Главная страница » Корреляция настроений в сетях финансовых новостей

Корреляция настроений в сетях финансовых новостей

Абстрактный
На глобальном рынке, который становится все более связанным, новостные настроения в отношении одной компании могут не только указывать на ее собственные рыночные показатели, но также могут быть связаны с более широким изменением настроений и результатов других компаний из того же или даже другого сектора. Наши результаты показывают, что в определенных секторах сильное отношение СМИ к одной компании может указывать на значительное изменение отношения СМИ к связанным компаниям, измеряемым как соседи в финансовой сети, созданной на основе совпадения новостей. Более того, существует слабая, но статистически значимая связь между сильными настроениями в СМИ и аномальной доходностью рынка, а также волатильностью. Такое объединение более значимо на уровне отдельных компаний, но тем не менее остается видимым на уровне секторов или групп компаний.

Вступление
Сложность и взаимозависимость были определяющими чертами большинства современных финансовых рынков: Для более подробной информации советую нажать сюда http://finmarkets.info/7-faktory-vliyayushhie-na-obmennye-kursy/ множество постоянно меняющихся взаимодействий между участниками рынка, финансовыми активами и отношениями с более широкими макроэкономическими факторами способствовали сложной динамике рынка. Тем не менее, с недавними примерами сбоев финансовых систем, вызывающих более широкие экономические лавины 1 , задача распутать и пролить новый свет на механизмы финансовых рынков была как эмпирической, так и академической.

 

В то время как классические экономические модели часто оказывались неадекватными для объяснения динамики рынка более низкого уровня 2 , в этом контексте наблюдается растущий интерес и успех, в разной степени, в применении подходов к моделированию на основе данных и вычислительного моделирования. Одним из ярких примеров является недавняя попытка смоделировать финансовые рынки как вычислительные сети, в которых отдельные компоненты (например, отдельные акции или другие финансовые активы) являются узлами, а корреляция или какая-либо другая форма отношений между этими компонентами является ребрами 3 , 4 , 5 , 6 . Эта модель и ее варианты использовались, например, для моделирования распространения системного риска в более широких экономических системах в глобальном масштабе.7 и для оценки распространения риска дефолта в отраслевых сетях 8 .

Одновременно с развитием методов обработки естественного языка (NLP) 9 , 10 стал возможен алгоритмический анализ крупномасштабных неструктурированных данных, которые ранее не поддавались численной обработке (например, текстовые данные в статьях финансовых новостей или исследовательских отчетах). . В этом аспекте работы были посвящены построению сетей новостей и настроений для различных задач, включая анализ настроений и мониторинг риска/волатильности 11 , 12. Тем не менее, насколько нам известно, по-прежнему не хватает исследований, сочетающих изучение корреляции настроений и соответствующих движений рынка: анализ динамики рынка на основе графиков и анализ финансовых рынков на основе НЛП в значительной степени воспринимались как независимые. направлений до сих пор — хотя были исследования влияния настроений на рынок 13 , 14 , анализ был в основном ограничен исследованием отдельных компаний. Это явно неадекватно и субоптимально: эволюция и коллективная динамика новостей и сети настроений могут быть одинаково важны, и между ними могут существовать нетривиальные отношения, выходящие за рамки уровня отдельной компании.

В этой работе мы стремимся восполнить этот пробел, объединив сетевой анализ и методы НЛП для изучения корреляции настроений и связанных с ними движений на финансовом рынке. Мы фокусируемся на группе компаний (многие из которых также имеют самую большую в мире рыночную капитализацию), которые чаще всего появляются в новостях агентства Reuters. В частности, мы получаем новостные статьи от Reuters об интересующих нас компаниях с 2007 по 2013 год: считалось, что этот период охватывает поздние этапы докризисного бума, рецессию 2008 года, европейский долговой кризис и многие важные повороты событий в мировые рынки. Мы применяем методы НЛП для извлечения информации о настроениях и создаем сеть из 87 целевых компаний на основе новостной информации.

Сеть появления новостей позволяет нам изучать динамику корреляции настроений: мы определяем события, когда целевые компании испытывают резкие изменения настроений, и обнаруживаем, что эти события часто коррелируют с изменениями настроений в вышеупомянутых группах связанных компаний. Чтобы проанализировать движения рынка, связанные с настроениями, мы дополнительно получаем ежедневные рыночные данные Bloomberg по целевым компаниям за тот же период. Мы связываем события настроений с движениями рынка и обнаруживаем, что эти ожидаемые события вызывают необычные движения доходности и волатильности не только в самих компаниях, переживающих эти события, но и на отраслевом или групповом уровне. В свете этих выводов мы также хотели бы поддержать метод анализа, использованный в этой статье, в качестве универсального,

admin

Добавить комментарий

Ваш адрес email не будет опубликован.

Наверх