股市什么时候听经济新闻？新证据来自

2022-5-7 02:38:02

股市什么时候听经济新闻？来自连接词和新闻通讯的新证据。伊万·梅多维科夫加拿大安大略省圣凯瑟琳市格伦里奇大道500号布罗克大学429广场大楼经济系，L2S 3A1。电话：+1 905 688 55 50分机6148，电子邮件：imedovikov@brocku.caAbstractWe利用copulas统计理论研究宏观经济新闻与股市收益之间的关系，提出了一种新的基于新闻线索引的综合新闻测度方法。我们发现经济新闻对股票收益率的影响是非线性和对称的。特别是，通过控制经济状况和与经济数据发布相关的惊喜，我们发现市场对最不利的宏观经济消息做出了强烈和消极的反应，但似乎在很大程度上低估了好消息。这种关系贯穿于商业周期的不同阶段。关键词：股票收益率，宏观经济新闻，连接函数，尾部依赖，宏观经济新闻指数1。引言宏观经济新闻对股票市场的影响在过去三十年里一直是大量研究的主题。资产定价理论表明，有关就业或产出水平等宏观经济因素的新闻应该会影响金融市场，因为2021年7月5日提交给Elsevier的再版包含了有关经济的总投资机会集的信息（见Merton（1973）和Breeden（1979））。尽管如此，支持真实经济新闻的市场效应的实证证据仍然薄弱，令人惊讶的是好坏参半。在许多情况下，重要的宏观经济新闻根本没有影响。

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

2022-5-7 02:38:05

例如，Flannery和Pro t opapadakis（2002）研究了17项宏观经济公告的市场影响，发现与工业生产、失业和国民生产总值相关的新闻对股价没有显著影响。类似地，早期的研究，例如皮尔斯和罗利（1985年）和杰恩（1988年）发现，市场在很大程度上低估了关于工业生产和失业的统计数据，即使在考虑了之前的预期之后也是如此。根特（2010）也未能发现市场对GD和失业新闻的重大反应。商业周期的不同阶段可能会改变宏观经济信号的解读背景，一旦考虑到当前的经济状况，新闻的市场影响就会变得更加明显。Boyd等人（2005年）和McQueen and Ro ley（1993年）发现，失业率上升的消息在经济收缩期间对股价有负面影响，因为它可能表明公司收益和股息较低，但在经济扩张期间有正面影响，因为它可能预示着利率降低的可能性更大。最近，Birz和Lott（2011）发现，之前的研究发现，股市回报率与不同的利率（如Chen等人（1986年）、Chen等人（1991年）、Chan等人（1998年））和货币总量（如康奈尔大学（1983年）、Pearce和Roley（1983年）、Pearce和Roley（1985年））等各种货币变量之间存在统计上的显著关联。在控制市场预期和商业周期阶段之后，市场对GDP和失业公告的反应非常显著。虽然与市场对新闻的解释和反应相关的经济条件正在得到更好的理解，但有趣的是，似乎没有研究关注与巨大市场影响相关的新闻特征。

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

2022-5-7 02:38:08

例如，控制经济状况和预期，异常好或异常坏的消息是否会导致更强的市场反应？如果是这样的话，这种关系是否存在不对称性？换句话说，经济新闻的市场效应是非线性和不对称的吗？本文旨在填补这一空白。我们以条件连接函数理论为基础，采用一种相对较新的统计方法，以及一种新的综合性宏观经济新闻指标，对宏观经济新闻的市场效应进行了研究。我们衡量的是与美国就业、工业活动、ho使用和建筑以及能源市场相关的新闻的极性、强度和数量。除了与定期发布的经济统计数据相关的新闻外，我们的措施还捕捉定性信号，例如，美国高级政策官员的评论、政策发展，以及可能产生经济影响的人为和自然灾害，这无疑是文献中使用的最广泛的经济新闻衡量标准。通过采用copula方法，我们能够构建一个灵活的模型，允许经济新闻的非线性和不对称市场效应。据我们所知，这是连接函数首次应用于分析新闻与股市的关系。利用copula模型，我们对经济新闻和股市之间的关联进行了详细的映射，并发现，在控制预期、与经济数据发布相关的惊喜和当前经济状况的情况下，新闻的市场影响严重偏向最不利的公告，这最终与商业周期各个阶段的重大市场下跌有关。换句话说，似乎只有当厄运和g的消息隐约出现时，市场才会真正倾听。

