隨著網際網路發達，社交媒體的興起，像是 Facebook、Twitter 等新型態傳播工具，都使得新聞和傳言的傳播速度更加快速，進而影響人們對社會議題的看法、金融市場的波動、甚至影響政治選舉事件。
每個人都喜歡聽故事，然而經濟學家在過去的研究，似乎很少將人們茶餘飯後討論的議題放入研究之內，一方面過去的資料取得不易，不容易量化和分析，然而隨著新型資料和研究方法的演進，經濟學家似乎開始有能力，將人們的言談和文字與經濟議題結合，來探索新的研究結果，本文將帶大家了解人們的言語和文字，是如何影響金融市場。
敘事經濟學 (Narrative Economics)
每年的 1 月份，美國經濟學會 (AEA) 和財金學會 (AFA) 等研究單位都會舉辦聯合研討會，今年的年會於主席演講 (Presidential Address)，正是由耶魯大學教授 Robert Shiller 演講敘事經濟學 (Narrative Economics) 為主題，分析人們經常討論的經濟話題，會如何影響市場波動。
Shiller 在文章中舉例，像是美國的道瓊指數在日前在 2 萬點附近徘徊，台灣股市則是1萬點上下震盪，但熟悉股票的人一定知道，指數只不過是根據基期決定，像台股就是以 1966 年的 100 點為基準，如果當初的基準設在 120 點，那現在的股票老早就突破 1 萬點，來到 12000 點大關。如果經濟、產業基本面有良好發展，則指數理當輕鬆上漲，不會在特定點數遇到障礙。
加權股價指數 =（當期市值 / 基值）× 基期指數
但如果像是 1 萬點，人們有心理關卡，則投資人和市場會出現焦躁不安的現象。像這種人們不討論經濟、產業基本面是否改變影響金融指數，而是純粹關心在指數的數字是否影響漲跌的情形，就是一種敘事經濟學的現象。
為何需要關心敘事經濟學？
Shiller 指出我們若想了解經濟大蕭條，就必須重視此方面的研究，像是了解為何人們突然減少消費，這種現象常開始於人們開始聽到不好的風聲開始，「好事不出門，壞事傳千里」，壞消息總是透過人們的言語之間、新聞媒體的文字、影像而傳播快速。
而 Shiller 舉 1920 年代初期的美國為例，西方正經歷完一次世界大戰、俄國剛爆發完革命，美國人從報紙中看到戰爭、革命的無情，輿論討厭那些從戰爭中牟取利潤的掮客、企業，於是開始抵制他們的產品，商品價格開始滑落，民眾更沒意願在物價下滑時購買東西，進而延遲消費，於是價格繼續下降，導致經濟衰退。
另外一則看法，從當時像是《大亨小傳》(The Great Gatsby) 等書中描述20年代的美國是一個繁榮的時代，而女生在此時有很高的自主權，和過去不同，她們穿短裙、可以不用男士的陪伴上酒吧。
然而 20 年代末期股市突然的崩盤，美國人開始回歸教會，懺悔過去幾年對金錢的貪婪，而造成當時的金融恐慌。女生的裙擺再度變長，不再追求時尚流行，連帶著大眾的其他消費也跟著減少，使得經濟開始負成長。或許想探討經濟大蕭條的緣由，我們可以從當時人們的故事來找出蛛絲馬跡。
從新聞用字看市場風險
目前已經有不少指數是根據新聞報紙而編纂，像是研究者 Asaf Manela 和 Alan Moreira 利用文字探勘的統計方法，創立新聞隱含風險指數(NVIX)。他們採用從1890年以來，每天的華爾街日報 (WSJ) 頭版文章作為資料依據，他們發現NVIX會在金融危機、世界大戰、政策不確定的時候達到高峰，但在 NVIX 達到高點之後，股市也有較高的報酬，證實這些罕見的極端風險 (rare disaster risk) 和資產價格的波動有所關聯。
作者也提供資料及互動圖表在其個人網站上，讓我們可以了解近百年的 WSJ 新聞關鍵字，以及當時代的讀者關心的議題，舉例來說 2008 年 10 月 31 日正值金融海嘯，因此 “financial”, “banks”, “crisis” 就是當時的關鍵字，1942 年 9 月 30 日則適逢二戰期間，“war” 理所當然是當時的熱門新聞詞彙。
之前白經濟的另一篇文章當中，介紹關於「經濟政策不確定指數」(Economic Policy Uncertainty, 簡稱EPU)，此指數涵蓋範圍國家和媒體更加廣泛，同樣在金融、軍事、政治危機時，指數會達到高峰。
CEO 的用字遣詞與公司表現
CEO 是公司的領頭羊，每當股東會時，他們對於公司的業績展望是股東們注意的重點，對此許多研究人員開始探討CEO如何描述其公司表現。從芝加哥商學院的研究報導指出，根據 CEO 的用字遣詞可以將他們分成五大類型：有責任感 (conscientiousness)、外向 (extroversion)、親切 (agreeableness)、神經質 (neuroticism)、坦承開放 (openness)。
