息的传播速率。Wiedermann等
(2015) [81]描述了复杂自适应网络的宏观特性，并研 究了动态节点状态的共同演化。然而这些研究成果 并没有应用于投资者的交互网络，因此，投资者的动 态网络结构是今后的一个重要研究方向。
2. 投资者交互规则的研究
从社会科学的角度看，文献中研究投资者交互 作用的模型，比如Voter模型和Ising模型等,交互规 则过于简化处理，比如米用多数原则（majority rule) 和少数人影响原则（minority influence),导致了这些 模型更直接地刻画物理问题,而减少对真实世界模 拟的效果。正如Farmer等（2009 )[82]以及Buchanan (2009)[83]在《Nature》中指出：需要在模型中更加准 确地描述投资者之间的学习策略、交易规则等。因 此，融人有限自信的交互规则[84],对不同情景下投 资者投资决策转移规则进行对比分析是未来的一个 研究方向。此外,Xia等（2011)[85]指出人类行为具 有不确定性，使用演化博弈理论可以模拟人类的不 确定性行为。因此,在交互规则中引入博弈模型，也 是未来的一个研究方向。
3. 时空结合的研究方法
从目前国内外已有的研究成果看，分形理论和 复杂网络理论同为研究金融市场复杂性的重要理论 工具，一直以来却没有相关的研究把这2种理论结 合起来对金融市场的复杂性展开研究。Zhou等 (2014)[86]结合这2种理论，研究了蛋白质分子动力 学特征。结合分形理论和复杂网络理论在时间和空 间这2个维度研究股市异常波动，在传统的复杂网 络结构上多了一个时间维度,将系统的动态、事件发 生的顺序、邻边上事件之间的相关性等动力学特性 嵌入网络结构中，在多个时间尺度上刻画演化网络 和自适应网络的时变特征（Holme, 2015[87]),这种 研究方法的结合是值得关注的。
pinski格点地毯，一些学者考虑网络的拓扑结构，比
用，一些学者将二维空间格点（Lattice)拓展为Sier-
如随机网络、加权网络、小世界网络和无标度网络 等。然而，这些研究模型适用于网络结构变化是在 可以忽略不计的情况下。在股票市场中，投资者交 互的网络并不是静止的，与当前的静态网络结构相 反，网络结构与投资者的交互共同演化发展。一方 面，投资者的观点受投资者交互网络的影响,投资者 为了生存的需要,不断调整自身行为实现个人演化; 另一方面，投资者的观点可能反过来影响网络结构 的调整,市场中大量的适应性行为又反过来不断地
影响和改变着网络结构,推动市场共同演化。Nuis-
参考文献：[1 ] GONG X, SRIBOONCHITTA S. The causal relationship between government opinions and Chinese stock market in
social media era [M]椅HUYNH V-N, KREINOVICH V, SRIBOONCHITTA S. Causal inference in econometrics.
Cham： Springer International Publishing, 2016： 481-493.
[2]肖钢.深化改革健全制度加强监管防范风险促进资本市场长期稳定健康发展一肖钢同志在2016年全国证
56北京工业大学学报（社会科学版)2017 年
券期货监管工作会议上的讲话[EB/OL]. (2016鄄01-16) [2016-05-09]. http: //futures. hexun. com/2016-01-
16/181845470. html.[3] 唐毅南，陈平.群体动力学和金融危机的预测[J].经济研究，2010(6):53-65 +79.[4] ANDERSEN J V, NOWAK A. Financial markets as interacting individuals： price formation from models of complexity [M]. Berlin： Springer Berlin Heidelberg, 2013： 59-76.[5] CHANGWONY F K, CAMPBELL K, TABNER I T. Social engagement and stock market participation [J]. Review of Finance, 2015(19) ： 317-366.[6] SORNETTE D. Critical market crashes [J]. Physics Reports, 2003, 378(1) ： 1-98.[7] SIOKIS F M. Stock market dynamics ： before and after stock market crashes [J]. Physica A ： Statistical Mechanics and its Applications, 2012, 391(4) ： 1315-22.[8] SCHULMERICH M, LEPORCHER Y M, EU C H. Explaining stock market crashes： a behavioral finance approach [M] /Applied asset and risk management—a guide to modern portfolio management and behavior-driven markets. Berlin： Springer Berlin Heidelberg, 2015： 355^13.[ 9] AIT-SAHALIA Y. Telling from discrete data whether the underlying continuous-time model is a diffusion [ J] . The Journal of Finance, 2002, 57(5) ： 2075-2112.[10] BARNDORFF-NIELSEN O E, SHEPHARD N. Power and bipower variation with stochastic volatility and jumps
[J]. Journal of Financial Econometrics, 2004, 2(1)： 1-37.[11] BARNDORFF-NIELSEN O E, SHEPHARD N. Econometrics of testing for jumps in financial economics using bip
ower variation [J]. Journal of Financial Econometrics, 2006, 4(1) ： 1-30.[12] GIOT P, LAURENT S, PETITJEAN M. Trading activity, realized volatility and jumps[J]. Journal of Empirical Fi
nance, 2010, 17(1)： 168-175.[13] PATTON A J, SHEPPARD K. Good volatility, bad volatility： signed jumps and the persistence of volatility [J].