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

2022-5-7 02:38:11

最后，由于我们能够分离出新闻中揭示数据的部分，我们表明，我们的指数捕捉到的定性经济新闻确实具有显著的市场影响。这可能会对政策制定者产生影响，这些政策制定者试图尽量减少与他们的公告和评论相关的潜在干扰。本文的组织结构如下。第2节详细介绍了新闻变量的构造，我们称之为宏观经济新闻指数。该指数基于对新闻通讯稿的手动审查和分类，我们在本节中审查了数据来源、索引方法以及由此产生的指数系列。第3节介绍了copula方法和建模方法。第4节给出了与经济新闻的市场影响相关的实证结果。最后，第5.2节对结果进行了讨论。我们的新闻变量：宏观经济新闻指数最近的证据表明，股市对经济新闻的反应不仅限于对预定统计数据发布的反应。例如，尽管过去很多人都试图发现GDP公告与股市之间存在任何显著关系，但Birz和Lot t（2011）使用基于Lott和Hassett（2004）的报纸标题分类的更全面的新闻衡量方法记录了市场对产出相关新闻的实质性反应。我们开发了一个新的美国宏观经济新闻量化指标，该指标基于对主要商业新闻通讯社发布的新闻的全面审查和分类。在经济报道方面，专业的新闻通讯服务在几个重要方面为报纸提供服务，我们首先详细介绍我们的新闻数据来源和这里使用的索引方法。2.1.

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

2022-5-7 02:38:14

新经济来源sWe使用汤森路透通讯社（TRN）和道琼斯能源服务公司（DJES）作为公共信息来源，支持我们构建的新闻变量。汤森路透是世界上最大的新闻提供商之一，拥有多条新闻专线，涵盖美国各种商业和经济发展。道琼斯能源服务公司（Dow Jones Energy Service）是全球能源行业的专业新闻来源，其报道范围从市场信息和重大特定新闻到地缘政治事件和能源政策。由于这两种服务都是专业服务，它们强调报道的及时性，通常是最先报道的。与报纸报道不同，通讯社的新闻稿往往高度浓缩和真实，在大多数情况下更容易解读。它们也很少包含记者的意见，这在很大程度上减少了报纸报道中存在的经济报道的政治偏见（例如，见Mullainathan和Shleifer（2005年）、Groseclose和Milyo（2005年）、Dyck和Zingales（2003年）以及Lott和Hassett（2004年））。它们在新闻链中的位置、报道的广度和明确的格式使通讯社成为一个很好的信息来源，可以提供全面的信息，减少误解的机会，并包含由多个媒体重复新闻而产生的小噪音。因为我们的目标是捕捉和量化与toU相关的新闻流。在美国宏观经济条件下，我们将注意力限制在以下四个通常与经济活动相关的关键主题上。WEF特别关注美国工业生产、国家和地区劳动力市场、住房市场和建筑业，以及能源政策和市场。

