作为国际汉语教学的基石，教材中的文化点编排直接影响学习效果。本研究选择《长城汉语》与《环球汉语》作为比较对象，运用严谨的复现研究方法，深度解析两者在文化项目选择与呈现逻辑上的显著差异，为相关学术探讨与实证分析提供重要数据支持与教学启示。在处理如此复杂的学术课题时，针对寻求外部学术支持的学者，我们的平台不仅提供卓越的论文代写服务，更在博士论文代写领域深耕二十年。作为行业内备受瞩目的靠谱的博士论文代写机构，我们专业的团队深谙代写学位论文的学术规范，能提供高质量、低查重率的学术成果，也为需要毕业论文代写及了解博士论文代写多少钱的客户提供专业咨询。
目录
摘要
abstract
1. 引言
1.1 研究背景股票市场的收益周期性现象一直是金融学领域的重要研究课题。自 20 世纪 80 年代以来，众多学者的研究揭示了股票市场在不同时间维度上存在的周期性波动模式。这些模式不仅体现在年度和月度层面，还延伸至周度甚至日度频率。例如，Keim（1983）、Lakonishok 和 Smidt（1988）的研究发现，股票市场在特定月份（如 1 月）往往表现出显著的超额收益，而其他月份（如 9 月和10 月）则相对表现较差。这种现象被称为“月份效应”。Heston 和 Sadka（2008,2010），Keloharju 等人（2016）进一步研究发现，股票的横截面收益在一年中的相同月份内也存在持续的季节性模式，一年中个股在某个月份的收益率表现与未来几年相同月份的收益率有着显著区别于其他月份的截面正相关性，即某个资产在过去某个月份相对其他资产表现较好，在未来纪念同样月份表现会持续。
1.2 研究意义本文旨在利用中国 A 股市场的高频数据，进一步扩展 Hirshleifer 等人（2020）的研究，探讨中国 A 股市场高频环境是否存在情绪期的复现、反转效应，探究这种日内周期性现象的理论解释，考察是否存在情绪贝塔效应并进一步分析情绪贝塔在中国 A 股市场的策略投资价值。中国作为世界上最大的发展中国家之一，其股票市场具有独特的特征，如高波动性、高流动性以及散户投资者占比较高等。这些特征使得中国 A 股市场成为检验情绪贝塔理论的理想场所。通过引入情绪贝塔理论，本文试图揭示中国 A 股市场日内收益周期性现象的成因，并探讨情绪贝塔在中国 A 股市场的应用潜力。
2. 文献综述
股票市场的周期性现象及其潜在影响一直备受金融领域的关注。本文将从三个方向系统梳理国内外研究文献：第一部分根据时间频率梳理股票市场周期效应；第二部分主要介绍从投资者以及其他行为金融假说解释股票市场周期效应的研究；第三部分回顾情绪贝塔理论及相关研究。在文献评述部分，将综合评述前述研究的主要发现和对市场行为的影响。
2.1 股票市场周期效应研究综述股票市场的周期性现象，即证券市值在不同时间段内的特定的时间间隔存在重复性模式，已经在大量的实证研究中得到了确认。国内外学者通过不同的方法和数据集，发现了股票市场中普遍存在的周期性现象，如季节效应、周效应、节假日效应等。这些研究揭示了市场并非完全随机，而是呈现出某些可预测的周期模式。
2.1.1 月度频率周期效应研究综述股票市场在周度和月度频率上的周期性现象一直备受金融学领域的关注。股票收益在月度频率上的周期性通常被称为收益季节性或“月份效应”。本节旨在综合多篇学术文献，按时间顺序对其进行归类整理，以深入探讨股票市场在不同月份中的表现以及相关因素。在以一年为周期的“月份效应”中，“一月效应”是最为显著和广泛研究的现象之一。Wachtel(1942) 最早发现道琼斯工业平均指数在每年的十二月至次年一月期间倾向于上涨，这一发现揭示了股票市场中可能存在的季节性模式。Rozeff 和 Kinney (1976) , Lakonishok 和 Smidt (1988) 的实证研究确认了美国股市中一月的收益率显著高于其他月份。Thaler (1987) 和 Ritter (1988) 的研究指出，一月效应在小市值公司的股票中尤为显著。Keim (1983), Loughran (1997),以及 Blume 和 Stambaugh (1983) 的研究支持了这一现象，他们发现小市值股票 在 一月的收益显著 高于其 他月份的收益 。 