وابستگی ها موسسه IMT برای مطالعات پیشرفته، Piazza San Francesco 19, 55100 Lucca, Italy, Istituto dei Sistemi Complessi (ISC), Via dei Taurini 19, 00185 Rome, Italy, London Institute for Mathematical Sciences, 35a South St. Mayfair, LondonF W1K .، انگلستان

وابستگی موسسه جوزف استفان، جامووا 39، 1000 لیوبلیانا، اسلوونی

وابستگی موسسه جوزف استفان، جامووا 39، 1000 لیوبلیانا، اسلوونی

اثرات احساسات توییتر بر بازده قیمت سهام

• گابریل رانکو،
• دارکو الکسوفسکی،
• گیدو کالدارلی،
• میها گرچار،
• ایگور موزیتیچ

• تاریخ انتشار: 31 شهریور 1394
• https://doi.org/10. 1371/joual. pone. 0138441

• نظرات خوانندگان

ارقام

چکیده

رسانه های اجتماعی به طور فزاینده ای رفتار سیستم های پیچیده دیگر را منعکس می کنند و بر آنها تأثیر می گذارند. در این مقاله ما به بررسی روابط بین یک پلت فرم میکروبلاگینگ معروف توییتر و بازارهای مالی می پردازیم. به طور خاص، ما در یک دوره 15 ماهه، حجم و احساسات توییتر را در مورد 30 شرکت سهامی که شاخص میانگین صنعتی داوجونز (DJIA) را تشکیل می دهند، در نظر می گیریم. ما یک همبستگی پیرسون و علیت گرنجر نسبتاً پایینی را بین سری های زمانی متناظر در کل دوره زمانی پیدا کردیم. با این حال، وابستگی قابل توجهی بین احساسات توییتر و بازده غیرعادی در طول اوج حجم توییتر پیدا کردیم. این نه تنها برای اوج های مورد انتظار حجم توییتر (به عنوان مثال، اطلاعیه های فصلی)، بلکه برای پیک هایی که مربوط به رویدادهای کمتر آشکار است نیز معتبر است. ما این روش را با تطبیق "مطالعه رویداد" معروف از اقتصاد و امور مالی به تجزیه و تحلیل داده های توییتر رسمی می کنیم. این روش امکان شناسایی خودکار رویدادها را به عنوان اوج حجم توییتر، محاسبه احساسات غالب (مثبت یا منفی) بیان شده در توییت ها در این اوج ها، و در نهایت استفاده از روش «مطالعه رویداد» برای مرتبط کردن آنها با بازده سهام را فراهم می کند. ما نشان می دهیم که قطبیت احساسات قله های توییتر نشان دهنده جهت بازده های غیرعادی تجمعی است. مقدار بازده غیرعادی تجمعی نسبتاً کم است (حدود 1-2٪)، اما این وابستگی از نظر آماری برای چند روز پس از رویدادها معنی دار است.

نقل قول: Ranco G, Aleksovski D, Caldarelli G, Grchar M, Mozetič I (2015) تأثیرات احساسات توییتر بر بازده قیمت سهام. PLoS ONE 10(9): e0138441. https://doi.org/10. 1371/joual. pone. 0138441

ویراستار: توبیاس پریس، دانشگاه وارویک، انگلستان

دریافت: 12 خرداد 1394; پذیرش: 31 مرداد 1394; تاریخ انتشار: 31 شهریور 1394

حق چاپ: © 2015 Ranco et al. این یک مقاله با دسترسی آزاد است که تحت شرایط Creative Commons Attribution License توزیع شده است که استفاده، توزیع و تکثیر نامحدود در هر رسانه را مجاز می کند، مشروط بر اینکه نویسنده و منبع اصلی درج شده باشند.

در دسترس بودن داده ها: داده های مورد استفاده در مطالعه موجود، از جمله احساسات توییتر DJIA30 و داده های قیمت بسته، که برای تحلیل ها استفاده می شود، در http://dx. doi.org/10. 6084/m9. figshare. 1533283 موجود است.

بودجه: همه نویسندگان حمایت از پروژه های EC SIMPOL شماره را تأیید می کنند. 610704، MULTIPLEX شماره. 317532، و DOLFINS شماره. 640772. GC همچنین پشتیبانی از پروژه های EC را تایید می کند SoBigData no. 654024 و شماره CoeGSS676547. DA، MG، و IM همچنین حمایت از برنامه ARRS اسلوونی را تایید می کنند. P2-103. سرمایه گذاران هیچ نقشی در طراحی مطالعه، جمع آوری و تجزیه و تحلیل داده ها، تصمیم گیری برای انتشار، یا تهیه نسخه خطی نداشتند.

