مقایسه اخبار سنتی و رسانه های اجتماعی با حرکات قیمت سهام ؛کدام یک از اول ، اخبار یا تغییر قیمت؟

توییتر در گذشته اخیر مسئولیت برخی از اخبار اصلی بازار سهام را بر عهده داشته است ، از مدیر عاملان سرکش که به شرکت خود به رهبران بسیار فعال جهان که درخواست تحریم برند می کنند ، آسیب می رساند ، اما علی رغم تأثیر آن توییتر هنوز به اندازه منابع خبری سنتی در بازارها تأثیرگذار نبوده است. در این مقاله بررسی می کنیم که آیا احساسات روزانه خبری چندین شرکت و احساسات توییتر از مدیر عاملان آنها تأثیر بر عملکرد بازار آنها دارد و اینکه آیا منابع خبری سنتی و فعالیت توییتر روسای دولت بر شاخص های معیار اقتصادهای بزرگ جهان در طی دوره ای تأثیر می گذاردشیوع همه گیر SAR-COV-2. نتایج ما نشان می دهد که بین احساسات توییتر و حرکات قیمت همبستگی بسیار محدودی وجود دارد و این که وقتی بازده نسبت به بازار یا هنگامی که بازار آرام یا آشفته است ، تغییر زیادی نمی کند. تقریباً در هر شرایطی بین منابع خبری غیر مالی و حرکات قیمت همبستگی وجود ندارد ، اما بین احساسات اخبار مالی و حرکات قیمت سهام ارتباط وجود دارد. ما همچنین می بینیم که وقتی بازده نسبت به بازار گرفته می شود ، این همبستگی قوی تر می شود. شرکت های کمتری در هر دو زمان آشفته و آرام اقتصادی همبستگی دارند. هیچ الگوی روشنی در جهت و قدرت همبستگی وجود ندارد ، که برخی از آنها به شدت منفی همبستگی دارند و برخی دیگر به شدت همبستگی مثبت دارند ، اما به طور کلی اندازه همبستگی نشان می دهد که حرکت قیمت احساسات را به وجود می آورد ، مگر در اقتصاد آشفتهزمان بیماری همه گیر SARS-COV-2 در سال 2020.

معرفی

توییتر یک وب سایت رسانه های اجتماعی و میکروبلاگینگ است که در سال 2006 توسط جک دورسی ، نوح گلس ، بیز استون و اوان ویلیامز راه اندازی شده است که به کاربران امکان می دهد تا پیام های حداکثر 140 کاراکتر را ارسال کنند (در سال 2017 دو برابر شده است) به "پیروان" خود ارسال شودبشراین به سرعت در سال 2012 و 321 میلیون کاربر تا سال 2018 به منبع مهمی از اخبار تبدیل شد. در بین رهبران جهان و افراد تجاری محبوب است ، و به سرمایه گذاران بالقوه پیوند مستقیمی با افرادی که در آن سرمایه گذاری می کنند و یک پتانسیل ارائه می دهدگنج داده ها برای محققان.

در اول ماه مه 2020 ، الون ماسک توییت را ارسال کرد: "قیمت سهام تسلا بسیار بالا است". این توییت منفرد تقریباً 15 میلیارد دلار یا 12 ٪ از ارزیابی بازار Tesla Inc ($ TSLA) را از بین برد [1] ، و قابل توجه است که این حتی اولین باری نبود که فید توییتر مدیرعامل بسیار مورد بحث و گفتگو باعث سردرد سرمایه گذاران شود. صدای جیر جیر اوت 2018 که در آن میلیاردر ادعا کرد که وی در نظر دارد Tesla را به 420 دلار خصوصی برساند و "بودجه تأمین شده" منجر به انفجار در قیمت سهم شد (پس از آن تحقیقات دولت ، 40 میلیون دلار مجازات و حذف مشک از آننقش او به عنوان رئیس [2]).

البته ، پدیده اظهارات مدیرعامل که بر ارزش شرکت آنها تأثیر می گذارد ، چیز جدیدی نیست ، اگرچه از سرعتی که توییتر و سایر رسانه های اجتماعی می توانند اطلاعات را منتشر کنند ، اغراق شده است. مشهور ، در انگلستان در آوریل 1991 ، صاحب ناشناس و مدیرعامل زنجیره جواهرات گروه Ratner Group ، Gerald Ratner ، سخنرانی را به انستیتوی مدیران ارائه داد که در آن او کیفیت شیشه های شرکت و گوشواره های شرکت خود را مسخره کرد و ارزش شرکت را کاهش دادتوسط ( پوند ) 500 میلیون و در نتیجه شرکت نام خود را تغییر داده و جرالد راتنر را اخراج می کند.

این تنها مقامات شرکت در جایگاه بالا نیستند که می توانند به ارزیابی بازار سهام یک شرکت آسیب برساند. جامعه اجتماعی کایلی جنر مشهور به توئیت نارضایتی خود را با به روزرسانی اخیر Snapchat ، و Snap Inc 1. 3 میلیارد دلار ارزش یک شبه از دست داد [3]. یک حساب خبری هک شده آسوشیتدپرس ، خبرهای دروغین را منتشر کرد که رئیس جمهور باراک اوباما در اثر انفجار در کاخ سفید مجروح شده است ، ادعایی که در عرض چند دقیقه از توییت ارسال شد ، اما لحظه ای 136. 5 میلیارد دلار از ارزش داو جونز پاک کردمیانگین صنعتی و شاخص های S& P 500 [4].

در سال 2017 ، بررسی تأثیر رئیس جمهور ترامپ در ده شرکت معامله شده عمومی که در توییت های بین نوامبر 2016 و ژانویه 2017 ذکر شده است ، زمان انتخابات وی و سوگند در [5]. با استفاده از روشهای مطالعه رویداد ، آنها دریافتند که یک محتوای مثبت در توییت باعث بازده غیر طبیعی مثبت در شرکت می شود و محتوای منفی باعث بازده غیر طبیعی منفی می شود. این اثر در بیشتر قسمت ها کمتر از یک روز به طول انجامید و طی 5 روز تأثیر معنی داری مشاهده نشد. این توییت منجر به افزایش فعالیت جستجوی گوگل در اطراف شرکت و همچنین افزایش حجم تجارت شد. نویسندگان این تئوری را بیان كردند كه این توئیت باعث شد تا معامله گران كوچك نسبت به توییت رئیس جمهور واکنش نشان دهند و این تأثیر كوتاه مدت بوده است ، به این معنی كه معامله گران بزرگتر توییت را می بینند اما آن را مهم نمی دانند.