Review of Economics and Statistics, 2015, 97(3) ： 683-697.[14] LEE S S, MYKLAND PA. Jumps in financial markets ： a new nonparametric test and jump dynamics[J ]. Review of
Financial Studies, 2008, 21(6)： 2535-2563.[15] BOLLERSLEV T, TODOROV V, LI S Z. Jump tails, extreme dependencies, and the distribution of stock returns
[J]. Journal of Econometrics, 2013 , 172(2) ： 307-324.[16] PALAN S. A review of bubbles and crashes in experimental asset markets [J]. Journal of Economic Surveys, 2013,
27(3)： 570-588.[17] SPYROU S. Herding in financial markets： a review of the literature [J]. Review of Behavioral Finance, 2013, 5
(2) ： 175-194.[ 18 ] NAWROCKI D, VIOLE F. Behavioral finance in financial market theory, utility theory, portfolio theory and the nec
essary statistics： a review [J]. Journal of Behavioral and Experimental Finance, 2014(2) ： 10-17.[19] KINDLEBERGER C P, ALIBER R Z. Manias, panics and crashes： a history of financial crises [M]. London： Pal-
grave Macmillan UK, 2001.[20] VISANO B S. Financial manias and panics： a socioeconomic perspective [J]. American Journal of Economics and
Sociology, 2002, 801-827.[21 ] SHILLER R J. Market volatility and investor behavior [J]. The American Economic Review, 1990, 80(2) ： 58-62.[22] PERSAUD A. Fads and fashions in the policy response to financial market crises [ M] /JACQUE L L, WAALER P
M. Financial innovations and the welfare of nations. Boston, MA： Springer US, 2001： 2540.[23] DE LONG J B, SHLEIFER A, SUMMERS L H, WALDMANN R J. Noise trader risk in financial markets [J].
Journal of Political Economy, 1990, 98(4) ： 703-738.[24] SHLEIFER A, SUMMERS L H. The noise trader approach to finance [J]. The Journal of Economic Perspectives,
1990, 4(2) ： 19-33.[25] ALFARANO S, LUX T. A noise trader model as a generator of apparent financial power laws and long memory [ J].
Macroeconomic Dynamics, 2007, 11(S1) ： 80-101.[26] DE LONG J B, SHLEIFER A, SUMMERS L H, WALDMANN R J. Positive feedback investment strategies and de
stabilizing rational speculation [J]. The Journal of Finance, 1990, 45(2) ： 379-395.
第1期王超，等：股市异常波动的形成机理研究综述57
[27] CUTLER D M，POTERBA J M，SUMMERS L H. Speculative dynamics and the role of feedback traders[ J]. The A
merican Economic Review，1990，80(2) ： 63-68.
[28] LUX T. Herd behaviour，bubbles and crashes [J]. The Economic Journal，1995，105(431) ： 881-896.[29] KHAN H， HASSAIRI S A，VIVIANI J L. Herd behavior and market stress： the case of four European countries
[J]. International Business Research，2011，4(3) : 53.
