摘 要：碳市场作为减少温室气体排放的重要机制，在推动低碳经济发展中的作用日益凸显。然而，我国碳市场目前面临市场参与度低、流动性差、成熟度不足等挑战。基于金融市场微观结构理论，本文探讨了网络社交平台中投资者情绪的传播对碳市场收益的影响。研究收集了2018—2024年间碳排放权交易的日度数据以及来自微博的碳市场讨论信息，通过文本情感分析构建了投资者情绪指数，并运用VAR模型和Granger因果检验方法，深入分析了投资者情绪对全国不同碳排放权交易试点价格的影响。结果显示，深圳碳交易试点的价格在短期内更易受市场情绪波动的影响，而广东碳交易试点的信息传递速度较快，市场价格能够迅速反映投资者情绪的变化。此外，广东和天津碳交易试点的收益率均被证实为投资者情绪的Granger原因。进一步分析表明，当期投资者情绪对碳市场价格的影响不显著，但短期内呈现负向冲击，长期来看则趋于平稳。本文研究不仅丰富了碳市场资产定价的理论框架，还为提升碳市场效率提供了实践指导。
关键词：碳市场；投资者情绪；微博；收益；碳交易试点；VAR模型；Granger因果检验
中图分类号：F830.91 文献标识码：A 文章编号：2096-0298（2025）04（b）--05
1 引言
我国作为世界上碳排放量最大的国家之一，2023年的碳排放量占世界能源碳排放总量的33.69%。碳市场作为实现碳达峰的重要政策工具，其价格发现和资源配置的功能日益凸显，我国碳市场目前处于起步阶段，存在市场参与度低、流动性差、成熟度低等现象[1-2]。随着网络社交平台的迅猛发展，投资者情绪的传播和影响力在金融市场中的作用日益显著。根据金融市场微观结构理论，市场参与者对信息的情绪反映程度及所掌握信息的情况是影响市场参与度、流动性的主要原因[3]。因此，研究投资者情绪对碳市场价格的影响，有利于促进市场效率的提升。
本文主要有以下贡献：在理论层面，扩展和丰富了中国碳市场资产定价问题的理论研究，为深入理解碳市场的运行机理提供了新的视角。其次，分析投资者情绪对不同碳市场价格的影响，并探索建立投资者情绪与不同碳市场效率的动态关联，为后续针对碳市场微观结构的研究提供了一个交易主体行为的视角。在实践层面，探究投资者情绪对碳市场价格的影响，为排除非理性交易扰乱市场价格，帮助交易者形成更有效的信息关注行为，从而有利于发现中国碳市场的真实价值。
目前，以投资者情绪的视角对碳市场的研究尚显不足，因此，为深入理解碳市场的运行机理，本文以微博数据为基础，构建直接衡量投资者情绪的代理指标，以行为金融理论为依据，实证分析投资者情绪对不同碳排放试点的价格影响，并提出相应的政策建议。这些建议有助于监管者合理运用市场手段激发市场主体活力，提高碳市场制度建设的科学性。
2 文献综述
2.1 投资者情绪相关研究
关于投资者情绪，学界存在多种诠释。Brown和Cliff将其界定为参与者在市场活动中对特定指标未来值的预测，且这种预期具备可量化性[4]。而Baker和Wurgler则主张投资者情绪反映的是投资者对未来现金流及投资风险的个人信念，且这种信念通常难以凭借当前可获得的信息加以区分[5]。黄德龙等（2009）在综合国内外研究的基础上，进一步细化了投资者情绪的概念，指出投资者情绪包含两方面内容：一是投资者的投机性需求，这反映了其对虚拟经济领域的期望；二是投资者对上市公司盈利前景的普遍乐观态度，这体现了其对实体经济的期待[6]。
在探索投资者情绪衡量的研究中，以往研究大致可以分为三大类：直接指标、间接指标，以及基于网络社交平台数据的指数。
直接指标的研究方法，主要依赖于问卷调查，借此搜集投资者对市场未来走向的预期。例如，程昆和刘仁（2005）[7]根据投资者的看涨与看跌比率，设计了一个好淡指数，用作衡量投资者情绪的依据。这种方法能直接展现投资者的情绪倾向。值得注意的是，并非每位投资者都会纯粹依据个人情绪来做出投资决策。因此，在探讨投资者情绪对碳市场的作用时，直接指标法的实际效果尚需更多验证。
间接指标的研究，则是通过分析市场交易数据来构建投资者情绪指数。其中，Baker和Wurgler（2006）提出了以交易量作为投资者情绪的衡量标准，并运用主成分分析方法进行探究[8]。