تجزیه و تحلیل بیشتر در مورد توییت های رئیس جمهور ترامپ که در آن وی به 58 شرکت قبل و بعد از انتخابات خود اشاره کرد به عنوان رئیس جمهور هیچ تأثیر معنی داری بر قیمت سهم شرکت یا شاخص های بازار ناشی از توییت های وی نشان نداد [6] ، نرخ ارز بین روبل روسیه و دلار آمریکا بودتحت تأثیر توئیت های وی [6] ، و توییت هایی با احساسات منفی قوی تأثیر منفی بر قیمت سهم یک شرکت گذاشت ، اما توییت هایی با احساسات مثبت چنین تأثیری نداشته است [6].

در اوایل تحقیق تاریخ Twitters در مورد طبقه بندی خلق و خوی در توییت ها و پیش بینی پتانسیل بازار سهام آن از قبل آغاز شده بود. تکنیک های یادگیری ماشین همچنین در طبقه بندی احساسات در توییت ها به خوبی عملکرد خوبی دارند [7] اما نتیجه گرفتند که الگوریتم ها می توانند بهبود یابند. مطالعه 9. 7 میلیون توییت از 2. 7 میلیون کاربر طی یک دوره ده ماهه ، با استفاده از Google-Profile of Mood Mood برای طبقه بندی آنها در یکی از شش حالت (آرام ، هشدار ، مطمئن ، حیاتی ، مهربان و شاد) و یاب نظرابزاری که "خلق و خوی" مثبت در مقابل منفی را اندازه گیری کرده است و نشان می دهد که برخی از خلق و خوی عمومی توییتر می تواند دقت مدل هایی را که برای استفاده از معیارهای سنتی بازار (قیمت ، درآمد و غیره) طراحی شده اند ، برای پیش بینی حرکات بازار در DJIA افزایش دهد [8]. به طور خاص ، وجود خلق و خوی آرام توییتر می تواند دقت چنین مدلهای پیش بینی را افزایش دهد ، با افزایش دقت 2-6 روز ، اما این که خلق و خوی دیگر پیش بینی را بهبود نمی بخشد ، و در واقع گاهی اوقات مدل ها را کمتر دقیق می کند. این مطالعه همچنین نشان داد که ارزش خلق و خوی ابزار TIVENDFINDER هیچ ارتباطی با بسته شدن DJIA ندارد. از آنجا که این مطالعه ، تجزیه و تحلیل خلق و خوی به عنوان تجزیه و تحلیل احساسات بیشتر شناخته شده است ، و آگاهی عمومی از پتانسیل داده های محور رسانه های اجتماعی به طرز چشمگیری افزایش یافته است. در سال 2012 از جسد توییت برای ساخت موفقیت آمیز طبقه بندی کننده احساساتی استفاده شد که قادر به تعیین احساسات مثبت ، منفی و خنثی بود [9].

سایر آثار به دنبال همبستگی قیمت سهام با داده های توییتر بوده اند [10،11،12،13،14،15،16] پیدا کردن برخی از همبستگی بین قیمت سهام و داده های توییتر اما دقت آن به مجموعه داده های مورد استفاده بستگی دارد. الگوریتم های پیشرفته تر یادگیری ماشین به کار رفته است [17،18،19] اما دریافت که بهبود پیش بینی های پیش بینی قیمت سهام امکان پذیر است اما در استفاده از داده های مالی در تجزیه و تحلیل آنها محدود شده است. با این حال ، [20] نسبت به استفاده از یک طبقه بندی کننده ساده مثبت قطبی مثبت برای تجزیه و تحلیل احساسات با استفاده از مجموعه داده های آموزش دیده هشدار می دهد. یک رویکرد بدون نظارت با استفاده از رسانه های اجتماعی برای جلب زمینه عاطفی از متن نشان داده شده است که در اکثر موارد از رویکردهای یادگیری مبتنی بر دستگاه بهتر عمل می کند [21]. تحقیقات نشان داده است که ، در طول بیماری همه گیر ، بررسی های سهامداران بر رفتار معامله گران و در نتیجه قیمت سهام تأثیر گذاشته است [22].

سایر آثار بر جنبه های تأثیر توییتر مانند یک مطالعه 2012 متمرکز شده اند که همبستگی بین تعداد توییت های روزانه مربوط به شرکت های ذکر شده S& P 500 و عملکرد شاخص های سهام مانند قیمت و حجم معامله شده را بررسی کرده است [10]. نویسندگان دریافتند که تعداد توییت های ذکر شده در سهام S& P 500 با قیمت بسته شدن روزانه ، تغییر قیمت روزانه و تغییر روزانه قیمت مطلق ارتباط دارد. آنها دوباره نتیجه گرفتند که در سطح بورس سهام ، مدلی طراحی شده برای پیش بینی اینکه آیا بازار با استفاده از معیارهای سنتی با در نظر گرفتن داده های توییتر ، می تواند با استفاده از معیارهای سنتی افزایش یابد یا سقوط کند.

یک مطالعه رویداد در سال 2014 (روشی برای مطالعه تأثیر رویدادی مانند ادغام یا استعفای مدیرعامل و غیره) تجزیه و تحلیل احساسات را به یک مجموعه داده 400000 توییت در مورد شرکت های S& P 500 اعمال کرد [23]. محققان بین خبرهای خوب و بد متمایز شدند و دریافتند که بازده ها قبل از رویدادهای خبری خوب نسبت به قبل از خبرهای بد بیشتر برجسته شده اند و تأثیر وقایع خبری در بازار تا حد زیادی در دسته های مختلف متفاوت است. سازگاری این روش با استفاده از توییت هایی که بیش از 15 ماه از شرکت های S& P جمع آوری شده است ، اما با تمرکز بر مطالعات رویداد در دوره های زمانی کوتاه تر [13] نشان داد که در کل دوره زمانی ارتباط معنی داری بین قیمت ها و احساسات وجود ندارد اما وابستگی قابل توجهی بین احساسات توییتر و پیدا کردبازگشت غیر طبیعی وقتی توییتر در فعال ترین خود است. مشخص شد که این اتفاق نه تنها در قله های توییتر مورد انتظار (مانند گزارش درآمد یا رسوایی بزرگ) رخ داده است ، بلکه زمانی که حجم بالا توییتر به دلایل کمتری وجود داشته است نیز وجود داشته است. این اثر اندک ، کمتر از 2 ٪ بود ، اما می تواند برای چند روز دوام داشته باشد و به دلیل شباهت آن با نتیجه مشابه در مطالعه 2010 نتیجه جالب توجه است.