[30] CHANG S K. Herd behavior，bubbles and social interactions in financial markets [ J]. Studies in Nonlinear Dynam
ics and Econometrics，2014，18(1) ： 89-101.
[31 ] SORNETTE D. Physics and financial economics (1776-2014) ： puzzles，Ising and agent-based models [ J]. Reports
on Progress in Physics，2014，77(6) ： 062001.
[32] LUX T. The socio-economic dynamics of speculative markets： interacting agents，chaos，and the fat tails of return
distributions [J]. Journal of Economic Behavior & Organization，1998，33(2) ： 143-165.
[33 ] STANLEY H E，AFANASYEV V，AMARAL LAN，et al. Anomalous fluctuations in the dynamics of complex sys
tems ：from DNA and physiology to econophysics [ J]. Physica A： Statistical Mechanics and its Applications，1996, 224(1) ： 302-321.
[34] STAUFFER D，SOLOMON S. Physics and mathematics applications in social science [M]椅MEYERS R A. Ency
clopedia of complexity and systems science. New York： Springer New York，2009： 6804-6810.
[35] XIAO D，WANG J. Modeling stock price dynamics by continuum percolation system and relevant complex systems a
nalysis [J]. Physica A： Statistical Mechanics and its Applications，2012，391(20) ： 4827^838.
[36] WANG N，RONG X，DONG G. A continuum percolation model for stock price fluctuation as a Levy process [ J ].
Journal of Systems Science and Complexity，2014，28(1) ： 175-189.
[37] FANG W，WANG J. Statistical properties and multifractal behaviors of market returns by Ising dynamic systems
[J]. International Journal of Modern Physics C，2012，23(3) ： 125-139.
[38] BURY T. Statistical pairwise interaction model of stock market [ J ]. The European Physical Journal B，2013，86
(3)： 1-7.
[39] FANG W，WANG J. Fluctuation behaviors of financial time series by a stochastic Ising system on a Sierpinski carpet
lattice [ J]. Physica A： Statistical Mechanics and its Applications，2013，392(18 )： 40554063.
[40] TAKAISHI T. Simulations of financial markets in a Potts-like model [ J ]. International Journal of Modern Physics
C，2005, 16(8) ： 1311-1317.
[41] HONG W，WANG J. Fluctuation complexity of agent-based financial time series model by stochastic Potts system
[J]. International Journal of Modern Physics C，2015，26(11) ： 1550123.
[42] CLIFFORD P，SUDBURY A. A model for spatial conflict [J]. Biometrika，1973, 60(3) ： 581-588.
[43] WANG T，WANG J，ZHANG J，FANG W. Voter interacting systems applied to Chinese stock markets[ J]. Mathe
matics and Computers in Simulation，2011，81(11) ： 2492-2506.
[44] 牛红丽，王军.基于选举模型理论研究股市特性[J].北京交通大学学报（自然科学版），2012(3)： 138-144.[45] SUCHECKI K，EGUILUZ V M，SAN MIGUEL M. Voter model dynamics in complex networks： role of dimensionali
ty ，disorder，and degree distribution [ J]. Physical Review E，2005，72(3 )： 036132.
[46] CROKIDAKIS N. Effects of mass media on opinion spreading in the Sznajd sociophysics model [ J]. Physica A ： Sta
tistical Mechanics and its Applications，2012，391(4) ： 1729-1734.
[47] YANG Y，DIMAROGONAS D V，HU X. Opinion consensus of modified Hegselmann-Krause models [ J]. Automat-
ica，2014, 50(2) ： 622-627.
[48] SHANG Y. Deffuant model of opinion formation in one-dimensional multiplex networks [ J ]. Journal of Physics A ：
Mathematical and Theoretical，2015，48(39) ： 395101.
[49] FU L，SONG W，LV W，LO S. Simulation of emotional contagion using modified SIR model ： a cellular automaton
approach [ J]. Physica A： Statistical Mechanics and its Applications，2014(405 )： 380-391.