Gultekin 和 Gultekin (1983) ,Haugen 和 Jorion (1996) 的跨国研究表明，一月效应并不仅限于美国市场，而是在多个国家市场中普遍存在。乔国荣等人（2020）发现上证指数存在正的一月效应以及负的十二月效应。除了一月效应外，其他月份的周期性效应也备受关注。Bouman 和 Jacobsen(2002) 提出“万圣节效应”，研究发现股票在 11 月至次年 4 月的回报显著高于 5 月至 10 月。Heston 和 Sadka (2008, 2010) 的研究发现某些股票在特定月份的收益持续较高或较低，这种模式在 12 个月、24 个月、36 个月以及更长至 20个年度滞后中都显著存在，并且这种效应独立于动量和反转效应。同时 Heston和 Sadka (2010)表明这种季节性效应不仅限于美国市场，具有国际普遍性。Keloharju 等人（2016)）的研究进一步证实了特定月份的历史收益趋势，发现根据股票在特定月份的历史表现构建投资组合，可以实现平均每年约 13%的收益率。乔国荣等人（2020）则发现在中国国庆节、春节前后存在正向的日历效应。奉立城（2003）则发现中国沪深两市从前一交易月的最后一个交易日到本交易月的第六个交易日期间的日均收益率显著为正且高于其他交易日。
2.2 股票市场周期性现象成因的研究在当前学术界，对于周度、月度频率上出现的周期现象主要通过投资者情绪和其他行为金融理论进行解释，包括税收损失卖出假说、资金暂存假说、窗口装饰假说等。本节将按照投资者情绪视角和其他非投资者情绪的行为金融理论视角梳理相关文献。
3. 研究假说
3.1 情绪周期理论基础
3.2 假说一：情绪复现与反转效应
3.3 假说二：情绪贝塔效应
4. 研究方法
4.1 滚动窗口收益法确定高、低情绪期
4.2 Fama-MacBeth 二阶段回归法(截面回归)
4.3 分组排序法
4.4 因子检验：Fama-French 三因子与五因子模型
5. 实证分析
5.1 数据选取与描述统计
5.2 复现效应与反转效应
5.3 截面情绪周期性的机制解释
5.4 情绪贝塔效应
5.5 因子排序策略收益与检验
5.6 本章小结
6. 稳健性检验
6.1 BW、KLN 投资组合
6.1.1 组合构建Hirshleifer 等人(2020) 使用了额外两个样本研究分析了复现与反转效应、Mood Beta 效应，分别为 Baker and Wurgler (2006 , 后文简称 BW 组合) 资产组合以及 Keloharju 等人 (2016 ; 后文简称 KLN) 资产组合，这些投资组合根据特定的公司指标排序构建，每个组合代表了不同的投资风格，这些公司层面的特征指标可能会影响股票的收益表现，通过使用这些投资组合代替个股数据，可以控制这些特征的影响，从而可以验证情绪贝塔是否在不同类型的股票中都具有显著的预测能力。本文延续 Hirshleifer 等人(2020)的检验方式，同样构建 BW、KLN投资组合进行研究。BW 组合由九个公司层面的特征指标构建，每个时间截面将所有个股对于每个指标进行排序，从高至低分为十组，使用等权平均构建十个投资组合。BW 组合使用指标为：公司年龄(AGE)、账面市值比(B/M)、股息权益比(D/BE)、外部融资率(EF/A)、流通市值(ME)、销售增长率(SG)、研发费用率（R&D/A）、有形资产率(PPE/A)、权益回报率(ROE)、波动率(SIGMA)。相关指标的构建与解释在附录 1 中展示。同时，对于 D/BE、PPE/A、ROE、R&D/A 四个指标，若数值小于等于零，则会单独形成一个投资组合，故 BW 组合最终包含 104 个投资组合。KLN 组合分为两部分，一部分由六个公司层面指标构建：流通市值(ME)、账面市值比(B/M)、动量(MOM)、毛利率(GP)、股息率(D/P)、每股盈利率(E/P)。与 BW 组合构建方式类似，在任意一个时间截面中，所有个股按照每一个指标排序后分为十组，共得到 60 个投资组合。另一部分由股票所属行业构建，每个行业形成一个投资组合，本文使用证监会行业区分个股行业，共计 90 个行业，行业构成在附录 1 中展示。故 KLN 组合最终包含 150 个投资组合作为标的资产。