تجزیه و تحلیل سایت های رسانه ای غیر سنتی برای اخبار که پتانسیل تأثیرگذاری در ارزیابی بازار سهام یک شرکت را دارد ، موضوع فعلی تحقیق است. سرمایه گذاران به طور کلی علاقه ندارند داده های مورد استفاده در مدل های خود را به اشتراک بگذارند تا هیچ مزیت بالقوه ای را از دست ندهند ، اما برخی از اطلاعات مربوط به استفاده از سرمایه گذار از توییتر در دسترس است. JP Morgan Chase & Co به طور علنی در مورد شاخص Volfefe خود صحبت کرده اند. شاخص Volfefe ادعا می کند که بازار به توییت های حاوی کلمات کلیدی خاص مانند "چین" ، "میلیارد" و "دموکرات" واکنش نشان می دهد. JP Morgan به بازده خزانه داری نگاه کرد و در دقایقی پس از یک صدای جیر جیر کلیدی ، این شاخص می تواند تعداد قابل توجهی از نوسانات در مشتقات را بر اساس نرخ بهره به خود اختصاص دهد [24].

بانک مرکزی فدرال رزرو سانفرانسیسکو مقاله ای در سال 2017 منتشر کرد که پیشرفته ترین رویکردهای مربوط به تجزیه و تحلیل احساسات داده های اقتصادی را مورد بررسی قرار داد [25]. آنها مجموعه داده های عظیمی از اطلاعات مالی را از ژانویه 1980 تا آوریل 2015 مورد بررسی قرار دادند که شامل هزاران مقاله از مقاله های روزنامه های مالی و داده های احساسات آنها در قالب یک سری زمانی است و با استفاده از مقالات از پیش مورد بررسی و مقایسه ، دقت ابزارهای تجزیه و تحلیل احساسات تعیین شده را مقایسه می کنند. نتایج تجزیه و تحلیل به خوانندگان انسانی. آنها مدل خود را با استفاده از واژگان خود همراه با مدل های تجزیه و تحلیل احساسات مبتنی بر اقتصاد ساختند و یک مدل مالی ساخته شده سفارشی را پیدا کردند که برای تجزیه و تحلیل اخبار مالی بهتر از هر تجزیه و تحلیل احساسات قفسه ای انجام می شود و دو نتیجه گیری از مجموعه داده های خود می گیرد. در مرحله اول آنها دریافتند که احساسات خبری می تواند احساسات مصرف کننده موجود در نظرسنجی ها را پیش بینی کند ، و شوک های احساسات مثبت منجر به افزایش مصرف مصرف کننده ، تولید اقتصادی ، نرخ بهره و کاهش تورم می شود [25].

صندوق بین المللی پول همچنین تجزیه و تحلیل احساسات را برای مقالات خبری از 20 کشور بین سالهای 1980 تا 2019 به کار برد و احساسات مثبت یا منفی را به این موارد اختصاص داد. آنها دریافتند که برخی از موضوعات در تجزیه و تحلیل ، مانند تحول زبان در طول زمان به معنای تجزیه و تحلیل احساسات باید سازگار شوند تا دقیق باقی بمانند ، اما این نتایج زیادی را تحت تأثیر قرار نمی دهد [26]. به عنوان مثال ، آنها دریافتند که به نظر می رسد احساسات خبری قبل از دوره های افسردگی اقتصادی ، با استفاده از برزیل در سال 1999 و ترکیه در سال 2018 افزایش می یابد [26]. آنها همچنین یک مجموعه داده مفید حاوی هزاران مقاله خبری مالی از سراسر جهان ایجاد کردند که می تواند برای بررسی تفاوت در واکنش به شوک های جهانی در مرزها یا تأثیر احساسات در انواع بازارها مانند مبادله ارز یا نرخ بهره مورد استفاده قرار گیرد. یا هر بازار دیگری [26].

با استفاده از اخبار سنتی ، تجزیه و تحلیل همبستگی بین احساسات و قیمت سهام 2 شرکت در طی یک دوره 10 ساله با استفاده از الگوریتم های یادگیری ماشین ، نتایج مثبتی را نشان داد [27] اما نویسندگان خاطرنشان کردند که پیشرفت هایی را می توان انجام داد. به طور خاص با استفاده از اخبار سازمان های خبری مبتنی بر مالی ، همبستگی بالایی بین احساسات و نوسانات قیمت سهام کشف شده است [28 ، 29].

در این مقاله ، ما احساسات خبری سنتی و غیر سنتی (رسانه های اجتماعی) مربوط به شرکت های بزرگ و شاخص های اقتصادی را با استفاده از پردازش زبان طبیعی تجزیه و تحلیل و مقایسه می کنیم. هدف ما تعیین این است که آیا تجزیه و تحلیل داده های احساسات می تواند حرکت قیمت سهام و بازده غیر طبیعی را پیش بینی کند یا اینکه قیمت سهام احساسات خبری را پیش بینی می کند. شوک بزرگ برای تجارت جهانی و بازارها در قالب همه گیر SARS-COV-2 در این تحقیق رخ داده است ، بنابراین ما تقریباً یک دوره مساوی قبل و بعد از شیوع بیماری همه گیر و شوک بعدی آن را شامل می شویم ، این دوره زمانی را محدود می کند. از تجزیه و تحلیل ما اما به ما اجازه می دهد تا نتایج را با مطالعات اندازه مشابه مقایسه کنیم [8 ، 13] که شامل چنین شوک نیست. فایده ای برای گذراندن یک دوره زمانی کوچک این است که می توانیم تغییراتی در زبان را نادیده بگیریم که نشانگر احساسات است که مطالعات طولانی تر به چالش کشیده ، به عنوان مثال.[25 ، 26].

در این مقاله پنج سؤال وجود دارد

آیا بین حرکات قیمت در بورس سهام و احساسات توییت و اخبار سنتی ارتباطی وجود دارد؟برای پاسخ به این سؤال ، حرکات بازار و داده های احساسات با جمع آوری داده های سری زمانی برای هر دو مقایسه می شوند ، سپس از ضریب همبستگی پیرسون برای تعیین کمیت رابطه استفاده می کنند.