منافع رقابتی: نویسندگان اعلام کرده اند که هیچ منافع رقیب وجود ندارد.

مقدمه

انقلاب تکنولوژیکی اخیر با حضور گسترده کامپیوترها و اینترنت، وضعیت بی سابقه ای از سیل داده ها را به وجود آورده است و نحوه نگاه ما به علوم اجتماعی و اقتصادی را به طرز چشمگیری تغییر داده است. افزایش مداوم استفاده از اینترنت به عنوان منبع اطلاعات، مانند اخبار تجاری یا سیاسی، باعث افزایش فعالیت آنلاین مشابهی شد. تعامل با سیستم های فن آوری، مجموعه های داده عظیمی را ایجاد می کند که رفتار جمعی را به شیوه ای که قبلاً غیرقابل تصور بود، مستند می کند [1، 2]. در نهایت، در این مخزن وسیع فعالیت اینترنتی می توان به علایق، نگرانی ها و نیات جمعیت جهان در رابطه با پدیده های مختلف اقتصادی، سیاسی و فرهنگی پی برد.

در میان بسیاری از زمینه های کاربرد جمع آوری، تحلیل و مدل سازی داده ها، ما در اینجا یک مطالعه موردی در مورد سیستم های مالی ارائه می کنیم. ما معتقدیم که جنبه های اجتماعی که توسط شبکه های اجتماعی اندازه گیری می شوند، به ویژه برای درک گردش مالی مفید هستند. در واقع، سرایت مالی و در نهایت، بحران ها اغلب ناشی از پدیده های جمعی مانند گله داری در میان سرمایه گذاران (یا در موارد شدید، وحشت) هستند که پیچیدگی ذاتی سیستم مالی را نشان می دهند [3]. بنابراین، امکان پیش بینی رفتار جمعی غیرعادی سرمایه گذاران بسیار مورد توجه سیاستگذاران است [4-6] زیرا ممکن است در صورت لزوم، امکان مداخله سریع تر را فراهم کند.

دولت از هنر. ما به طور خلاصه تحقیقات پیشرفته ای را بررسی می کنیم که همبستگی بین داده های وب و بازارهای مالی را بررسی می کند. سه کلاس اصلی داده در نظر گرفته شده است: اخبار وب ، نمایش داده های موتور جستجو و رسانه های اجتماعی. با توجه به اخبار ، رویکردهای مختلفی انجام شده است. آنها مطالعه می کنند: (i) ارتباط اخبار برون زا با حرکات قیمت [7] ، (ب) واکنش قیمت سهام به اخبار [8 ، 9] ؛(iii) روابط بین ذکر یک شرکت در اخبار مالی [10] ، یا بدبینی رسانه ها [11] و حجم معاملات.(IV) رابطه بین احساسات اخبار ، درآمد و پیش بینی بازگشت [12] ، (v) نقش اخبار در اقدامات معاملاتی [13] ، به ویژه فروشندگان کوتاه [14] ؛(vi) نقش اخبار کلان اقتصادی در بازده سهام [15] ؛و سرانجام (vii) واکنش های بازار با فرکانس بالا به اخبار [16].

چندین تجزیه و تحلیل در مورد پرس و جوهای موتور جستجو وجود دارد. رابطه بین تعداد روزانه پرس و جو برای یک سهام خاص و حجم معاملات روزانه همان سهام توسط [17-19] مورد مطالعه قرار گرفته است. تجزیه و تحلیل مشابهی برای نمونه ای از سهام Russell 3000 انجام شد ، که در آن افزایش پرس و جو در دو هفته آینده قیمت سهام بالاتر را پیش بینی می کند [20]. داده های پرس و جو موتور جستجو از Google Trends برای ارزیابی ریسک پذیری سهام استفاده شده است [21]. برخی از نویسندگان دیگر از Google Trends برای پیش بینی حرکات بازار استفاده کردند [22]. همچنین ، داده های پرس و جو موتور جستجو به عنوان یک پروکسی برای تجزیه و تحلیل توجه سرمایه گذار مربوط به پیشنهادات عمومی اولیه (IPO) استفاده شده است [23].