随着大数据和互联网技术的迅猛发展，利用搜索行为和文本挖掘等手段建立的新型投资者情绪指标逐渐受到瞩目。例如，汪昌云（2015）通过剖析公司上市前各阶段媒体新闻中的正负面词汇来衡量媒体情绪，从而评估投资者情绪[9]。罗琦等（2021）则选取新浪微博作为信息渠道，构建了投资者盈余乐观情绪指标，并发现该指标对股市短期收益率具有正面效应[10]。
2.2 碳市场影响因素的研究
对于碳市场价格的影响因素研究中，我国主要集中在宏观经济形势、能源市场、大气环境、政策制度等方面。
在宏观经济形势方面，吕靖烨等（2021）[11]选用湖北、深圳、广东、北京和上海有代表性的5个碳排放权市场，基于Sobol方法对我国碳排放权价格影响因素的12个参数进行灵敏度分析。研究结果表明，能源价格、国际碳资产价格、经济发展水平与传统金融市场的灵敏度指数较高，对我国碳排放权价格的影响较大；由于不同试点市场的活跃程度不相同，其他试点市场的灵敏度参数存在差异。
在能源市场方面，张鹏等（2020）[12]使用向量误差修正模型（VEC）研究驱动因素对碳排放价格的影响机制。结果表明，碳现货价格主要受原油期货价格滞后一期值的正向影响和自身滞后一期值的负向影响。张欣等（2023）[13]基于上海碳交易市场的交易数据，使用向量误差修正（VEC）模型、脉冲响应函数和方差分解方法，对碳交易价格的影响因素进行实证研究，得到化石燃料价格的变动短期内会对碳排放权价格产生负向影响，但长期会转为正向影响。
在大气环境方面，Liu和Chen（2013）[14]提出极端天气在碳市场和能源市场的溢出效应中起着中介作用，即极端天气会导致能源市场的需求量增加，进而导致碳排放量上升，促使碳价提升。王倩和路京京（2015）[15]提出气候因素使温度的变化会对碳价格产生显著影响。Han等（2019）[16]通过MIDAS-BP混合模型对碳价进行预测发现，碳价对煤炭价格、温度、空气质量等变量的敏感度大于其他影响因素。
通过文献研究可以发现，在对碳市场价格的影响因素分析中，投资者情绪对碳市场价格的影响很少有学者进行关注及讨论。当前市场上呈现的是显著的信息过剩，市场信息出现的越多越容易对投资者造成干扰。因此，本文选取微博作为信息源，构建投资者情绪指标，并深入探究其对碳排放权交易市场收益率的影响。
3 数据来源及数据预处理
3.1 样本选择和数据来源
在碳交易市场数据方面，样本数据为上海、北京、天津、福建、湖北、广东、深圳、重庆八个碳交易试点的相关数据，以2018年1月1日至2024年9月10日八个碳交易试点的交易价格作为研究对象，数据来源为国泰安数据库。
3.2 投资者情绪代理指标构建
微博在信息传播和社交互动方面具有广泛的影响力，因此选取微博作为文本信息抓取网站，选择抓取时间段为2018年1月1日至2024年9月10日，选取16个与碳市场相关的关键词，分别为碳交易、碳汇、碳达峰、CCER、低碳经济、碳关税、碳排放、京都议定书、碳足迹、碳排放交易、碳中和、双碳、碳排放量、低碳、碳排放权、碳计算器。以这些关键词的微博内容为原始文本信息，共爬取190530条数据。微博内的帖子虽然具有丰富价值的文本信息，但部分帖子同时含有噪声，因此对表情贴、无关内容贴、重复贴进行筛选，最终保留135103条有效数据。
对于文本情感打分，使用SPSSAU软件中的文本分析模块，SPSSAU当前使用的情感词典包括BosonNLP、台湾大学、清华大学、知网等共计13万词的情感词典组合而成。部分微博文本的情绪分类结果如表1所示。
本文利用SPSSAU对每条微博的情绪进行分类后，对每一天的正向文本、负向文本的数量进行统计求和，借鉴Antweiler和Frank（2004）[17]等的计算方法，利用公式（1）计算第t日的投资者情绪指数：
式（1）中，St为在t日投资者情绪指数，stpos表示在t日情感打分为积极的评论数量之和，stneg表示在t日情感打分为消极的评论数量之和。由公式可知，当一日的积极文本数量越多时，投资者情绪指数越大，投资者情绪越高涨；反之，投资者情绪指数越低，情绪越低落。
3.3 数据预处理
对于碳市场收益率（ri，t），本文采用传统的计算方法，用后一日的收盘价（pi，t）减去前一日的收盘价（pi，t-1），并除以前一日的收盘价。