آیا بین توییت های رهبران جهان ، اخبار مربوط به کشورهای آنها و عملکرد اقتصادی یک کشور ، به نمایندگی از شاخص های سهام معیار در هر کشور ، ارتباطی وجود دارد. این با استفاده از ضریب همبستگی پیرسون و آزمون t برای بررسی اینکه آیا رابطه وجود دارد ، به روشی مشابه با اولین سؤال ارزیابی می شود.

آیا می توان از داده های احساسات برای پیش بینی عملکرد سهام نسبت به بازار استفاده کرد؟برای بررسی این ، هر حرکت قیمت سهم با کم کردن تغییر درصد درصد در S& P از درصد تغییرات روزانه در قیمت سهام فردی ، با حرکات شاخص کلیدی اقتصادی ، S& P 500 مقایسه می شود. این یک ارزش برای نحوه عملکرد سهام نسبت به بازار هر روز است ، که می توان با استفاده از ضریب همبستگی پیرسون با داده های احساسات مقایسه شد.

آیا پوشش خبری و احساسات توییتر قیمت بورس سهام (هم کاملاً و هم نسبت به بازار) است یا اینکه حرکت سهام در بازار سهام احساسات پوشش خبری را هدایت می کند. این با استفاده از همبستگی متقابل تاخیر زمان ارزیابی می شود که یک سری زمانی را به صورت تدریجی تغییر می دهد و همبستگی را هر بار اندازه گیری می کند. سری زمانی حرکت قیمت از منهای پنج روز به به علاوه پنج روز منتقل می شود ، بنابراین 11 ارزش همبستگی را برمی گرداند ، یکی برای همبستگی بین قیمت ها و احساسات پنج روز بعد ، یکی برای تغییرات قیمت و احساسات چهار روز دیررس ، وخیلی دیگراگر بالاترین همبستگی در مرکز باشد ، این نشان می دهد که این دو در همان روز هماهنگ هستند ، اما اگر همبستگی زودتر در یکی از سریال های زمانی قله کند ، این نشان می دهد که یک سری منجر به دیگری می شود.

نتایج مشابه در زمان های مشکل ساز اقتصادی و در زمان های عادی است. نحوه قضاوت این امر با تقسیم مجموعه داده ها به دو ، مقایسه نتایج جمع آوری شده در سال 2019 با نتایج در سال 2020 از سال 2020 ، بحران همه گیر Covid-19 را به همراه آورد و منجر به برخی شرایط بازار چالش برانگیز بی سابقه ای شد و فرصتی ایده آل برای تکرار فراهم کردو مقایسه نتایج در شرایط صاف بازار و زمان آشفته.

روش ها و داده ها

داده های افتتاح ، بسته شدن و حجم به راحتی بصورت آنلاین در دسترس است ، اما داده های معاملاتی دوم به خوبی ثبت نمی شود. دسترسی به داده های روزانه خود را به بررسی بازده های روزانه و ماهیت اخبار ، بررسی تأثیر آن در یک روز کامل و نه لحظه به لحظه آسانتر می کند.

انتخاب شرکت ها

در این مقاله ما داده های جمع آوری شده از اول ژانویه 2019 تا پانزدهم ژوئیه 2020 را تجزیه و تحلیل خواهیم کرد تا یک دوره مساوی قبل و در طول بیماری جهانی SARS-COV-2 را پوشش دهیم. ما تصمیم می گیریم که شرکت ها بر اساس معیارهای زیر تجزیه و تحلیل کنند:

این شرکت باید در لیست عمومی قرار گیرد تا ارزیابی بتواند ردیابی شود.

همچنین باید از کشورهای انگلیسی زبان باشد زیرا ابزارهای تجزیه و تحلیل احساسات مورد استفاده در اینجا برای زبان انگلیسی طراحی شده اند.

همچنین باید یک مدیرعامل با یک فید فعال توییتر داشته باشد.

حساب توییتر باید توسط توییتر تأیید شود ، اما برخی از استثنائات برای حسابهایی که در صورت برچسب زدن به آنها (که توسط یک حساب دیگر توسط نام کاربری توییتر خود به طور خاص) توسط حساب رسمی توییتر تأیید شده توسط شرکت مورد نظر انجام شده است ، تأیید نشده است. حساب توییتر همچنین نیاز به توییت کافی داشت ، بنابراین هر حساب با کمتر از 100 توییت رد شد. پس از اعمال این قوانین ، بیست و سه حساب باقی مانده است.

بیشتر مدیران از توییتر استفاده نمی کنند و بسیاری از کسانی که این کار را انجام می دهند ، به طور مرتب از آن استفاده نمی کنند تا داده های کافی را برای بررسی اثر ارائه دهند. برای یافتن شرکت های کافی برای تجزیه و تحلیل ، تصمیم گرفتیم به بزرگترین شرکت های موجود در فهرست S& P 500 نگاه کنیم. ما 200 شرکت (با سرمایه گذاری در بازار) را در لیست S& P 500 جستجو کردیم و 23 شرکت نیازهای ما را برآورده کردند (جدول 1 را ببینید).

اینها مدیرعامل شرکتهای آنها در اول ژانویه با استثنائات زیر بودند. Sundar Pichai از سال 2015 مدیرعامل Google بوده است ، اما Google یک شرکت تابعه Alphabet Inc است و Alphabet شرکتی است که به طور عمومی در بورس اوراق بهادار ذکر شده است. Sundar Pichai به دلیل اینكه او چهره عمومی این شركت حتی قبل از انتصاب مدیر عامل Alphabet در دسامبر سال 2019 بود و Google برند پرچمدار Alphabet Inc است ، كه دارای بیشتر الفبای مشهورترین و سودآور است (مانند یوتیوب است. و اندروید) بنابراین Sundar Pichai نماینده عمومی قابل قبول الفبای در کل دوره است. باب ایگر از دیزنی در تاریخ 25 فوریه به عنوان مدیرعامل کناره گیری کرد تا توسط باب چاپک جایگزین شود. با این حال ، ایگر در یک نقش ارشد به عنوان رئیس اجرایی در این شرکت باقی ماند ، اما به دلیل همه گیر Coronavirus Iger به نقش قبلی خود بازگشت تا به حرکت در بحران کمک کند. جولی شیرین از Accenture ، مدیر عامل شرکت Accenture در تجارت آمریکای شمالی و ویژگی های Forbes قدرتمندترین لیست زن از سال 2016 تا 2019 قبل از تصاحب مدیرعامل در سپتامبر 2019 بود و به دلیل مشخصات عمومی او و واقعیت قبلی در لیست ما گنجانده شده است. مدیر عامل شرکت توییتر نداشت. T-Mobile جان Legere را با مایک Sievert در اول آوریل 2020 جایگزین کرد و از آنجا که هر دو مرد حضور توییتر قابل قبولی داشتند ، مجموعه داده های ما از احساسات توییتر جان Legere تا روز تغییر استفاده می کند ، سپس از فعالیت توییتر Mike Sieverts برای بقیه دوره استفاده می کندبشرهمین روش برای عمر ایشراک و جفری مارتا از Medtronic استفاده شد و مارتا در آوریل 2020 جایگزین ایشراک شد.

