بازده بازار سهام بهبود یافته از تجارت منظم اخبار نادر

در این مقاله این فرضیه را آزمایش می کنیم که سرمایه گذاران در شرکت ها بیشتر به رویدادهای خبری که به ندرت مشاهده می شوند واکنش نشان می دهند.

این فرضیه براساس این ایده است که اخبار "سخت" که تأثیر مادی بر ارزش گذاری یک شرکت دارد ، مانند فعالیت M& A یا تحلیلگر و تغییر رتبه بندی اعتبار ، کمتر از اخبار "نرم" مانند نشانه های تحلیل فنی ، نظرات و نظرات و نظرات ، ومعاملات خودی.

علاوه بر این ، ما می خواهیم بعد از گزارش یک رویداد ، تأثیر حاشیه ای از پوشش خبری را اندازه گیری کنیم. یعنی با توجه به ادامه پوشش یک رویداد شرکت ، تأثیر مقالات خبری مشابه چقدر سریع کاهش می یابد؟

خلاصه اجرایی:در این تحقیق ، ما این فرضیه را آزمایش می کنیم که سرمایه گذاران در سهام نسبت به رویدادهای خبری که کمتر مکرر هستند واکنش نشان می دهند. ما از "اندازه گیری شکاف شباهت رویداد" Ravenpack معرفی شده در مجموعه داده های RPNA نسخه 4. 0 که اخیراً راه اندازی شده است ، استفاده می کنیم ، که تعداد روزهایی را از زمان شناسایی یک خبر مشابه اندازه گیری می کند. ما می دانیم که شکاف شباهت رویداد در فیلتر کردن رویدادهای خبری مکرر ، اغلب تأثیرگذار ، به طور خاص مفید است:

• فیلتر کردن رویدادهای خبری با شکاف شباهت بیش از 90 روز به طور قابل توجهی استراتژی های طولانی/کوتاه را برای راسل 2000 و 3000 ساخته شده بر روی نشانگر احساسات شرکت ما بهبود می بخشد.
• این تأثیر عمیق ترین در راسل 2000 است ، جایی که می بینیم که نسبت شارپ از 1. 03 به 1. 43 در دوره از ژانویه 2007 تا آگوست 2014 بهبود می یابد (شکل زیر را ببینید).
• فیلتر شکاف شباهت سهم مثبتی در عملکرد اخیر ، به ویژه 2013/2014 دارد ، با بهبود حداکثر 65 ٪ در نسبت سالانه شارپ.

معرفی

در این مقاله این فرضیه را آزمایش می کنیم که سرمایه گذاران در شرکت ها بیشتر به رویدادهای خبری که به ندرت مشاهده می شوند واکنش نشان می دهند. این فرضیه براساس این ایده است که اخبار "سخت" که تأثیر مادی بر ارزش گذاری یک شرکت دارد ، مانند فعالیت M& A یا تحلیلگر و تغییر رتبه بندی اعتبار ، کمتر از اخبار "نرم" مانند نشانگرهای تحلیل فنی ، نظرات و نظرات و نظرات ، و نظرات و عقاید اعتباری اتفاق می افتد. معاملات خودی. علاوه بر این ، ما می خواهیم بعد از گزارش یک رویداد ، تأثیر حاشیه ای از پوشش خبری را اندازه گیری کنیم. یعنی با توجه به ادامه پوشش یک رویداد شرکت ، تأثیر مقالات خبری مشابه چقدر سریع کاهش می یابد؟

برای آزمایش این فرضیه ، ما از یک اندازه گیری جدید از تازگی معرفی شده در RavenPack News Analytics (RPNA) نسخه 4. 0 به نام شکاف شباهت رویداد استفاده می کنیم که تعداد روزها را از زمان شناسایی یک رویداد مشابه برای یک شرکت اندازه گیری می کند. مفهوم شکاف شباهت با افزایش دوره اندازه گیری از 24 ساعت به یک دوره بسیار طولانی تر از 100 روز ، با اندازه گیری تازگی سنتی در RPNA به نام Event Noventy Score (ENS) متفاوت است. شکاف شباهت رویداد بیش از یک چرخه درآمد سه ماهه معمولی است که به یک مؤلفه مهم فصلی در چرخه خبری می پردازد. ما معتقدیم که این اندازه گیری ابزاری مفید برای فیلتر کردن اخبار بی اهمیت است که باعث افزایش سر و صدای بیشتر از اطلاعات می شود.

