财经新闻文本对媒体市场情绪与转股价值的影响研究：以可转换债券为例【附代码】

  📊 数据科学与大数据专业 | 数据分析与模型构建 | 数据驱动决策

✨ 专业领域：

• 数据挖掘与清洗

• 大数据处理与存储技术

• 机器学习与深度学习模型

• 数据可视化与报告生成

• 分布式计算与云计算

• 数据安全与隐私保护

💡 擅长工具：

• Python/R/Matlab 数据分析与建模

• Hadoop/Spark 大数据处理平台

• SQL数据库管理与优化

• Tableau/Power BI 数据可视化工具

• TensorFlow/PyTorch 深度学习框架

✅ 具体问题可以私信或查看文章底部二维码

✅ 感恩科研路上每一位志同道合的伙伴！

（1）媒体市场情绪对可转债打新首日收益的影响

在信用申购政策实施后，可转债成为投资者青睐的投资产品，其兼具期权和债券的双重属性使得它风险较低且潜在回报较高。然而，随着时间推移，投资者逐渐意识到并非所有新发行的可转债都能带来正向收益。在此背景下，媒体市场情绪作为一个重要的外部变量开始受到关注。通过分析财经媒体发布的新闻文本，可以提炼出反映市场整体情绪的指标——媒体市场情绪指数(MSI)。该指数能够代表市场投资环境的变化，从而影响到投资者对于新发行可转债的态度和行为。

研究表明，在决定可转债打新首日收益的因素中，转股价值(CONP)是关键因素之一。这是因为转股价值直接反映了可转债转换成股票后的内在价值，而这一特性对于短期交易者尤为重要。紧随其后的是媒体市场情绪(MSI)，它体现了市场参与者对未来走势的预期以及当前的情绪状态。当MSI处于高位时，往往意味着市场乐观情绪高涨，这可能刺激更多资金流入新发行的可转债，进而提高其首日收益；相反，如果MSI较低，则可能导致认购热情下降，首日表现也可能不尽如人意。最后，公司的市值规模等直观指标也在一定程度上影响着打新收益，但与前两者相比，其影响力相对较小。

（2）媒体市场情绪对可转债上市首月收益的影响

相较于首日收益，可转债上市首月的收益受多种长期因素主导。随着持有时间延长，媒体市场情绪(MSI)的影响逐渐减弱，甚至被其他更根本性的因素所掩盖。具体来说，发行公司本身的特征如财务状况、行业地位以及可转债自身的特性比如票面利率、转股价等开始发挥更重要的作用。这些长期价值因素决定了可转债在整个生命周期内的表现，而非仅仅局限于上市初期的波动。因此，对于那些计划持有超过一个月的投资者而言，他们无需过分担忧短期内媒体情绪的起伏，而是应该更加重视标的资产的基本面分析。

值得注意的是，尽管从长期来看媒体市场情绪的重要性有所降低，但它仍然在某些特定情况下扮演着重要角色。例如，在重大事件发生前后，如宏观经济数据发布或政策变动期间，MSI可能会出现剧烈波动，这时它又会对短期价格产生显著影响。所以，即便是在考虑长期收益时，也不能完全忽视市场情绪的作用，特别是在不确定性较高的环境中。

（3）原股东有效申购比对媒体市场情绪与可转债打新收益关系的影响

原股东有效申购比是指原有股东参与新发行可转债认购的比例。这一比例不仅影响了新股分配的数量，也间接调节了市场上流通的新券数量，从而改变了供需关系。研究发现，原股东的有效申购比在媒体市场情绪和可转债打新收益之间起到了中介效应。具体表现为：在首日收益方面，原股东的有效申购比部分缓解了媒体情绪带来的影响；而对于首月收益而言，这种中介效应则变得更加明显，几乎完全替代了MSI的作用。

这意味着，当原股东积极参与新发行可转债的认购时，会减少市场上可供交易的新券数量，导致二级市场价格上升，从而提高了整体收益水平。同时，由于原股东通常对公司情况更为了解，他们的参与也可以被视为一种积极信号，增强了市场的信心。反过来，如果原股东申购意愿不高，那么即使市场情绪良好，也无法保证新发行的可转债会有良好的开盘表现。因此，无论是对于投资者还是发行人来说，都需要密切关注原股东的行为模式，因为它可以在很大程度上影响最终的市场结果。

import pandas as pd
from sklearn.linear_model import LinearRegression

# 假设我们有一个包含历史数据的数据框df，其中列包括日期、转股价值(CONP)、媒体市场情绪指数(MSI)、公司市值规模(Size)等
# df = pd.read_csv('historical_data.csv')

# 这里为了演示，创建一个虚拟的数据集
data = {
    'Date': ['2020-12-22', '2020-12-23', '2020-12-24'],
    'CONP': [95.0, 96.5, 97.0],
    'MSI': [0.8, 0.75, 0.85],
    'Size': [1e9, 1.2e9, 1.1e9],
    'FirstDayReturn': [0.061, -0.037, 0.02],  # 首日收益率
    'OneMonthReturn': [0.05, 0.04, 0.03]  # 上市首月收益率
}
df = pd.DataFrame(data)

# 将日期列转换为日期格式，并设置为索引
df['Date'] = pd.to_datetime(df['Date'])
df.set_index('Date', inplace=True)

# 线性回归模型用于预测首日收益
model_first_day = LinearRegression()
X_first_day = df[['CONP', 'MSI', 'Size']]
y_first_day = df['FirstDayReturn']
model_first_day.fit(X_first_day, y_first_day)

# 输出模型系数以查看各因素对首日收益的影响程度
print("First Day Return Model Coefficients:", model_first_day.coef_)

# 线性回归模型用于预测首月收益
model_one_month = LinearRegression()
X_one_month = df[['CONP', 'Size']]  # 注意这里没有MSI
y_one_month = df['OneMonthReturn']
model_one_month.fit(X_one_month, y_one_month)

# 输出模型系数以查看各因素对首月收益的影响程度
print("One Month Return Model Coefficients:", model_one_month.coef_)