6.1.2 描述统计表 6 展示了按照上述方法构建的 BW、KLN 投资组合在全组合、全时间段的数据描述统计情况，其中“变量”列的各变量含义与表 1 相同。可以发现在以财务、行业等因子构造特定风格投资组合下，仍然在高情绪期呈现出较高的平均日收益率，在低情绪期呈现出负的平均日收益率。
6.1.3复现、反转效应表 7 Panel A 展示了使用 BW、KLN 组合检验复现效应的截面回归结果，表中系数为式(13)中 的估计值。第(1)、(2)、(3)列展示了 BW 组合的回归系数分别在全样本、高情绪样本、低情绪样本估计结果，可以发现在任意一个滞后期（ ）中，回归系数均显著为正，如滞后期 =2-5 的全样本情绪复现截面回归中，BW组合的截面回归系数为 10.114%，经过 Newey-West 调整的标准误计算得到的 t统计量为-3.32，表明历史收益率每增加 1%，预期下一个相同情绪期收益率增加0.10%。第(3)、(4)、(5)列为使用 KLN 组合得到的回归结果，类似地，回归系数在各滞后期中均显著为正。两组样本结果与表 3 Panel A 结果总体相同，历史情绪期收益与未来同一情绪期收益呈现正相关关系，表明在由不同风格构建的投资组合中，情绪期的复现效应依旧存在。
7. 结论与展望
7.1 结论
本文以中国 A 股市场半小时频率的行情数据为基础，深入探讨了股票日内收益的周期性现象及其背后的机制。通过对数据的实证分析，发现中国 A股市场中存在显著的情绪周期性效应，这些效应体现在股票日内固定的交易时间段收益上，开盘后半小时倾向于为高情绪期、收盘前半小时倾向于为低情绪期。本文的研究结果为理解中国 A 股市场的日内收益周期性现象提供了新的视角，并为投资者提供了有价值的市场预测和投资策略。首先，本文通过对中国 A 股市场高频数据的分析，验证了情绪复现效应和反转效应的存在。具体而言，本文发现股票在过去高情绪期或低情绪期的表现，能够显著预测其在未来相同情绪期或相反情绪期的表现。这一发现与Hirshleifer 等人（2020）的研究结果相似，表明情绪周期性效应不仅存在于美股市场，也在中国 A 股市场尤其是高频环境中具有显著的存在性。这一结论为行为金融理论在中国市场的应用提供了有力的支持。其次，本文引入了情绪贝塔（mood beta）的概念，用于衡量股票对市场情绪变化的敏感性。通过 Fama-MacBeth 二阶段回归法，我们发现情绪贝塔高的股票在高情绪时期表现出更高的收益，而在低情绪时期表现出更低的收益。这一结果表明，情绪贝塔能够有效捕捉市场情绪对股票收益的影响，为投资者提供了新的视角和工具，以更好地理解和利用市场情绪变化进行投资决策。此外，本文还通过因子排序策略检验了情绪期复现效应、反转效应以及情绪贝塔效应的盈利能力。结果表明，基于历史情绪期收益构建的情绪期策略多空组合具有显著的盈利能力。这一发现表明，情绪周期性效应不仅在理论上具有重要意义，而且在实践中也具有潜在的投资价值。在稳健性检验部分，本文通过多种方法验证了研究结果的稳健性。首先，我们使用了 Baker 和 Wurgler（2006）和 Keloharju 等人（2016）构建的资产组合进行检验，发现情绪期复现效应和反转效应在这些组合中依然显著。其次，本文在控制市场贝塔后，发现情绪贝塔效应仍然显著，表明情绪贝塔具有独立于市场贝塔的解释能力。最后，通过构建随机情绪期样本作为对照组，本文发现随机情绪期样本的回归结果与本文情绪识别方法得到的结果存在显著差异，进一步验证了本文情绪识别方法的有效性。
7.2 展望本文的研究也存在一定的局限性。首先，本文主要关注了中国 A 股市场的高频数据，未来研究可以进一步探讨其他市场的类似现象。其次，本文的情绪识别方法基于历史数据，可能存在一定的滞后性，未来研究可以尝试引入实时情绪数据，以提高情绪识别的准确性。最后，本文的研究主要集中在股票市场的日内收益周期性现象，未来研究可以进一步探讨其他金融资产的类似现象，如债券、期货等。总之，本文通过对中国 A 股市场高频数据的实证分析，揭示了股票日内收益的周期性现象及其背后的机制，为理解中国 A 股市场的日内收益周期性现象提供了新的视角，并为投资者提供了有价值的市场预测和投资策略。未来研究可以在此基础上进一步拓展，以更全面地理解市场情绪对金融资产收益的影响。
8. 附录
参考文献