[50] ZHAO L，WANG J，HUANG R，CUI H，QIU X，WANG X. Sentiment contagion in complex networks[J]. Physica
A： Statistical Mechanics and its Applications，2014(394) ： 17-23.
[51] HILL A L，RAND D G，NOWAK M A，CHRISTAKIS N A，Emotions as infectious diseases in a large social network： the
SISa model [J]. Proceedings of the Royal Society B： Biological Sciences，2010，277(1701) ： 3827-3835.
58北京工业大学学报（社会科学版)2017 年
[52] LIU Z, ZHANG T, LAN Q. An extended sisa model for sentiment contagion [J]. Discrete Dynamics in Nature and
Society, 2014(4) ： 1-7.
[53] TETLOCK P C. Giving content to investor sentiment： the role of media in the stock market[J]. The Journal of Fi
nance, 2007, 62(3) ： 1139-1168.
[54] DOUGAL C, ENGELBERG J, GARCIA D, PARSONS C A. Journalists and the stock market[J]. Review of Finan
cial Studies, 2012, 25(3)： 639-679.
[55] LIN S, REN D, ZHANG W, ZHANG Y, SHEN D. Network interdependency between social media and stock
trading activities: evidence from China [J]. Physica A: Statistical Mechanics and its Applications. 2016, 451(1): 305-312.
[56] ADAM K, MARCET A, NICOLINI J P. Stock market volatility and learning [J]. The Journal of Finance, 2016, 71
(I) ： 33-82.[57]刘 锋，叶强，李一军.媒体关注与投资者关注对股票收益的交互作用：基于中国金融股的实证研究[J].管
理科学学报，2014(1)：72-85.
[58] TOPOL R. Bubbles and volatility of stock prices： effect of mimetic contagion [J]. The Economic Journal, 1991,
101(407) ： 786-800.
[59] KIRMAN A. Ants, rationality, and recruitment [J]. The Quarterly Journal of Economics, 1993, 108(1)： 137-156.[60] LUX T, MARCHESI M. Scaling and criticality in a stochastic multi-agent model of a financial market [J]. Nature,
1999, 397(6719) ： 498-500.
[61] GIARDINA I, BOUCHAUD J P. Bubbles, crashes and intermittency in agent based market models [J]. The Euro
pean Physical Journal B-Condensed Matter and Complex Systems, 2003, 31(3) ： 421^37.
[62] EHRENTREICH N. Technical trading in the Santa Fe Institute artificial stock market revisited [J]. Journal of Eco
nomic Behavior & Organization, 2006, 61(4) ： 599-616.
[63] YANG H, WANG H J, SUN G P, WANG L. A comparison of U. S and Chinese financial market microstructure：
heterogeneous agent-based multi-asset artificial stock markets approach [ J] . Journal of Evolutionary Economics,2015, 25(5)： 901-924.[64]蔡 世民，洪磊，傅忠谦，周佩玲.基于复杂网络的金融市场网络结构实证研究[J].复杂系统与复杂性科学，
2011(3) ： 29-33.[65] 肖欣荣，刘健，赵海健.机构投资者行为的传染一一基于投资者网络视角[J].管理世界，2012(12)：3545.[66] 李旲，曹宏铎，邢浩克.基于复杂网络少数者博弈模型的金融市场仿真研究[J].系统工程理论与实践，
2012(9) ： 1882-1890.
[67] FAN Y, YING S J, WANG B H, WEI Y M. The effect of investor psychology on the complexity of stock market： an
analysis based on cellular automaton model [J]. Computers and Industrial Engineering, 2009, 56(1) ： 63-69.[68] BIAN Y T, XU L, LI J S. Evolving dynamics of trading behavior based on coordination game in complex networks
[J] . Physica A： Statistical Mechanics and its Applications, 2016(449) ： 281-290.
[69] WEI Y M, YING S J, FAN Y, WANG B H. The cellular automaton model of investment behavior in the stock mar
ket [J]. Physica A： Statistical Mechanics and its Applications, 2003, 325(3) ： 507-516.
[70] CHI K T, LIU J, LAU F C. A network perspective of the stock market [J]. Journal of Empirical Finance, 2010,
17(4)： 659-667.