بر اساس نسخه RPNA 4. 0 ، ما شواهدی را می یابیم که اخبار با شکاف شباهت طولانی تر معمولاً حاوی اطلاعات قابل توجهی تر از اخبار با شکاف شباهت کوتاه تر است. به عنوان مثال ، "اطلاعات تحلیلگر" ، "اعتبار اعتبار" و اخبار "بازاریابی" برای همان نهاد تمایل دارند که به ندرت گزارش شوند. در حالی که اخبار "تعادل سفارش" و "تجزیه و تحلیل فنی" پوشش بسیار فشرده تری دریافت می کنند.

به طور خاص ، فیلتر کردن رویدادهای خبری با شکاف شباهت بیشتر از 90 روز ، استراتژی معاملاتی طولانی/کوتاه ما را که بر روی نشانگر قدرت احساسات شرکت ما (SSI) برای سهام راسل 3000 و به ویژه برای سهام Russell 2000 ساخته شده است ، بهبود می بخشد. برای استراتژی معاملاتی ساخته شده با استفاده از SSI برای RPNA Full Edition2 ، فیلتر شکاف شباهت نسبت شارپ را از 1. 03 به 1. 43 برای سهام Russell 2000 افزایش می دهد - این دوره را از ژانویه 2007 تا آگوست 2014 پوشش می دهد. جالبتر از همه ، می فهمیم که سهم مثبتعملکرد معاملات عمدتاً در سالهای اخیر از جمله 2013 و 2014 مشاهده می شود.

در بخش زیر ، ما یک نمای کلی از داده های مورد استفاده در این مقاله ارائه می دهیم. در بخش 3 ، ما قدرت پیش بینی بازده شاخص های احساسات شرکت خود را با شکاف شباهت 10 ، 10 90 مقایسه می کنیم. سرانجام ، در بخش 4 نتیجه گیری های خود را ارائه می دهیم.

از درخواست شما متشکریم!

لطفا از ایمیل تجاری خود استفاده کنید. اگر یکی ندارید ، لطفاً به ما در [email protected] ایمیل کنید.

ما داده های شخصی شما را با هدف مدیریت حساب شخصی شما در Ravenpack و ارائه خدمات خود پردازش خواهیم کرد. شما می توانید از طریق ایمیل به ما در حریم خصوصی آدرس [email protected] ، حقوق دسترسی ، تصحیح ، پاک کردن ، محدودیت پردازش ، قابلیت حمل و نقل و اعتراض خود را اعمال کنید. برای اطلاعات بیشتر می توانید خط مشی رازداری ما را بررسی کنید.

درخواست شما ضبط شده است و یکی از اعضای تیم به زودی در تماس خواهد بود.

داده های داده

بیشتر بخوانید

1 دسامبر 2022

استفاده از داده های احساسات برای ایجاد یک استراتژی تخصیص مبتنی بر تورم

تورم بالا پس از گذشت چندین دهه از دروغ ، در بازارهای توسعه یافته بازگردانده شده است. در آخرین مقاله ما ، ما نشان می دهیم که چگونه می توان یک استراتژی تخصیص دارایی مبتنی بر تورم را با استفاده از داده های احساسات ایجاد کرد و نشان می دهیم که استراتژی های مبتنی بر احساسات بهتر از مدل هایی هستند که صرفاً به مقادیر تورم مشاهده شده گذشته بستگی دارند.

8 نوامبر 2022

سمپوزیوم تحقیقاتی Ravenpack 2022 - غذای اصلی

سمپوزیوم تحقیقاتی Ravenpack امسال دو روز به اشتراک گذاری شدید دانش در لندن و نیویورک را از 25 متخصص برتر در پردازش زبان طبیعی ، سرمایه گذاری کمی و یادگیری ماشین به همراه آورد. با هم ، ما بررسی کردیم که چگونه بنگاه ها می توانند از مدل های جدید زبان برای تولید آلفا استفاده کنند ، ریسک بهتری را مدیریت کرده و به خواستار شیوه های سرمایه گذاری پایدار پاسخ دهند.

24 اکتبر 2022

Generation Alpha با Ravenpack Analytics

سرمایه انسانی در قلب آفرینش ارزش است. آخرین تحقیقات ما نشان می دهد که چگونه بینش های بی سابقه نیروی کار ، که از بیش از 200 میلیون پست شغلی تهیه شده است ، می تواند آلفا بیشتری ایجاد کند.

اجازه دهید داده ها تصمیمات شما را هدایت کنند

Ravenpack ارائه دهنده پیشرو در مورد بینش و فناوری برای شرکت های داده محور ، از جمله موفق ترین صندوق های تامینی ، بانک ها و مدیران دارایی در جهان است.