全部版块 我的主页
论坛 经济学人 二区 外文文献专区
958 13
2022-05-05
英文标题:
《News Cohesiveness: an Indicator of Systemic Risk in Financial Markets》
---
作者:
Matija Pi\\v{s}korec, Nino Antulov-Fantulin, Petra Kralj Novak, Igor
  Mozeti\\v{c}, Miha Gr\\v{c}ar, Irena Vodenska, Tomislav \\v{S}muc
---
最新提交年份:
2014
---
英文摘要:
  Motivated by recent financial crises significant research efforts have been put into studying contagion effects and herding behaviour in financial markets. Much less has been said about influence of financial news on financial markets. We propose a novel measure of collective behaviour in financial news on the Web, News Cohesiveness Index (NCI), and show that it can be used as a systemic risk indicator. We evaluate the NCI on financial documents from large Web news sources on a daily basis from October 2011 to July 2013 and analyse the interplay between financial markets and financially related news. We hypothesized that strong cohesion in financial news reflects movements in the financial markets. Cohesiveness is more general and robust measure of systemic risk expressed in news, than measures based on simple occurrences of specific terms. Our results indicate that cohesiveness in the financial news is highly correlated with and driven by volatility on the financial markets.
---
中文摘要:
受最近的金融危机的推动,人们在研究金融市场的传染效应和羊群行为方面投入了大量研究工作。关于金融新闻对金融市场的影响,人们谈论得更少。我们提出了一种新的衡量网络财经新闻集体行为的指标,即新闻凝聚力指数(NCI),并表明它可以作为一种系统性风险指标。从2011年10月到2013年7月,我们每天对大型网络新闻来源的金融文件进行NCI评估,并分析金融市场和金融相关新闻之间的相互作用。我们假设,金融新闻中的强大凝聚力反映了金融市场的动向。内聚性是对新闻中所表达的系统性风险的更普遍、更稳健的衡量标准,而不是基于特定术语的简单出现的衡量标准。我们的研究结果表明,金融新闻的凝聚力与金融市场的波动性高度相关,并受其驱动。
---
分类信息:

一级分类:Computer Science        计算机科学
二级分类:Social and Information Networks        社会和信息网络
分类描述:Covers the design, analysis, and modeling of social and information networks, including their applications for on-line information access, communication, and interaction, and their roles as datasets in the exploration of questions in these and other domains, including connections to the social and biological sciences. Analysis and modeling of such networks includes topics in ACM Subject classes F.2, G.2, G.3, H.2, and I.2; applications in computing include topics in H.3, H.4, and H.5; and applications at the interface of computing and other disciplines include topics in J.1--J.7. Papers on computer communication systems and network protocols (e.g. TCP/IP) are generally a closer fit to the Networking and Internet Architecture (cs.NI) category.
涵盖社会和信息网络的设计、分析和建模,包括它们在联机信息访问、通信和交互方面的应用,以及它们作为数据集在这些领域和其他领域的问题探索中的作用,包括与社会和生物科学的联系。这类网络的分析和建模包括ACM学科类F.2、G.2、G.3、H.2和I.2的主题;计算应用包括H.3、H.4和H.5中的主题;计算和其他学科接口的应用程序包括J.1-J.7中的主题。关于计算机通信系统和网络协议(例如TCP/IP)的论文通常更适合网络和因特网体系结构(CS.NI)类别。
--
一级分类:Physics        物理学
二级分类:Physics and Society        物理学与社会
分类描述:Structure, dynamics and collective behavior of societies and groups (human or otherwise). Quantitative analysis of social networks and other complex networks. Physics and engineering of infrastructure and systems of broad societal impact (e.g., energy grids, transportation networks).
社会和团体(人类或其他)的结构、动态和集体行为。社会网络和其他复杂网络的定量分析。具有广泛社会影响的基础设施和系统(如能源网、运输网络)的物理和工程。
--
一级分类:Quantitative Finance        数量金融学
二级分类:Statistical Finance        统计金融