انتخاب رهبران سیاسی برای گنجاندن

ما همچنین حساب های توییتر رهبران جهان را برای بررسی پیوند بین روسای دولت و شاخص های ملی درج کردیم. توییت های رئیس جمهور ترامپ در حال حاضر توجه زیادی را به خود جلب می کند ، بنابراین پنج اقتصاد مهم دیگر که انگلیسی در آن زبان اصلی انتخاب شده اند و توییت های سران دولت آنها با حرکات شاخص قیمت سهم مقایسه شده است ، که در جدول 2 ذکر شده است. بوریس جانسون نخست وزیر شدانگلیس در اواخر سال 2019 ، بنابراین امتیازات داده کمتری نسبت به اکثر مدیر عاملان و رهبران جهان دارد. به همین ترتیب ، لئو وارادکار در ژوئن سال 2020 توسط میشل مارتین به عنوان تائوئیزاچ جایگزین شد ، بنابراین چند نکته داده کمتر از سایرین وجود دارد.

انتخاب منابع جدید سنتی

از نظر تاریخی ، بهترین منبع اخبار مالی روزنامه ها بوده است ، با این که اکثر داستان های شکستن مدت ها قبل از حضور در رسانه های چاپی آنلاین می شوند. ما فرض کردیم که سرمایه گذاران خبری به احتمال زیاد تحت تأثیر انتشارات مالی قرار می گیرند. وب سایت ها و مقالات این سازمانها تمایل دارند که از متخصصان در حوزه خود استفاده کنند و با توجه به تعداد مقالات مورد نیاز برای نتیجه گیری ، جدا کردن مأموریت از خبرهای شکسته دشوار بود. برای مقابله با این موضوع ، ما دو منبع مختلف اخبار را بررسی خواهیم کرد ، یکی از یک وب سایت خبری مالی و دیگری از یک وب سایت خبری سنتی.

ما در اینجا یک نیاز داشتیم. که وب سایت برای دسترسی رایگان است. Forbes بزرگترین برند رسانه های تجاری جهانی در جهان است و ادعا می کند به بیش از 120 میلیون نفر در سراسر جهان برسد و به دلیل شهرت شدید آن برای اخبار تجاری و حضور شدید آنلاین آن انتخاب شد. برای اخبار سنتی ، این سایت باید در ایالات متحده مستقر شود و تمرکز خاصی بر امور مالی نداشته باشد. آسوشیتدپرس مستقر در نیویورک سیتی و شهرت دارد که سریع گزارش می دهد اخبار را گزارش می دهد و اغلب به عنوان منبع خبری اصلی برای سایر نشریات مورد استفاده قرار می گیرد و اغلب توسط سایر منابع خبری منتشر می شود. برای تمایز بین این دو منبع ، ما از AP News به عنوان News و Forbes به عنوان مأموریت یاد خواهیم کرد.

جمع آوری اطلاعات

ما از ابزارهای ساخته شده Google برای محدود کردن جستجوی مقالات خبری محدود به وب سایت های جداگانه (AP و Forbes) استفاده کردیم تا فقط نتایج را با یک کلمه خاص در عنوان و محدود کردن نتایج به یک دوره زمانی خاص درج کنیم. شرکت آمازون از مجموعه داده های ما به عنوان نام خود با جنگلهای بارانی آمازون حذف شد که به طور مکرر در دوره زمانی بین اول ژانویه 2019 و 15 ژوئیه 2020 به دلیل آتش سوزی های جنگلی در حال انجام است (ما سعی کردیم این دو مجموعه را تشخیص دهیمداستانها با حذف مقالاتی که عناوین حاوی کلمات کلیدی خاصی مانند "جیر" ، "بولسونارو" ، "آتش" و "سوزاندن" بودند ، اما داستانهای زیادی در مورد سوختگی ها آن را از طریق فیلتر ساخته اند). در موردی که چندین مقاله خبری در همان روز ظاهر شد ، ما آنها را در یک مقاله واحد برای تجزیه و تحلیل جمع کردیم.

برای جمع آوری توییت ها ، از یک سرویس رایگان ارائه شده توسط Vicinitas. io برای بارگیری 3200 توییت آخر برای هر مدیرعامل در مجموعه داده های ما استفاده شد [30]. بازتوییت ها باقی مانده اند زیرا اعتقاد بر این بود که بازتوییت های افراد دارای مشهور می توانند از نظر اخیر باشند ، مانند زمانی که رئیس جمهور ایالات متحده چهره های سیاسی بحث برانگیز را بازتولیت می کند ، بنابراین به دلیل بازتوییت امکان حرکت بازار وجود دارد. ما متن توییت و تاریخی را که از CSV ارسال شده است ، حفظ کردیم که توسط Vicinitas تولید می شود ، جایی که ، مشابه مقالات خبری ، همه توییت ها از همان روز در تهیه یک توییت واحد در آماده سازی برای تجزیه و تحلیل احساسات جمع شدند.