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…

2022-5-7 02:38:18

工业生产、就业和建筑活动通常被视为重要的指标，传递着有关更高产出、消费和资本回报的信号。能源成本会影响要素生产率和企业盈利能力，这促使我们选择能源新闻作为指数组成部分之一。我们使用道琼斯事实报作为所有历史新闻稿的来源。Factiva完全按照发布时的样子捕获并存储TRN和DJESin承载的所有消息，而不需要在以后对内容进行编辑或修改。早期版本的更新和更正通常由TRN和DJESseparate发布，也包含在索引中。在我们的样本期间，传输的故事总量非常大，只有少数与美国宏观经济状况有关。我们利用道琼斯智能索引（DJII）服务来识别符合我们四个选定主题之一的相关版本。2.2. 对于我们样本中的每个月，索引过程的构建如下。首先，我们收集了TRNand DJE在一个月内播放的所有经济故事，并根据经济主题将它们分为四组。例如，在2014年4月，DJII搜索产生了27条与美国就业有关的新闻线，17条涉及美国工业生产的新闻线，7条关于住房市场和建筑行业的新闻线，以及另外27条关于能源市场和政策的新闻稿，这些新闻稿由TRNand DJES发布。一旦确定了相关故事，我们将全面审查每个故事的内容，并将其归类为“正面”、“负面”或“中性”。

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

2022-5-7 02:38:21

如果一篇报道包含表明当前或未来宏观经济状况改善的信息，则该报道被视为“积极的”，而能源新闻则被解读为市场状况的缓和，以及石油或液化天然气等关键载体的价格可能出现的倾斜。“中性”故事是指既不表示恶化也不表示改善的故事。美国商务部、劳工统计局和美联储银行等部门发布的宏观经济统计数据的预定发布，或对之前发布的数据进行的修订，为工业生产、就业、住房和建筑相关新闻提供了很大一部分信息。在解读这些数据时，考虑之前的预期就显得尤为重要，因为，例如，在预期会出现更高增长的时候，非金融机构的5万名员工的良好收入实际上可能会被视为负面消息。幸运的是，除了标题数字外，大多数与TRN相关的数据发布还包括基于路透社最新预测调查的经验预测。因此，我们根据预期对此类发布进行分类，如果发布超过预期，则将其视为“积极”，如果发布低于预期，则将其视为“消极”，如果发布符合预期，则将其视为“中性”。因此，由核心宏观经济数据的预定发布推动的指数部分捕捉了“经济惊喜”，即宏观经济新闻中的意外部分。对过去经济数据的修订是数据驱动新闻的另一个主要组成部分。例如，美国经济分析局（U.S.Bureau of Economic analysis）发布的增长预测往往会被多次修订，而修订可能是实质性的，并在首次发布数月后进行。因此，今天可用的许多历史宏观经济数据与发布时报告的数据不同。

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

2022-5-7 02:38:24

此类修订的流动呈现了许多同期数据中缺少的重要信息，我们将所有与索引修订相关的新闻纳入其中。其余的或非数据驱动的工业生产、就业、住房和建筑相关故事，以及涵盖能源市场的大部分故事，本质上是定性的，包括高级官员和决策者的评论，例如美联储理事会成员，美国商务部长或能源部长，重要的地缘政治发展，包括美国的制裁或能源卡特尔配额决定，以及可能产生经济影响的自然灾害。我们将在本节剩余部分详细介绍TRN和DJES经济新闻的内容以及具体的分类指南。在四个新闻组的索引构建过程中，新闻专线发布的新闻稿总数如表1所示。新闻集团正负中性总就业人数3328 3220 479 7027住房982 830 126 1938工业1407 946 107 2460能源3830 3203 1281 8314总计9547 8199 1993 19739表1：1999年1月1日至2014年4月按类别分列的路透社和道琼斯能源服务通讯社的数量。由于我们的分类类似于密歇根大学消费者情绪指数的分组反应，因此我们采用其方法，并使用正面和负面故事百分比的差异作为指数的基础。Birz和L ott（2011）中使用了类似的索引方法。为了计算宏观经济新闻指数的月值，我们首先确定四个新闻组中每个新闻组的正面报道与负面报道的比率。例如，表2显示了2014年4月的原始新闻计数和结果四个子指数。这就产生了一组f-our指数来捕捉美国的极性。