分类描述:Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载:
-->
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2022-5-5 18:41:23
新闻凝聚力:金融市场系统性风险的指标斯马蒂亚·皮斯科雷克、尼诺·安图洛夫·范图林、佩特拉·克拉吉·诺瓦克、伊戈尔·莫塞蒂奇、米哈·格查尔、伊雷娜·沃登斯卡和托米斯拉夫·什穆斯卡信息系统实验室,电子部,克罗地亚知识技术部鲁伊尔·博什科维奇研究所,斯洛文尼亚行政科学部乔伊夫·斯特凡研究所,美国波士顿大学大都会学院2014年2月17日摘要受最近金融危机的影响,人们对金融市场中的传染效应和羊群行为进行了大量研究。关于金融新闻对金融市场的影响的报道则少得多。我们提出了一个新的衡量网络金融新闻中集体行为的指标,即新闻凝聚力指数(NCI),并表明它可以作为一个系统性风险指标。从2011年10月到2013年7月,我们每天对大型网络新闻来源的金融文件进行NCI评估,并分析金融市场和金融相关新闻之间的相互作用。我们假设金融新闻中的强大凝聚力反映了金融市场的变化。与基于特定术语的简单发生率的度量相比,一致性是对新闻中表达的系统性风险的更普遍、更稳健的度量。我们的研究结果表明,金融新闻的凝聚力与金融市场的波动性高度相关,并受其驱动。导言随着互联网的发展,在线信息与金融市场之间的关系已成为人们越来越感兴趣的话题。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-5 18:41:27
在线信息影响其来源和目的,并以查询的形式反映某些用户的兴趣,或以新闻博客或报道的形式反映某些主题的知识。金融市场是强烈的信息驱动,通过研究搜索查询量或社交媒体情绪可以看出这些影响。许多研究分析了特定术语的搜索查询量对相关项目金融市场变动的影响[1]。Bordino等人[2]表明,纳斯达克100指数成交量与同一股票的每日成交量相关,查询量可以预测一天或更多天的交易峰值。Dimp Fl等人[3]报告称,从谷歌趋势(GoogleTrends)获得的对术语“道琼斯”的互联网搜索查询可以帮助预测道琼斯的实际波动率。Vlastakis等人[4]利用谷歌趋势在公司和市场层面研究了纽约证交所和纳斯达克100指数成交量最大的30只股票的信息需求和供应。Chauvet et al.[5]设计了房地产市场投资者困境指数,即住房困境指数(HDI),也基于谷歌搜索查询数据。Preis等人[6]展示了谷歌趋势数据如何用于设计市场战略或定义未来方向指数[7]。原则上,考虑到新闻、博客甚至维基百科文章[8],预计信息源和金融市场之间的差异会有所不同。Andersen等人[9]描述了美国、德国和英国股票、债券和外汇市场对实时美国宏观经济新闻的反应。Zhang和Sikena利用[10]博客和新闻,利用大规模自然语言处理建立一个感知模型,研究公司的媒体频率、情绪极性和主观预期如何影响或反映股票交易量和财务回报。陈等人。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-5 18:41:30
[11] 调查社交媒体在金融市场中的作用,重点关注在Seeking Alpha上发表的单条股票文章,这是一个受投资者欢迎的社交媒体平台。毛等。[12] 使用情绪跟踪方法比较一系列不同的在线信息来源(Twitter提要、新闻标题和谷歌搜索查询量),并比较它们对市场指数的财务预测价值,如道琼斯工业平均指数(DJIA)、交易量和隐含市场波动率(VIX)以及黄金价格。Casarin和Squazzoni[13]将坏消息指数计算为三个不同新闻来源的标题中负面情绪词的加权平均值。新闻的凝聚力作为系统性金融风险指标的理念与最近研究金融市场模仿和协同运动的著作有关,这些模仿和协同运动反映了金融系统中的系统性风险[14,15,16,17,18]。Harmon等人[17]表明,上次经济危机和早期的大规模单日恐慌之前,市场模仿程度较高的时间较长,这直接证明了不确定性和紧张,以及外部新闻的影响力相对较弱。Kennet等人[18]在减去指数贡献后,定义了代表股票相关性和偏相关性之间平衡的指数,并研究了标准普尔500指数在10年(1999-2010)期间的动态。将凝聚力作为新闻重要性的衡量标准的想法很简单:如果许多来源报道了一些事件,那么这应该反映出它们的重要性,并与金融市场的主要趋势相关联。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-5 18:41:33
然而,为了捕捉具有系统重要性的趋势,我们必须能够跟踪大多数相关在线新闻来源的差异。换言之,我们需要:(i)获得相关新闻来源;(ii)与感兴趣领域相关的综合词汇表。通过对公司、金融机构、金融工具和金融术语的大量金融术语表的使用,我们满足了系统方法的第二个先决条件。为了满足第一个前提条件,在我们的分析中,我们对通过一个级别的文本流处理管道NewStream提取的金融新闻文档进行了分析[19](http://newstream.ijs.si/),来自大量网络资源。然后将这些文本过滤并转换为便于计算特定时间段NCI的形式。我们表明,金融新闻的重要性可以用一种更系统的方式来衡量,而不是通过对单个实体的情绪或单个术语的发生次数来衡量,而且新闻的强大凝聚力反映了金融市场的趋势。已经有强有力的证据表明,金融工具的共同流动与金融市场的系统性风险有关[18]。我们假设,金融新闻的凝聚力在一定程度上反映了这种系统性风险。我们的新闻一致性指数(NCI)捕捉了金融语料库中文档和实体之间的平均相互相似性。如果我们代表实体的文件资产,那么有两种不同的相似性观点:(i)如果两个文件共享更多的实体,那么它们比其他两个文件更相似;(ii)如果两个实体在更多的文件中同时出现,那么它们比其他两个实体更相似。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-5-5 18:41:36
我们构建NCI,以便无论我们选择采用何种观点,文档语料库中的整体相似性都是相等的。我们从不同的金融指数、波动性、交易量以及谷歌搜索查询量的角度分析NCI。我们发现,NCI与美国和欧盟股市指数的波动性高度相关,尤其是历史波动率和VIX(S&P500的隐含波动率)。此外,我们还证明,在与金融指数的关系中,总期限发生率和内聚性之间存在显著差异。结果新闻凝聚力指数为了衡量金融新闻中的羊群效应,我们引入了一个新闻凝聚力指数(NCI)——一个量化金融文档集合中凝聚力的系统性指标。NCI计算的起点是一个文件实体矩阵,它量化了在特定时间段内收集的每个单独文件中实体的出现次数。我们使用实体概念(而不是术语)来表示文本中某些概念的不同词汇表现。在我们的案例中,我们使用实体词汇表,包括金融词汇表术语、金融机构、公司和金融工具。实体的完整分类法见补充信息第3节。我们从发生的定义开始,即某个实体是否出现在某个文档中,无论它在文档中出现了多少次。这使得文档实体矩阵A成为二进制矩阵:Ai,j=1如果实体EJ在文件di0中,则为其他。(1) A是一个m×n矩阵,其中m是在选定时间段内发布的文档数,n是我们监控的实体总数。Documententity矩阵A还对应于文档和实体之间的二部图的双邻接矩阵。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群