经平稳性检验发现，收益率数据以及投资者情绪数据皆满足平稳性特征，因此无需对数据做进一步的平稳性变换处理。
4 投资者情绪与我国碳市场收益率的实证研究
4.1 VAR回归分析
本文研究投资者情绪对碳市场的影响，即两个变量之间的关系。通过VAR模型可以刻画两个变量之间的关系，因此选择该模型进行分析，VAR模型的基本形式如下：
式（2）中：yi，t是被解释变量，即各个碳交易试点收益率；xi，t为解释变量，即投资者情绪指数；A和B代表投资者情绪对碳市场收益率的影响系数，两者都是该模型的待估系数矩阵；t为样本量；n代表滞后阶数；ε为模型的随机误差项。
由表2可知，在深圳交易市场中，滞后一期的投资者情绪对收益率有显著负向影响，但影响较小；在广东交易市场中，滞后一期的收益率对投资者情绪有显著正向影响，其他市场均不显著。在深圳碳交易市场中，投资者更倾向于基于过去的情绪来做出投资决策，这种情绪往往带有一定的滞后性和惯性。当投资者情绪高涨时，他们对市场前景的估计更乐观，从而推高价格；而随后市场情绪回落时，价格也会相应下跌。广东碳市场作为中国较早成立的碳排放权交易市场，具有更成熟的市场机制和更完善的交易体系，收益率的变化能够更快的反映到投资者情绪中，当收益率上涨时，投资者受到鼓舞，情绪更乐观，从而推高价格。这种正向影响表明，广东交易市场中的投资者更加敏感，能够更快地响应市场。
4.2 Granger因果检验
Granger因果关系用于检验一组时间序列是否为另一组时间序列的原因，即考察这组时间序列的滞后项是否会对当前项产生一定的影响，其本质是一种预测关系。通过Granger因果检验，可以判断每两组时间序列是否存在滞后影响关系，并判断是单向还是双向的Granger因果关系。基于格兰杰因果检验原理，对各个市场的投资者情绪和收益率进行格兰杰检验。
由表2Granger因果检验可以看出，在0.05的显著水平上，广东碳交易试点的收益率是投资者情绪的Granger原因，即收益率的变化会引起投资者情绪的变化。在0.1的显著水平上，天津碳交易试点的收益率是投资者情绪的Granger原因，即收益率的变化会引起投资者情绪的变化。广东与天津碳交易市场的收益率变化越大，投资者情绪越有可能发生越大的变动。当市场收益率大幅波动时，投资者会因为乐观或悲观的情绪而做出过度买入或卖出的决策，从而进一步加剧市场波动。
4.3 脉冲响应分析
通过脉冲响应函数能够深入探究VAR模型的结果，以更加清晰明了地反映内生变量对误差冲击的响应，从而更好地理解其动态变化特性。图1和图2分别为投资者情绪对八个碳交易试点收益率的脉冲响应图。
从投资者情绪对北京碳交易试点收益率的冲击来看，给情绪施加标准差冲击后，收益率的响应比较平稳：在第一期，投资者情绪没有明显的变化；在第二期，收益率出现较小正向变化；在第三期，缓慢减弱降至负峰值；第四期之后，围绕零值波动，趋于平静。由此可见，当投资者情绪高涨时，收益率当期不会发生明显变动，而是一段时间后，才缓慢上升。
从投资者情绪对广东碳交易试点收益率的冲击来看，给投资者施加标准差冲击后，收益率的变化较为平稳：当投资者情绪高涨时，收益率第一期不会发生明显变化；第二，三期开始缓慢下降至负值，第四期上升至正值。由此可以发现，当投资者情绪高涨时，收益率短期内不发生变化，后期会下降，然后逐渐回到初始状态。
从投资者情绪对湖北碳交易试点收益率的冲击来看，给投资者情绪施加标准差冲击，第一期收益率不会出现任何变化，第二期迅速下降至负峰值，第三期又回到零值，之后没有明显变化。由此可见，当投资者情绪高涨时，第二期收益率会产生负向影响，后期收益率不会有较大变化。
从投资者情绪对上海碳交易试点收益率的冲击来看，给投资者情绪施加标准差冲击后，收益率在当期不会出现任何变化，第二至五期围绕零值呈现锯齿状波动，随后趋于平稳。由此可见，当投资者情绪高涨时，收益率后期会呈现不稳定的波动。
从投资者情绪对天津碳交易试点收益率的冲击来看，给投资者情绪施加标准差冲击后，收益率第一至三期未出现较大变化，第四期下降至负峰值，后期缓慢回升至零值。由此可见，当投资者情绪变化时，收益率的反应时间较长，第三期收益率才会呈现下降趋势。