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

2022-5-7 02:38:27

就业、住房、工业生产和能源相关新闻本身就很有趣，并在第2.3节中详细回顾。本月宏观经济新闻指数的最终值是通过计算四个子指数的平均值来计算的，2014年4月的平均值为0.03。显然，子指数和最终指数的正值表明，某个月的正面新闻报道占主导地位，而阅读量与特定类型新闻的流行程度成比例，分别为1和1-1分别代表正面和负面新闻月份。正负中性次级指数就业17 10 0 0.26住房0 5 2-0.71行业12 3 2 0.53能源13 13 1 0表2：原始新闻统计和产生的新闻次级指数，2014年4月。本文采用的索引方法，以及其他建立此类索引的方法，有一定的局限性。在这里，四个分项指数的平均值对就业、住房、工业和能源相关新闻的权重相等。替代权重显然是可能的。为了允许其他指数定义，除了最终指数系列之外，我们还提供了分类数据。接下来，我们将更详细地回顾这四个子指数以及由此产生的宏观经济新闻指数。2.3. 就业新闻次级指数近三分之二的就业相关新闻报道了美国劳工部各机构对经济统计数据的定期发布和修订，其中很大一部分是由劳工统计局发布的。这些数据包括全国劳动力、参与率、就业和失业率、非农就业人数、就业机会和劳动力流动率的统计数据，以及失业救济申请报告。

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

2022-5-7 02:38:32

州一级的统计数据也在劳工新闻流中占据了相当大的一部分，并被纳入指数中，但在我们的样本结束时，它们相对于国家新闻的份额大幅下降。这种数据驱动的版本包含最少的歧义，在大多数情况下，解释是直接的。例如，2014年12月1日，路透社写道，“美国就业增长在7月略有放缓，失业率意外上升，表明劳动力市场疲软……劳工部在Fr iday上表示，非农就业人数在6月激增29.8万人后，上个月增加了20.9万人。经济学家曾预计就业增加23300人。”，由于失业率上升和就业增长低于预期，我们将其记录为“负面”。大多数非数据驱动的就业相关新闻稿都包含高级官员对美国劳动力市场状况的评论。例如，2014年7月15日，路透社援引美联储主席的话发布了一份声明：“基于人口老龄化和失业水平，劳动力参与似乎比人们预期的要弱。这些以及其他表明劳动力市场仍显着疲软的迹象都得到了大多数小时薪酬指标持续缓慢增长的证实。”，我们也将其归类为“负面”。虽然这些评论清楚地表明了对劳动力市场的负面看法，但在其他情况下，它们可能被视为好消息。例如，金融市场可能认为这表明货币宽松的可能性更大。就业新闻的市场影响与其他经济变量之间的相互作用如Boyd et al.（200 5）所述，其中发现负面失业新闻在经济收缩期间对股价产生负面影响，但在经济扩张期间产生正面影响。

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

何人来此

2022-5-7 02:38:35

这种非线性效应可以通过适当的经济计量模型和控制来捕捉，就像我们在第4节所做的那样，而不是通过新闻的上下文索引。在这里，我们特别努力从潜在的实际经济信号的角度，而不是从其市场解释或影响的角度，对发布进行分类。附录图1显示了1999年1月至2014年4月期间路透社发布的就业新闻子指数的月值和就业相关新闻的总数。虽然指数在过去15年的大部分时间里都保持正值，但持续负面消息主导的两个时期与2001年一致- 2002年和2007年- 2009年美国NBER经济衰退。在我们的样本期内，劳动力市场新闻的数量变化很大，在2002年10月达到83次发布的峰值，峰值数量大致发生在两次衰退之后，平均每月发布38次。2.4. 住房和建筑新闻次级指数随着劳动力市场新闻的发布，大多数住房和建筑新闻都是数据驱动的，涵盖了由美国商务部、全国住宅建筑商协会、全国房地产经纪人协会、美国建筑学会以及美国住房和城市发展部发布的统计数据。此类发布通常包括有关新建和现有房屋销售、新建房屋竣工、建筑许可证和房屋开工、房屋融资成本、抵押贷款发行和融资利率、房屋可承受性和租金的数据，甚至包括建筑账单。一些数据，如房屋销售、建筑许可证和竣工数据会定期修订，我们会在指数中加入修订的消息。大量新闻稿涉及相关商品市场新闻，例如建筑用材价格的重大变化。