تجزیه و تحلیل احساسات

برای تجزیه و تحلیل احساسات ما از کتابخانه پایتون ، "کیت ابزار زبان طبیعی" یا NLTK استفاده کردیم ، که دارای یک ابزار تجزیه و تحلیل احساسات داخلی به نام Vader ("فرهنگ لغت آگاهانه و استدلال احساسات") است. واژگان تقاطع خوب بودن یا بد بودن آن است و Vader از فرهنگ لغت کلمات و مجموعه ای از قوانین استفاده می کند تا هر کلمه را با استفاده از آنچه به عنوان یک کیسه از کلمات گفته می شود ، تصمیم بگیرند. مدل کیف کلمات مورد استفاده در اینجا به سادگی یک مقدار را برای هر کلمه اعمال می کند و بر اساس نسبت کلمات مثبت به منفی تصمیم می گیرد. مدل های یادگیری ماشین وجود دارد که می توانند با بررسی کلمات پیرامون هر کلمه و به دنبال الگوهای دیگری که نشان دهنده معانی دیگر است ، زمینه را به خود اختصاص دهند. اینها از نظر تئوری مفید هستند اما اغلب برای استفاده در مجموعه داده های خاص نیاز به آموزش دارند.

وادر به دو دلیل انتخاب شد ، ابتدا سریع است و نیازی به آموزش ندارد ، زیرا این آموزش تحقیقاتی می تواند دقت را بهبود بخشد اما محدودیت های زمانی به این معنی است که این کار عملی نیست. یکی دیگر از مزایای مهم Vader این است که در داده های رسانه های اجتماعی آموزش دیده است ، بنابراین برای تجزیه و تحلیل داده های توییتر مفید است ، ایده آل برای توییت های جمع آوری شده ما. Vader یک فرهنگ لغت را با چهار مقدار ، "احساسات مثبت" (مجموع ارزش کلمات مثبت یعنی عالی ، درخشان) ، "احساسات خنثی" (جمع ارزشهای کلمات خنثی یعنی او ، آنها) ، "احساسات منفی" را برمی گرداند. از ارزش کلمات منفی یعنی ضعیف ، زباله) و "احساسات مرکب" (نسبت کلمات مثبت به منفی). نمره مرکب مقداری را بین (-1 ) و 1 باز می گرداند ، با (-1 ) بسیار منفی و 1 بسیار مثبت است. نمره مرکب به بهترین وجه نیازهای تجزیه و تحلیل را برآورده می کند ، بنابراین از آن استفاده می شود.

داده های اخبار ، Pundit و Tweets همه از طریق بسته Vader اجرا می شدند و نمرات ترکیب برای هر روز استخراج می شد. این یک قاب داده برای هر شرکت و کشور با خرما و سه امتیاز ، یکی برای اخبار ، مأموریت و توییت ها بازگشت.

محاسبه همبستگی

ما از ضریب همبستگی پیرسون برای محاسبه همبستگی بین دو متغیر استفاده می کنیم. این یک مقدار بی ن-1 و 1+ است که همبستگی خطی بین دو متغیر x و y را اندازه گیری می کند ، که از مقادیر n x و y تشکیل شده است. فرمول ضریب همبستگی پیرسون است

جایی که ( sigma ) انحراف استاندارد (در x و y) است ، ( rho ) به عنوان ضریب همبستگی جمعیت شناخته می شود ، در تحقیقات فعلی که ضریب همبستگی کلیه مقالات خبری مالی و کلیه سهام استحرکات قیمت که بدیهی است امکان پذیر نیست.

در تجزیه و تحلیل آماری ، ما به ندرت داده هایی در مورد کل جمعیت داریم ، بنابراین همبستگی محاسبه شده ضریب همبستگی نمونه است که توسط r مشخص شده است. ما از عملکرد "cor. text" در "R-Studio" برای محاسبه همبستگی هایی که در آن سه مقدار بازگردانده می شود ، یک مقدار R ، یک مقدار p و یک فاصله اطمینان است. از نمونه ای که سعی در محاسبه همبستگی جمعیت داریم ، به طور خاص آیا ضریب همبستگی جمعیت با 0. برای انجام این کار متفاوت است ، ما یک آزمون فرضیه را با فرضیه تهی و متناوب زیر انجام می دهیم

فرضیه تهی: H (_ 0 ): ضریب همبستگی جمعیت برابر است 0 ( ( rho = 0 ))

فرضیه جایگزین: H (_ 1 ): ضریب همبستگی جمعیت برابر نیست 0 ( ( rho ne 0 ))

ما آزمون فرضیه را در سطح اهمیت 95 ٪ انجام می دهیم ، به این معنی که اگر P ( hbox _1 ) را به نفع ( hbox _1 ) رد می کنیم ( hbox _0 ) را رد می کنیم.<0.05) , and do not reject (hbox _0) if p (>0. 05 ). از آنجا که ما تعداد نقاط داده موجود در نمونه و نمونه R را می دانیم ، می توانیم فرضیه تهی و متناوب را با استفاده از آمار آزمون زیر آزمایش کنیم.

این مقدار (t- ) سپس در برابر جداول آماری مورد بررسی قرار می گیرد تا یک مقدار p دریافت کند. ما نتایج خود را بر روی مقدار p محاسبه شده متمرکز خواهیم کرد. اگر P از 0. 05 بیشتر باشد ، شواهد کافی وجود ندارد که نشان می دهد میانگین جمعیت برابر نیست 0 ، بنابراین نمی توانیم بگوییم که هیچ ارتباطی وجود دارد. اگر P (

برای آزمایش جهت همبستگی (در صورت وجود) بین متغیرها ، ما از همبستگی متقاطع تاخیر زمان استفاده می کنیم که یک سری زمانی را به صورت تدریجی تغییر می دهد و همبستگی را هر بار اندازه گیری می کند. این نشان می دهد که آیا اخبار یا توییت ها پیش از حرکات در قیمت سهام پیروی می کنند. سری زمانی حرکت قیمت از منهای پنج روز به به علاوه پنج روز منتقل می شود ، بنابراین 11 ارزش همبستگی را برمی گرداند ، یکی برای همبستگی بین قیمت ها و احساسات پنج روز بعد ، یکی برای تغییرات قیمت و احساسات چهار روز دیررس ، وخیلی دیگراگر بالاترین همبستگی در مرکز باشد ، این نشان می دهد که این دو در همان روز هماهنگ هستند ، اما اگر همبستگی زودتر در یکی از سریال های زمانی قله کند ، این نشان می دهد که یک سری منجر به دیگری می شود.