با توجه به رسانه های اجتماعی ، توییتر در حال تبدیل شدن به یک بستر میکروبلاگینگ به طور فزاینده ای است که برای پیش بینی مالی استفاده می شود [24-26]. یک خط تحقیق رابطه بین حجم توییت ها و بازارهای مالی را بررسی می کند. به عنوان مثال ، [27] بررسی کرد که آیا تعداد روزانه توییت ها شاخص های سهام S& P 500 را پیش بینی می کند. خط تحقیق دیگری به بررسی محتوای توییت می پردازد. در یک رویکرد تجزیه و تحلیل متنی به داده های توییتر ، نویسندگان روابط واضحی بین شاخص های خلق و خو و میانگین صنعتی داو جونز (DJIA) می یابند [28-30]. در [31] ، نویسندگان نشان می دهند که احساسات توییتر برای پنج شرکت خرده فروشی از نظر آماری با بازده سهام و نوسانات ارتباط معنی داری دارد. یک مطالعه جدید [32] محتوای اطلاعاتی از احساسات و حجم توییتر را از نظر تأثیر آنها بر قیمت سهام آینده مقایسه می کند. نویسندگان با وضوح ساعتی ، داده های توییتر و قیمت داخل روز را نشان می دهند و نشان می دهند که احساسات توییتر حاوی اطلاعات قابل توجهی بیشتر در مورد قیمت ها نسبت به حجم توییتر است. آنها از آمار سختگیرانه ای استفاده می کنند که در کل دوره سه ماه به حجم نسبتاً بالایی از توییت نیاز دارند و در نتیجه ، فقط 12 ابزار مالی از آزمون عبور می کنند.

انگیزهبا وجود کیفیت بالای مجموعه داده های مورد استفاده ، سطح همبستگی تجربی بین سری زمانی مالی مشتق شده از قیمت سهام و سری زمانی مشتق از وب محدود است ، به خصوص هنگامی که از تجزیه و تحلیل متنی پیام های وب استفاده می شود. این مشاهده نشان می دهد که رابطه بین این دو سیستم پیچیده تر است و یک اندازه گیری ساده از همبستگی برای ضبط پویایی تعامل بین دو سیستم کافی نیست. این امکان وجود دارد که این دو سیستم فقط در بعضی از لحظه های تکامل خود وابسته باشند و نه در کل دوره زمانی.

در این مقاله ، ما رابطه بین بازده قیمت سهام و احساسات بیان شده در توییت های مالی ارسال شده در توییتر را بررسی می کنیم. ما مجموعه ای از توییت های جمع آوری شده و حاشیه نویسی را در مورد 30 شرکت DJIA که قبلاً ذکر شده اند ، تجزیه و تحلیل می کنیم. برای هر یک از این شرکت ها ، ما یک سری زمانی از احساسات بیان شده در توییت ها را با وضوح روزانه ایجاد می کنیم ، همانطور که در آثار قبلی مشاهده شده است ، برای تقلید از اثر خرد و جمع طراحی شده است. به عنوان اولین تجزیه و تحلیل ، ما همبستگی پیرسون بین سری زمان بازگشت قیمت و سری زمانی احساسات حاصل از توییت ها را محاسبه می کنیم. ما همچنین یک تست علیت Granger [33] را برای مطالعه قدرت پیش بینی سری زمانی توییتر انجام می دهیم. هنگام در نظر گرفتن کل دوره 15 ماهه ، مقادیر همبستگی پیرسون کم است و فقط چند شرکت از آزمون علیت گرنجر عبور می کنند.

به منظور تشخیص وجود یک همبستگی قوی تر ، حداقل در برخی از بخش های سری زمانی ، ما رابطه بین بازده قیمت سهام و احساسات توییتر را از طریق تکنیک "مطالعه رویداد" در نظر می گیریم [34 ، 35] ، که در اقتصاد شناخته شده استو امور مالیاین تکنیک به طور کلی برای تأیید اینکه آیا محتوای احساسات اعلامیه های درآمد اطلاعات مفیدی را برای ارزیابی شرکت ها منتقل می کند ، استفاده شده است. در اینجا ما یک رویکرد مشابه را اعمال می کنیم ، اما به جای استفاده از اعلامیه درآمدها ، از احساسات کل بیان شده در توییت های مالی استفاده می کنیم.

مشارکتهابا محدود کردن تجزیه و تحلیل ما به دوره های زمانی کوتاه تر در اطراف "وقایع" ، ما بین احساسات توییتر و بازده سهام رابطه آماری معنی داری پیدا می کنیم. این نتایج مطابق با ادبیات موجود در مورد محتوای اطلاعات درآمد است [34 ، 35]. یک مطالعه مرتبط اخیر [36 ، 37] ، همچنین روش "مطالعه رویداد" را در مورد داده های توییتر اعمال می کند. نویسندگان همانطور که انجام می دهیم به نتیجه گیری های مشابه می رسند: داده های توییتر مالی ، هنگام در نظر گرفتن حجم و احساسات توییت ، از نظر آماری تأثیر قابل توجهی در بازده سهام دارند. جالب است که دو مطالعه مستقل ، به بهترین دانش ما اولین اقتباس از "مطالعه رویداد" با داده های توییتر ، نتیجه گیری را تأیید می کنند.

