大片上映那一週，市場真的比較亢奮嗎？1,098 個週末、24 次檢定，全部落空

學術界有一條頗迷人的線索：電影票房會透露大眾情緒，而大眾情緒會流進股市。

《Review of Finance》2025 年的 Hong and Wei 就做過這件事，題目叫「Blockbuster or Bust?」。Edmans、Garcia 與 Norli 在 2007 年也用世界盃輸球檢定過類似的心情通道。方向都指向同一個猜想：人開心的時候比較敢冒險，人分心的時候比較不看盤。

我想知道的是另一件更土的事：如果我手上只有免費的公開資料，我能把這條線索抓出來嗎？

我用什麼資料，怎麼定義「大片」

票房來源是維基百科每年那張表，「List of YYYY box office number-one films in the United States」，抓 2005 到 2026，一共 1,098 個週末。市場價格走 yfinance 日調整收盤。

「大片衝擊」的定義寫死成一條規則，避免事後挑數字：把當週冠軍片的週末票房取對數，跟前 52 週的分布比，算出 z 分數；z ≥ 1.5 就標記成一次 attention shock。前 52 週的平均與標準差都先 shift 一格，確保計算當下用不到未來資訊。

1,098 個週末裡有 1,072 個累積夠長的歷史可以算 z，其中 96 個被標成大片衝擊。約每 11 個週末出現一次。

被檢定的資產有 8 個：SPY、QQQ、IWM、XLY 四個大盤與消費類 ETF，加上 DIS、NFLX、AMC 與一個娛樂股等權籃子。輸出變數有 3 個：接下來五個交易日的累積報酬、5 日已實現波動度相對前 20 日的對數比、以及 5 日年化下跌半變異數。

8 × 3 = 24 組檢定。控制變數放了 SPY 前 5 日動能、前 20 日 RV、落後一期的 VIX 收盤、假期週旗標、月固定效果與幾個總經公布日的日曆 proxy。推論用 Newey-West HAC（落後四期）修正，另外跑一次以年份分群的重抽樣差異檢定，5,000 次重抽，種子 42。

結果：24 組全部沒過

（HAC 修正後的 t 值，來源：experiments/k1608/k1608_results.json）

主要標的 SPY 的次週報酬係數是 −0.0020，t = −0.90。波動度那一欄更乾淨：對數 RV 比的係數 +0.0017，t = +0.03，幾乎是把估計值釘在零上。

整張表最大的 統計強度 是 AMC 的 RV 比，1.78，接近顯著水準（顯著性 0.074）。以名目 5% 標準看，24 組沒有任何一組達標。而 24 組隨機檢定本來就該期待出現 1 組左右的假陽性，結果我們連那 1 組都沒撈到。

圖上每根長條是係數點估計，黑線是 HAC 修正後的 95% 信心水準的合理範圍。左圖報酬、右圖 RV 比，五個主要標的的區間全部橫跨零線。

不做任何回歸、直接把樣本切兩半看原始平均，長相也一樣：

兩組的差距，以年份分群重抽 5,000 次來看：SPY 次週報酬差 −0.085 個百分點，95% 區間 [−0.53%, +0.35%]，符號檢定 未達顯著水準（顯著性 0.68）；對數 RV 比差 +0.0039，區間 [−0.115, +0.132]，未達顯著水準（顯著性 0.95）。報酬那項的方向甚至跟「大片讓人更敢冒險」相反。控制變數還沒進場，訊號就已經不在了。

「測不到」跟「不存在」是兩件事

到這裡最容易犯的錯，是把結論寫成「電影對股市沒有影響」。這張表撐不起那句話。

看 SPY 報酬那組的 95% 信心水準的合理範圍：[−0.64%, +0.24%]。區間下緣的 −0.64% 是五個交易日的量級，換算年化超過 30%。任何一個對沖基金看到這種效果都會立刻建倉。

也就是說，資料完全容得下一個經濟上很大的效果，我只是沒有精度把它跟零分開。

這個實驗的過關門檻設在 HAC 統計強度 ≥ 3，比慣例的 1.96 嚴格得多，理由是 24 組多重檢定需要更高的證據門檻。代價是 power 掉得很兇。SPY 報酬係數的標準誤是 0.224%，要讓 統計強度 摸到 3，效果得大到 5 日 0.67%。

真實世界的心情效應如果只有 0.1% 到 0.2%，這個設計根本沒有能力看見它。96 次事件的樣本量在週頻資料裡並不算多。

所以正確的敘述是 failure to detect，不是 absence of effect。這兩者在英文文獻裡分得很開，中文財經報導卻常常混成一句「研究證實沒有關係」。

一個必須先講清楚的時間差

還有一層限制，我認為比統計功效更該被寫在前面。

維基百科那張表記的多半是週一公布的實際票房，不是週日就能拿到的預估數字。而我的輸出變數是從週一開始起算的 5 個交易日。

換句話說，這個設計檢定的是「週末票房規模與接下來一週市場行為的統計關聯」，它並沒有回答「週日晚上能不能靠票房數字下單」。要驗證後者，得換成上映前的排片數、預售票或搜尋熱度，時間戳才對得上。

Da、Engelberg 與 Gao 在 2011 年的 Journal of Finance 用 Google 搜尋量做注意力代理，時間解析度就細得多。我這次沒用，理由很現實：pytrends 的非官方介面在我們的執行環境常被限流，會讓結果無法重跑。可重現性我看得比覆蓋度重。

我從這個 null 學到什麼

第一，免費公開代理變數有精度天花板。維基百科只給每週冠軍片一個數字，Box Office Mojo 的 release-level 微觀資料能給整個票房分布、上映廳數、首週跌幅。粒度差一階，雜訊就差一階，t 值自然被稀釋。這次 null 更像是在量測代理變數的解析度，而非在推翻文獻。

第二，null 值得被寫出來。研究圈的檔案抽屜問題就是這樣長出來的：跑出漂亮結果的實驗被發表，跑出零的被塞回抽屜，於是外界看到的證據永遠偏向「有效」。我們把 24 組全部列出來，包含那個 接近顯著水準（顯著性 0.074） 的 AMC，讀者才有辦法自己判斷這條線索的強度。

第三，如果哪天有人拿類似設計告訴你某個另類資料能預測市場，先問三個問題：樣本裡有幾次事件、信賴區間多寬、訊號的時間戳是不是真的早於交易時點。這三題答不好的策略，回測再漂亮我也不會下注。

這條線索我沒有關掉。換成上映前排片資料、換成日頻事件窗、把樣本擴到跨國票房，都還有得做。只是目前這份公開資料，還沒能力給出答案。

 資料來源 ：Wikipedia 年度票房冠軍表（2005-2026）、yfinance 日調整收盤、CBOE ^VIX  完整結果 ：experiments/k1608/k1608_results.json  實驗代號 ：K1608，執行時間 2026-07-02，種子 42

懶人包圖組