نتایج

از آنجا که داده ها از بالای S& P 500 جمع آوری شده است ، و این شاخص با سرمایه گذاری در بازار وزن می شود ، عادلانه است که فرض کنیم این سهام تصویری معقول از بازار است. شاید جای تعجب آور نباشد که خود مدیرعامل توییتر ، جک دورسی ، در طول دوره زمانی فعال ترین است. با این حال جالب است که دومین و سومین صدای جیر جیر پرکار ، هانس وستبرگ و چاک رابینز ، هر دو تنها دو شرکت ارتباطات از راه دور در این لیست ، Verizon و Cisco را اداره می کنند. ما ابتدا داده های خلاصه ای از تعداد و احساسات داستانهای منتشر شده توسط هر دو منبع خبری را گرفتیم و آنها را مورد تجزیه و تحلیل قرار دادیم تا ببینیم آیا این دو با همبستگی دارند ، بررسی کنیم که آیا اولویت های خبری آنها یکسان است یا خیر و آیا همین داستانها با همان لحن گزارش می شوند.

تعداد داستانهای منتشر شده توسط AP News و Forbes (سمت چپ) و میانگین احساسات آنها (سمت راست) ، در مورد هر شرکت بین ژانویه 2019 و ژوئیه 2020 با خط رگرسیون

احساسات و فراوانی موارد خبری ، توییت

تعداد و احساسات داستانهای منتشر شده توسط هر دو منبع خبری در مجموعه داده های ما (Forbes and AP News) ، شکل 1 ، مورد تجزیه و تحلیل قرار گرفت و ما یک رابطه مثبت بین احساسات ( (R = 0. 69 ) ، (P = 0. 0033) پیدا کردیم.)) و فرکانس ( (r = 0. 69 ) ، (p = 0. 0028 )) از این دو نشریه ، بنابراین نتیجه می گیریم که Forbes و AP News تقریباً همان داستانها را به همان روش گزارش می دهند.

میانگین تعداد داستانهای منتشر شده توسط AP News (سمت چپ) و Forbes (سمت راست) ، در مقابل احساسات متوسط آن داستان ها

مجله کسب و کار ارتباط معنی داری بین تعداد داستان های منتشر شده و احساسات آنها ((R=-0. 38) ، (p=0. 15)) ندارد، در حالی که AP News بین این دو رابطه خطی منفی دارد ((R=-0. 53)، (p=0. 028))، شکل 2، به این معنی که هر چه داستان های بیشتری در مورد یک شرکت AP News منتشر کند، میانگین احساسات بدتر است. AP News در درجه اول با اخبار فوری سروکار دارد، بنابراین ممکن است دلیل اخبار مکرر در مورد یک شرکت، اخبار بد باشد و ضرب المثل قدیمی "بدون خبری خبر خوب است" را تأیید می کند. نمودار پراکنده تعداد توییت های یک مدیر عامل و احساسات میانگین آن ها، شکل 3، هیچ همبستگی معنی داری را نشان نداد ((R=-0. 3)، (p=0. 2)).

تعداد توییت ها برای هر مدیر عامل شرکت در بازه زمانی نسبت به میانگین امتیاز احساسات آنها

ما در نهایت آزمایش کردیم که آیا میانگین داده های احساسات برای هر شرکت با حداقل، میانگین و حداکثر حرکت برای هر شرکت مرتبط است و آیا تعداد توییت ها و مقالات در کل دوره بر حرکات تأثیر گذاشته است یا خیر و دو رابطه معنی دار بین بدترین روز معامله یافتیم. برای هر شرکت و میانگین احساس اخبار مالی و عادی. میانگین احساسات خبری برای هر شرکت از هر منبع به شدت با درصد حرکت قیمت در بدترین روز معاملات آنها همبستگی مثبت دارد ((R=0. 59) ، (p=0. 013)). مشخص نیست چه چیزی ممکن است باعث این اثر شود، ممکن است اخبار بدی که این منابع منتشر می کنند باعث می شود روزهایی که قیمت سهم بدترین ضربه را می خورد، یا شاید سقوط قیمت سهام باعث موجی از مطبوعات منفی شود که منجر بهبدتر شدن قابل توجه احساسات متوسط (شکل 4 و 5).

همبستگی احساسات با قیمت سهام

محاسبه همبستگی برای هر شرکت و انجام آزمایش T برای تعیین اینکه آیا تغییر قیمت سهام روزانه با احساسات در هر روز ارتباط دارد نشان می دهد که هیچ ارتباطی بین اخبار غیر مالی (AP) و حرکت روزانه قیمت وجود ندارد. توییتر همبستگی منفی کمی برای Medtronic ( (R = -0. 408 )) و سیسکو ( (R = -0. 14 )) نشان داد و مجله Forbes همبستگی بیشتری را نشان داد اما جهت آنقدر واضح نبود (Accenture ، (R= 0. 39 ) ، فعال سازی ، (r = -0. 44 ) ، Medtronic ، (r = -0. 602 ) و مایکروسافت ، (r = 0. 37 )). از آنجا که همبستگی علیت را نشان نمی دهد ، بنابراین ما فقط می توانیم دلیل آن را حدس بزنیم. ما به نوسانات قیمت و یک مطالعه طولانی تر نگاه نکردیم که نشان می داد موارد اخبار مبتنی بر مالی با نوسانات قیمت سهام ارتباط جدی دارند [28 ، 29]. در زمان آشفتگی ، هنگامی که نوسانات زیاد است ، مشاهده شده است که خلق و خوی عمومی باعث تغییر در قیمت سهام می شود [22].

ارتباطاتی بین چهار شرکت در ارتباط با Forbes ، جدول 3 وجود دارد. Medtronic و Accenture در بخش های مختلف صنعت هستند ، اما هر دو در دوبلین ایرلند مستقر هستند ، اگرچه این امر در درجه اول به دلایل مالیاتی است که هر دو در آمریکای شمالی فعال هستند. مایکروسافت و اکتیویژن هر دو مهمترین حضور در صنعت بازی های ویدیویی هستند ، و ممکن است این اتفاق بیفتد که صنعت بازی های ویدیویی نسبت به اخبار حساس است زیرا درآمد آن کاملاً وابسته به رضایت عمومی از محصولات آنها است ، اما بازی "Xbox" مایکروسافت فقط به حساب می آید10 ٪ از درآمد و همبستگی آن به شدت منفی است. هیچ ارتباط واضحی بین سیسکو و Medtronic وجود ندارد ، هر دو در صنایع کاملاً متفاوتی هستند و مدیرعامل آنها نام خانوادگی ندارند ، بنابراین یک بار دیگر الگوی مشخصی وجود ندارد.