در این مقاله یک مطالعه تکمیلی به [36] ارائه شده است و از یک مجموعه آزمایشی کمی متفاوت استفاده می کند. در این مطالعات از مجموعه های جداگانه سهام (S& P 500 در مقابل DJIA 30) ، ویندوزهای زمان غیر همپوشانی (ژانویه-ژوئن 2010 در مقابل ژوئن 2013-سپتامبر 2014) ، تکنیک های مختلف طبقه بندی احساسات (ماشین های ساده لوح در مقابل دستگاه بردار پشتیبانی) استفاده می شود. الگوریتم های تشخیص رویداد و آمار مختلف برای آزمایش اهمیت. ما به تفاوت های بین دو مطالعه در بخش های مناسب مقاله اشاره می کنیم. با وجود تفاوت های روش شناختی ، می توانیم نتایج اصلی گزارش شده در [36] را تا حد زیادی تأیید کنیم. از این منظر ، یکی از مشارکتهای این کار در ارائه شواهد حتی بیشتر ، در یک دوره زمانی طولانی تر ، برای نتیجه گیری در هر دو مطالعه است.

سهم دوم این است که سری زمانی احساسات توییتر در دسترس عموم قرار می گیرد. آنها می توانند نه تنها برای اعتبارسنجی نتایج ما بلکه برای انجام مطالعات اضافی که لزوماً از همان روش پیروی نمی کنند ، استفاده شود. این مجموعه داده به فرد اجازه می دهد تا تجمع احساسات مختلف ، وقایع مختلف (نقاط در زمان) و اثرات مختلف پس از رویداد (مانند رانش ، وارونگی و تغییر در نوسانات را به جای بازده غیر طبیعی) مطالعه کند.

سهم سوم ، در مقایسه با [36] ، استفاده از طبقه بندی کننده احساسات با کیفیت بالا و ارزیابی واقع گرایانه از عملکرد آن است. طبقه بندی کننده احساسات ما در یک مجموعه آموزش بسیار بزرگتر (2500 در مقابل بیش از 100،000 توییت حاشیه نویسی در مورد ما) آموزش داده شد و به طور جامع ارزیابی شد. این منجر به عملکردی شد که با توافق بین کارشناسان مالی مطابقت داشته باشد. حاشیه نویسی انسانی چنین تعداد زیادی از توییت ها نسبتاً گران است. با این حال ، چندین مزیت وجود دارد. در مرحله اول ، مقدار قابل توجهی از توییت ها می توانند دو بار توسط دو حاشیه نویسی مختلف حاشیه نویسی شوند تا بتوانند توافق نامه بین حاشیه نویسی را محاسبه کنند و در نتیجه محدودیت بالایی در عملکرد ایجاد کنند. دوم ، نیازی به جمع آوری واژگان خاص دامنه نیست ، زیرا فرآیند حاشیه نویسی خود دامنه و زبان خاص است. سوم ، هنگامی که مجموعه ای از توییت های به اندازه کافی یک برچسب احساسات اختصاص داده شود ، ساخت طبقه بندی کننده خودکار می شود و مدل های احساسات خاص دامنه برای پردازش در زمان واقعی در دسترس هستند.

ما قبلاً از همان روش طبقه بندی احساسات در حوزه های مختلف استفاده کرده ایم ، مانند: (i) برای مطالعه پویایی عاطفی نظرات فیس بوک در تئوری های توطئه (به زبان ایتالیایی) [38] ، (ii) برای مقایسه احساسات متکی به جوامع مختلف شبکهبه سمت موضوعات مختلف زیست محیطی [39] ، و (iii) برای نظارت بر احساسات در مورد احزاب سیاسی قبل و بعد از انتخابات (به زبان بلغاری) [40].

تجزیه و تحلیل ما روی 30 سهام شاخص DJIA انجام شده است. داده های سهام برای مدت 15 ماه بین سالهای 2013 تا 2014 جمع آوری شده است. لیست تیک سهام سهام مورد بررسی در جدول 1 نشان داده شده است. در تجزیه و تحلیل ما رابطه بین داده های بازار/بازار و داده های توییتر را بررسی می کنیم. جزئیات هر دو در قسمت باقیمانده این بخش آورده شده است.< Span> ما قبلاً از همان روش طبقه بندی احساسات در حوزه های مختلف استفاده کرده ایم ، مانند: (i) برای مطالعه پویایی عاطفی نظرات فیس بوک در تئوری های توطئه (به زبان ایتالیایی) [38] ، (ii) برای مقایسه احساسات تکیه دادنجوامع مختلف شبکه به سمت موضوعات مختلف زیست محیطی [39] ، و (iii) برای نظارت بر احساسات در مورد احزاب سیاسی قبل و بعد از انتخابات (به زبان بلغاری) [40].