从投资者情绪对重庆碳交易试点收益率的冲击来看，给投资者情绪施加标准差冲击后，收益率在第一期未出现变化，第二期下降至负值，第三期未发生变化，第四期迅速上升至正峰值，后期回到零值。由此可见，当投资者情绪高涨时，收益率在第二、三期均为负值，且未出现较大变化，后期逐渐上升至正值。
从投资者情绪对福建碳交易试点收益率的冲击来看，给投资者情绪施加标准差冲击后，收益率的响应较为平稳：第一期投资者情绪没有明显变化，第二期缓慢下降至负峰值，第三、四期逐渐增加至正值。由此可见，当投资者情绪高涨时，收益率当期没有发生变化，而是在后期传递负向影响后又变为正向影响，当期投资者情绪的高涨会导致后期收益率下降。
从投资者情绪对深圳碳交易试点收益率的冲击来看，给投资者情绪施加标准差冲击后，收益率在第一期未出现变化，第二期迅速下降至负峰值，第三期之后开始缓慢增加，返回至零值附近。因此，当投资者情绪高涨时，收益率当期不会出现任何变化，第二期收益率下降较大幅度，后期逐步升高。
通过对各个市场的脉冲响应分析可以发现，对投资者情绪施加标准差冲击后，收益率当期不会产生任何变化，在第二期会出现负向变化，随着时间的推移，影响越来越小。总体来说，投资者情绪的变化对碳市场的收益率不是即时的，而是具有一定的滞后效应，一般持续在一周左右。当投资者情绪出现过度悲观或乐观的预期时，会引发非理性的交易行为。然而，随着时间推移，这种情绪驱动效应会逐渐减弱，投资者逐渐回归理性，市场趋于平稳。
5 结论与建议
本文通过微博信息构建投资者情绪指标，通过VAR模型、Granger因果检验方法和脉冲响应分析，研究投资者情绪对我国碳市场收益之间的关系。研究结果表明，投资者情绪对深圳碳交易试点的收益率存在显著负向影响，广东碳交易试点的收益率对投资者情绪存在显著正向影响，说明深圳碳交易试点的价格更容易受到市场情绪的影响，广东碳交易试点信息传递较为迅速；通过Granger因果检验发现，广东碳交易试点的收益率变化是投资者情绪的Granger原因，天津碳交易试点的收益率是投资者情绪的Granger原因；对各个碳交易试点，当期投资者情绪对收益率不会产生影响，短期内会对收益率产生负向影响，随着时间的推移，这种作用力逐渐减弱。
综上所述，本文针对碳市场的建设提出如下政策启示：
（1）加强碳市场间的沟通
完善市场机制，加强碳市场间的合作与交流，分享碳市场建设与管理的成功经验，推动全国碳市场的协同与发展；政府可以制定符合本区域实际情况的碳市场政策框架，确保政策实施的有效性和针对性。此外，注重碳市场的技术创新，发挥市场在资源配置中的决定性作用，提高碳市场的交易效率和竞争力；注意强化碳市场的监测、评估与监管体系，确保市场的公平、透明和稳定。运营时间较短、活跃度较低的碳市场可以借鉴其他较为规范的碳市场，增强其流动性，各个碳市场间加强交流、互相学习，实现共同发展与繁荣。
（2）注重网络宣传途径
在网络传播渠道方面，政府应充分利用网络在信息传递中对投资者关注方向的引导作用。政府需重视有关碳市场的新闻报道的真实性、时效性、全面性及权威性，抑制虚假信息的扩散，并对事态发展进行全面的公开披露。这种做法一方面有助于稳定公众情绪，降低突发事件对社会造成的负面影响。另一方面，鉴于信息发布对投资者关注的影响，新闻媒体提供的资讯成为投资者决策的重要参考依据，甚至在某种程度上与碳市场价格的真实价值密切相关。政府需与权威媒体有效协作，以便投资者根据信息披露情况作出合理投资决策，保障市场稳定高效运行。
（3）完善信息披露机制
在一个高效的市场中，健全的信息披露机制至关重要。以股票市场为例，招股说明书、公司公告等发布的信息能为市场投资者提供中长期预期，有助于引导投资者进行理性价值投资。因此，我国碳交易市场亟待构建一套行之有效的信息披露机制，应强化中介服务机构在碳足迹等相关数据计算与披露方面的关键作用，以满足投资者对相关信息的需求，降低交易双方的信息不对称程度，提高投资者关注碳交易市场的效率，促进其健康、稳定发展。
参考文献
Zhao. G，Jiang. W，Nie D，et al.How to Improve the Market Efficiency of Carbon Trading：A Perspective of China[J].Renewable. Sustainable Energy Reviews.2016，59：1229-1245.