像是親切型的 CEO 傾向使用副詞 (ex: about, absolutely)，每句話用較少的文字，會使用模糊不清的量詞 (ex: a lot, a bit)。外向型的 CEO 則喜歡使用焦慮詞 (ex: worried, fearful)，而這也反應在他們的公司特性，有較低的現金流量和資產報酬率。
然而當 CEO 開始使用委婉語，像是逆風 (headwinds)、觀望 (wait-and-see)等，則股東們或許該開始調節該股票，公司的股價和業績，在之後的表現並非理想。另外根據波士頓大學 Tarek Hassan 等人的研究，如果 CEO 提及關於政治風險，則該公司會減少投資和聘雇，並且會有較高的政治捐獻和遊說行為。
政府官員的溝通藝術
Monetary policy is 98% talk and 2% action — Ben Bernanke
除了市井小民、CEO、新聞媒體的談話和文字會影響市場之外，官員的談話更是左右市場的關鍵因子，舉美國聯準會為例，底下的聯邦公開市場委員會（Federal Open Market Committee, 簡稱 FOMC)，被笑稱應該是 Federal Open Mouth Committee (聯邦張嘴委員會) 的縮寫。
根據美國知名財金網站 Business Insider 的報導，會有此玩笑出現是因為近年來 Fed 委員的談話次數逐年增加，從 1996 年平均每人 4 次左右，到 2017 年預計此數字將達到 14 次，顯見其官員在媒體上出現的頻率愈來愈高。
這也反應出 Fed 認為政策對大眾愈資訊透明，更能達到其貨幣政策的目的，從近來的政策像是量化寬鬆 (QE) 和前瞻指引 (Forward Guidance)，都可以看到 Ben Bernanke, Janet Yellen 歷任主席，在媒體前講解政策實施依據， Bernanke 便說過貨幣政策是百分之 98 的談話，和百分之 2 的行動。
每當 Fed 官員關於是否升息的意見時，媒體不但會逐字逐句分析其用字遣詞，分析發表人的個人特質，試圖找出一點蛛絲馬跡來預測未來市場走向，因此每次官員談話，也影響該日金融市場的波動變化。
說不清楚政策的影響
自從 Trump 政府上台以來，許多人憂慮他的行事作風，會讓金融市場引發動蕩不安，然而這幾個月的股市表現卻恰恰相反，美國股市不斷創新高，其市場波動率 (VIX) 卻是創下2008年金融海嘯之後的最低。學術界和金融市場便對此現象感到好奇，為何高政治不確定性和低市場波動性，會在金融市場並存？
市場波動性 (Market Volatility) = 政治不確定性 (Political Uncertainty) x 政策準確性 (Precision of Political Signals)
芝加哥大學商學院的教授 Lubos Pastor和 Pietro Veronesi 在 Vox 專欄撰文指出，認為政策訊號的準確性，可以解釋這個差異。 市場上的投資者無法解釋政府何時兌現他們競選和當政時的政策承諾，像是對企業實施減稅和鼓勵投資等政策。
由於低的政策準確性，人們認為政府的話語比較像是隨便說說，不必認真看待，因此政治的不確定性並未直接影響金融市場，也造成目前高政治不確定性和低市場波動性並存的詭異情況發生 。
結語
史丹佛大學 Matthew Gentzkow 等研究員綜合了近來經濟學家，除了上述採納文字資料，來分析金融市場的議題例子，也可以利用文字用於預測通貨膨脹和失業的變化，並估計政策不確定性的影響；分析廣告和產品評論的文字，判斷消費者如何做購買決策；從新聞和社交媒體的文字，解釋造成政治傾向的因素，以及近來假新聞 (fake news) 對於選舉的影響等議題。結合新型態資料和近來的統計、電腦程式分析，相信可以幫助我們了解更多經濟議題！
延伸閱讀
參考文獻
- Gentzkow, M., Kelly, B. T., & Taddy, M. (2017). Text as data (No. w23276). National Bureau of Economic Research.
- Hassan, T. A., Hollander, S., van Lent, L., & Tahoun, A. (2016). Aggregate and Idiosyncratic Political Risk: Measurement and Effects.
- Manela, A., & Moreira, A. (2017). News implied volatility and disaster concerns. Journal of Financial Economics, 123(1), 137-162.
- Shiller, R. J. (2017). Narrative economics. The American Economic Review, 107(4), 967-1004.
封面圖片的技術，參考自TagCrowd