[71] CARLETTI T, RIGHI S. Weighted fractal networks [J]. Physica A ： Statistical Mechanics and its Applications,
2010, 389(10) ： 2134-2142.
[72] MOZAFARI M, ALIZADEH R. A cellular learning automata model of investment behavior in the stock market [J].
Neurocomputing, 2013(122)： 470479.
[73] GU A Y, GAO X. Unstable relationship between the fed’s monetary policy actions and the US stock market [J].
Journal of Economics and Economic Education Research, 2013, 14(3)： 139-146.
[74] ENGLE R F, GHYSELS E, SOHN B. Stock market volatility and macroeconomic fundamentals [J]. Review of Eco
nomics and Statistics, 2013, 95(3) ： 776-797.
[75] 陈海强，范云菲.融资融券交易制度对中国股市波动率的影响一基于面板数据政策评估方法的分析[J].
金融研究，2015(6)：159-172.
第1期王超，等：股市异常波动的形成机理研究综述59
[76] CHKILI W，NGUYEN D K. Exchange rate movements and stock market returns in a regime-switching environment：
evidence for BRICS countries [ J]. Research in International Business and Finance，2014(31) ： 46-56.[77] BOUCHAUD J P. Crises and collective socio-economic phenomena： simple models and challenges [J]. Journal of
Statistical Physics，2013，151(3)： 567-606.[78] LIANG P，GUO S. Social interaction， internet access and stock market participation-an empirical study in China
[J]. Journal of Comparative Economics，2015，43(4) ： 883-901.
[79] NUISMER S L，JORDANO P，BASCOMPTE J. Coevolution and the architecture of mutualistic networks [ J]. Evo
lution， 2013, 67(2) ： 338-354.
[80] LIU C，ZHANG Z K. Information spreading on dynamic social networks [ J]. Communications in Nonlinear Science
and Numerical Simulation，2014，19(4) ： 896-904.
[81] WIEDERMANN M，DONGESJF，HEITZIGJ，LUCHT W，KURTHS J. Macroscopic description of complex adap
tive networks coevolving with dynamic node states [J]. Physical Review E，2015，91(5) ： 052801.[82] FARMER J D，FOLEY D. The economy needs agent-based modelling [J]. Nature，2009，460(7256) ： 685-686.[83] BUCHANAN M. Economics： meltdown modelling [J]. Nature，2009, 460(7256) ： 680-682.[84] LORENZ J. Continuous opinion dynamics under bounded confidence： a survey [ J]. International Journal of Modern
Physics C，2007, 18(12) ： 1819-1838.
[85] XIA H，WANG H，XUAN Z. Opinion dynamics ： a multidisciplinary review and perspective on future research [ J].
International Journal of Knowledge and Systems Science，2011，2(4) ： 72-91.
[86] ZHOU Y W，LIU J L，YU Z G，ZHAO Z Q，Anh V. Fractal and complex network analyses of protein molecular dy
namics [J]. Physica A： Statistical Mechanics and its Applications，2014(416) ： 21-32.[87] HOLME P. Modern temporal network theory： a colloquium [J]. The European Physical Journal B，2015，88(9) ： 1-30.
Survey of the Literature on the Abnormal Fluctuations Formation
Mechanism of Stock Market ： A Perspective of Micro
Investors’ Interaction
(School of Economics and Management，Beijing University of Technology，Beijing 100124，China)
WANG Chao, GAO Yang，LIU Chao
Abstract： To explore the formation mechanism of abnormal fluctuations of China’s stock market, the
related work on the abnormal fluctuations of stock market and formation mechanism were surveyed in this
paper. With the main line of investors’ interaction，some broad categories of theory are surveyed ： abnormal fluctuations formation mechanism of stock market based on behavioral finance， econophysics， social communication， and complex system science，then this paper points out the drawbacks of researches from different angles，demonstrates their characteristics. Finally，directions of future research from the perspective of micro investors’ interaction are discussed finally.Key words ： abnormal fluctuations of stock market; behavioral finance; econophysics; social
communication； complex system science
(责任编辑李世红)
因篇幅问题不能全部显示，请点此查看更多更全内容