Liu. F，Zhou. X，Zhu. Z，et al Measuring the Maturity of Carbon Market in China：An Entropy Based Topsis Approach[J].Journal of Cleaner Production.2019，229：94-103.
Riordan，Storkenmaier A，Wagener M，et al.Public Information Arrival：Price Discovery and Liquidity in Electronic Limit Order Markets[J].Journal of Banking and Finance，2013，37（4）：1148- 1159.
Brown， G. W.amp; Cliff， M. T. Investor sentiment and the near-term stock market[J]. Journal of Empirical Finance， 2004， 11（4）： 1-27.
Baker， M.amp; Wurgler， J. Investor Sentiment in the Stock Market[J]. The Journal of Economic Perspectives， 2007， 21（2）： 129-152.
黄德龙，文凤华，杨晓光. 投资者情绪指数及中国股市的实证[J]. 系统科学与数学，2009，29（1）：1-13.
程昆，刘仁和. 投资者情绪与股市的互动研究[J]. 上海经济研究，2005（11）： 86-93
Baker， M.amp; Wurgler， J. Investor sentiment and the cross-section of stock returns[J]. Journal of Finance， 2006， 61（4）： 1645-1680.
汪昌云，武佳薇. 媒体语气、投资者情绪与IPO定价[J].金融研究，2015（9）： 174-189.
罗琦，吴乃迁，苏愉越，等. 投资者盈余乐观情绪与管理者迎合： 基于社交媒 50 体情感分析的证据[J]. 中国工业经济，2021（11）：135-154.
吕靖烨， 张超. 低碳背景下我国碳排放权市场价格的影响因素分析[J]. 煤炭经济研究， 2021， 35（5）：123-130.
张鹏. 碳排放权交易市场价格的影响因素研究[J]. 中国市场， 2020（16）：10-11.
张欣. 上海碳市场碳排放权价格的影响因素分析： 基于VEC模型的实证研究[J]. 中国商论， 2023（18）：109-112.
Liu. H，Chen. C.A study on the volatility spillovers.long memory effects and interactions between carbon and energy markets：The impacts of extreme weather[J].Economic Modleing，2013，35：840-855.
王倩， 路京京.中国碳配额价格影响因素的区域性差异[J]. 浙江学刊， 2015（4）：162-168.
Han. Ding. L，Zhao X，et al.Forecasting carbon prices in the Shenzhen market，China：The role of mixed-frequency factors[J].Energy，2019： 69-76
Antweiler， W.amp; Frank， M. Z. Is All That Talk Just Noise？ The Information Content of Internet Stock Message Boards[J]. The Journal of Finance， 2004（3）： 1259-1294.
