一、引言 长期以来，散户投资者能否有效学习上市公司的特征，从而使资产价格趋于理性并减少过度波动一直存在争议(薛健、汝毅，2020；席勒，1981)。中国股票市场多年来由散户交易主导，且散户驱动了80%以上的交易量(琼斯等，2025)，不少散户的预期偏差对市场波动产生了显著影响(杨威等，2020)。散户投资者对瞬息万变的市场信息处理能力有限，在面对纷繁复杂的海量数据时，其预期形成的机制也愈发复杂。机构投资者虽具备较强的信息处理能力，但在面对同类信息时往往会进行同质交易，这种行为容易引发散户投资者的羊群效应，从而加剧市场波动。无论是2023年召开的中央金融工作会议，还是党的二十届四中全会都强调了投资者的预期管理以及资本市场“稳预期”的重要性。因此，探究基于公司多特征学习的投资者预期形成机制，以进一步理解投资者的主观预期如何形成及影响资产价格(内格尔、徐，2023)，这对于我国金融市场的投资者预期管理至关重要。 近年来，大数据、机器学习与人工智能方法在经管领域得到广泛应用，对以往的研究范式带来了较大冲击(洪永淼、汪寿阳，2021；刘景江等，2023)。在资产定价领域的研究中，不少学者认为上市公司的特征信息对于形成准确的价值预期应是“多多益善”(李斌等，2019；顾等，2020；凯利等，2019；莱特等，2017)，而传统的研究则认为少量关键因素即可决定和解释资产价格的变动(张玉龙、李怡宗，2013；法马、弗伦奇，1992，2015)。在信息爆炸的时代，到底是应该“面面俱到”地关注金融市场的各类信息，还是应该“精益求精”地对少部分关键信息进行分析？预期的分歧和协同对市场又会产生何种影响？在中国市场以散户居多的环境中，不同类型公司的资产价格变动如何受到投资者预期的影响？对上述问题的探究，对于深入理解金融市场如何通过信息与预期影响实体经济发展具有重要意义。 投资者间的预期差异在金融市场中扮演着关键角色，理论文献不仅探讨了预期差异的性质和来源，还分析了它如何影响资产的期望收益、价格波动性以及交易量等(阿特马兹、巴沙克，2018)。然而，目前的实证研究在准确度量投资者预期差异方面面临一系列挑战，尤其是如何量化投资者的主观心理和情感因素。一类较为有效的量化指标是分析师分歧度(安德森等，2005；迪特尔等，2002)，然而，分析师的预期本身也被证明存在偏差(伍燕然等，2012；陈等，2007；莫科阿莱利-莫科泰利等，2009)。此外，无论是分析师还是散户投资者，其预期差异主要源于对金融市场信息的学习和接受程度的差异。因此，在数据充分的基础上，引入适当的机器学习方法模拟投资者信息学习的过程，为全面衡量投资者的预期差异提供了可行的新视角。其中，神经网络模型因其对非线性模式的高度敏感性和适应性，在模拟人类预期形成方面展现出独特优势，其可行性已在多个领域得到验证(拉比诺维茨等，2018；武，2019)。基于神经网络构建的投资者模型，不仅可以模拟单个投资者的信息处理和决策机制，还能再现当市场存在大量投资者时异质性信念的形成过程。 因此，本文采用神经网络模型，模拟投资者的信息处理和自适应学习过程，进而生成其对资产收益的不同预期。以此为基础，本文在中国股票市场上构建了一种新的投资者预期差异与协同的统计测度方法。具体而言，本文以105个公司特征作为信息集，利用神经网络模型，采用“先学习，再预测”的方式，模拟投资者对公司特征的处理和对股票收益的预测过程，最后通过计算所有预测值的标准差，构建了投资者预期协同的量化指标。本文从以下几个方面探究预期协同对资本市场的影响。首先，本文分析投资者的预期协同对资产未来收益的影响。其次，从行为金融学的错误定价视角出发，探讨卖空约束与有限套利如何影响预期协同的定价效应。再次，分析上市公司信息质量和数量如何影响投资者的预期协同定价效应，特别是在投资者信息偏好不同的情况下，预期协同的定价效应如何变化。最后，考察不同类型的上市公司如何增强或减弱投资者预期协同在横截面上的定价效应，在时间序列上不同市场周期对其定价效应又有何影响。 本文的研究得到以下几个方面的结论。第一，在中国股票市场中，投资者的预期协同与股票未来收益存在显著的正相关关系，投资者预期协同水平越低，则股票未来收益越低，且这一结论的稳健性不受神经网络模型超参数、滚动时间窗口长度等因素的影响。第二，本文从卖空约束和有限套利两个角度，检验了预期协同定价效应的错误定价机制。研究发现，当投资者缺乏预期协同时，卖空约束和有限套利这类市场摩擦会阻碍价格的有效发现，从而共同导致错误定价，这使得预期协同的定价效应在高摩擦环境中更为显著。第三，本文从特征学习过程中的信息质量和特征数量出发，发现会计信息质量与预期协同的定价效应显著负相关，而特征数量则对定价效应呈现先增强后减弱的非线性影响。第四，相较于国营企业，投资者预期协同的定价效应在民营企业中更加显著；相较于熊市，该效应在牛市中更加突出，这使得预期管理的价值在市场过热时尤为凸显。 本研究的创新之处体现在以下几个方面。首先，本文提供了基于公司特征数据形成投资者预期的新视角，通过神经网络模型模拟投资者行为，创新性地引入了投资者预期协同的测度指标。这一方法不仅可以解决投资者的预期协同程度难以量化的问题，还能深入分析信息如何影响投资者预期，进而引发资本市场的价格变动。其次，本文全面分析了投资者预期协同的定价效应。一方面，本文首次从多特征机器学习的视角，在中国市场上系统分析了投资者预期协同对股票未来收益的预测效果；另一方面，本文从卖空约束、有限套利等错误定价角度研究预期协同定价效应的来源，并深入探讨上市公司的信息质量和数量对预期协同定价效应影响的差异。最后，本文探讨了信息种类、市场环境和投资者风格的异质性对预期协同定价效应的影响，揭示了多特征学习下市场预期的形成机制和经济效果，丰富了行为金融学中投资者预期的相关理论与实证证据，为我国市场的投资者预期管理提供了政策建议。