با توجه به ارتباط بین Medtronic و Accenture ، از ما پرسیدیم که آیا عملکرد اقتصادی با اخبار و فعالیت توییتر رئیس دولت در ارتباط است و ما هیچ ارتباطی قابل توجهی برای انگلستان ، کانادا ، نیوزیلند و استرالیا در توییتر پیدا نکردیم ، AP News، یا Forbes ، جدول 4 ، با این حال ، ما ارتباط معنی داری بین ایرلند و فوربس پیدا کردیم ، با مقدار R 0. 6388 ، که نشانگر یک همبستگی بسیار قوی است. این جالب به نظر می رسد ، به ویژه با توجه به همبستگی معنی داری بین دو شرکت مقر در ایرلند و فوربس. فوربس یک انتشارات مستقر در ایالات متحده است و هرگونه خبرهای مهم در مورد اقتصاد ایرلند احتمالاً در ایرلند اولین بار خواهد بود. نرخ مالیات کم تجارت در ایرلند و دسترسی به بازار اتحادیه اروپا ، این یک چشم انداز جذاب برای بیشتر مشاغل خارج از اروپا برای دفتر مرکزی تجارت اروپایی خود است. فوربس احتمالاً در درجه اول به اخبار ایرلند علاقه مند است که می تواند چنین مشاغل مستقر در ایالات متحده را تحت تأثیر قرار دهد و این یک دلیل احتمالی است که گزارش های تجاری ممکن است رابطه قوی تری با ایرلند نسبت به سایر کشورها داشته باشد. این احتمال وجود دارد که برای یک داستان مورد علاقه Forbes باشد ، باید به اندازه کافی بر مشاغل تأثیر بگذارد تا بازار واکنش نشان دهد ، و فوربس تا زمانی که تأثیرات داستان (مانند حرکات قیمت) وجود داشته باشد ، علاقه ای نخواهد داشتنمد. این حدس و گمان است اما اطلاعات کافی برای تعیین علت وجود ندارد.

همبستگی با زمان

وقتی به همبستگی های متقاطع زمان برای شرکتهایی که ارتباط بین تغییر قیمت و اخبار نشان می دهد ، هیچ الگوی مشخصی ندیده ایم. ما برخی از نکات را مشاهده کردیم که وقتی این خبر پیش از تغییر قیمت سهام ، ضرایب همبستگی بالاتری نسبت به زمان تغییر قیمت سهام وجود دارد ، نشان می دهد که احساسات پوشش رسانه ای و فعالیت توییتر باعث تغییر در قیمت سهام می شود و نه قیمترانندگی پوشش

این امکان وجود دارد که برای شرکت هایی که همبستگی ندارند ، همبستگی تاخیر داشته باشد. بررسی شرکتهای بیشتر برای همبستگی متقابل زمان ، یک منطقه امیدوار کننده برای تحقیقات آینده است.

سال 2019 یک زمان نسبتاً پایدار برای بازار سهام بود. هیچ انتخابات عمده ای در ایالات متحده وجود نداشت و بحران Covid-19 برای بیشتر جهان آغاز نشده بود. این در S& P 500 به دلیل بزرگترین افزایش ماهانه و سقوط ماهانه به ترتیب 6. 89 ٪ و 6. 58 ٪ منعکس شده است. این برخلاف سال 2020 است که در آن بحران COVID-19 منجر به زمان آشفتگی اقتصادی با اخراج گسترده و کمک های مالی دولت در اکثر اقتصادهای مهم شده است که بیشترین افزایش ماهانه و سقوط ماهانه 12. 68 ٪ و 12. 51 ٪ در ارزش شاخص ها بود.

اکنون ما بررسی می کنیم که آیا این تلاطم اقتصادی بر تجزیه و تحلیل ما تأثیر می گذارد یا خیر. مجموعه داده برای کل دوره زمانی شامل 386 روز معاملات بود. 252 روز در سال 2019 و 134 در سال 2020. برای سال 2019 ، تنها اکتیویژن بین تغییر قیمت روزانه و احساسات اخبار در آن روز ارتباط معنی داری دارد. ما همچنین اولین رابطه مهم برای اخبار غیر مالی ، بین Verizon و AP News را مشاهده می کنیم. فعالیت توییتر تأثیر معنی داری بر کسی ندارد که نشان می دهد در زمان عادی ، تجزیه و تحلیل احساسات توییتر ممکن است از این کار استفاده نکند.

بازده نسبی سال 2019 تنها نتیجه قابل توجهی برای Verizon اما در تمام منابع (توییتر ، اخبار AP و مقالات خبری فنی) نشان می دهد. Verizon به طور متوسط بدترین شرکت در دوره ای بود که ما به آن نگاه کردیم و این ممکن است باعث شود سرمایه گذاران ناراحت کننده و ارتجاعی نسبت به هرگونه تأثیر خارجی داشته باشند. باز هم ، هیچ الگوی مشخصی در همبستگی های تاخیر در زمان وجود نداشت. همبستگی ها در روز انتشار مهمترین است ، نشان می دهد که تأثیر این خبر کوتاه است ، اما نشانه ای از همبستگی قبل و بعد از انتشار وجود دارد.

ما در سال 2020 بین حرکت روزانه قیمت در مقابل احساسات در آن روز همبستگی بیشتری پیدا کردیم. یک بار دیگر دلیل مشخصی برای این رابطه وجود ندارد ، اما با وجود یک پنجم شرکت های منتخب که با Forbes قابل پیش بینی هستند ، عادلانه است که بگوییم احتمالاً در پیش بینی استفاده از اخبار مالی وجود دارد. همچنین نشان می دهد که بازارها بیشتر به اخبار در دوره هایی با نوسانات بالا علاقه مند هستند که منطقی خواهد بود ، اگر مدل های عادی به دلیل عدم اطمینان کار نکنند ، ممکن است بازار ارتجاعی بیشتری پیدا کند.

همبستگی متقاطع زمان برای شرکت هایی که همبستگی جمعیت برابر با 0 نیست (بازده واقعی). توطئه ها مقادیر همبستگی بین جنبش و احساسات را تا 5 روز در هر دو طرف انتشار اخبار نشان می دهد. هیچ الگوی مشخصی برای این نتایج وجود ندارد