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

能者818

2022-5-7 02:38:39

其余的非数据驱动的报道包括旨在刺激建筑业的重大政策举措的新闻，以及偶尔发生的对房屋建筑造成不利影响的极端天气事件。我们的样本中显示的住房和建筑新闻子指数的月度价值以及住房相关新闻的数量如图3所示。与劳动力市场新闻一样，1999年- 除了围绕美国房地产危机的五年期外，2014年期间主要是正面报道。路透社发布的与住房和建筑相关的新闻数量稳步下降，平均每月只有10篇，是样本中四个新闻组中最低的。2.5. 《工业新闻》ub-i Index新闻报道中有关美国工业活动的主要信号是以评论、特别报告和统计数据的形式发布的，这些信息主要由芝加哥、费城和里士满的联邦储备银行、供应管理学会（ISM）和制造商联盟等行业协会发布，a.s.以及主要金融公司发布的研究报告。其中包括工业产出、耐用品订单和非农生产率数据，以及一系列国家和州一级制造业活动指数，例如芝加哥联邦储备银行中西部制造业指数或PMI采购经理人指数。路透社对分析师预期的定期民意调查以及数据修订也受到了极大关注，并经常在新闻中提及。与就业和建筑相关新闻一样，非数据驱动的行业新闻稿大多包含高级官员对美国各州的评论。

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

2022-5-7 02:38:42

制造业和其他工业指标。图2显示了与行业相关的路透社新闻发布数量和行业新闻子指数的月度价值。与就业新闻一样，周期性或持续负面的行业新闻似乎与NBER最近的两次衰退大致一致。有趣的是，行业负面消息的最长跨度出现在2011年末和2012年初——远远超过了2009年6月NBER衰退结束日期，这支持了对美国最近一次衰退的“二次探底”观点。2.6. 能源新闻次指数在该指数所包括的四类新闻中，能源新闻的数量最多，报道范围最广。数据驱动的报告代表了能源新闻的一小部分，除了宣布原油或液化天然气等能源载体的主要价格变动外，还包括生产数据、欧佩克成员国的配额分配和遵守情况、美国战略石油储备的统计数据，美国能源信息管理局（U.S.Energy Information Administration，简称Energy Information Administration）收集的石油余额和其他项目，以及国际能源协会（International EnergyAgency）收集的数据。能源新闻中的无n-数据部分也非常广泛，包含对能源供应产生不利影响的自然和人为灾害的新闻，例如墨西哥湾的重大飓风、石油泄漏或中断石油生产和开采的管道故障、国际和地区冲突，以及导致供应限制或放松的政策制定，如允许新开采的制裁或规则。图4显示了与能源相关的DJE发布数量以及能源新闻子指数的值。

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

2022-5-7 02:38:45

在能源价格稳步上涨的背景下，加上涉及世界上一些最大能源生产商的政治动荡和军事行动，能源新闻分类指数在过去五年的大部分时间里都保持负值，反映了不断增长的供应风险和全球能源需求。2.7. 图5显示了宏观经济新闻指数的综合指数最终值，以及路透社和道琼斯工业平均指数的综合发布数量。该指数似乎正确地反映了在1999-2014年的两次NBER衰退期间，糟糕的经济消息的传播，以及在这两次衰退之间，好消息的普遍性，表明了经济增长的时期。3.我们的方法：条件copula方法。1.copula方法为了更深入地理解宏观经济新闻与股票收益之间的关系，我们采用了一种基于copula理论的相对新的统计方法。考虑一对随机变量X和Y，让F（X；θX）和G（Y；θY）用参数θX和θY表示它们的边缘分布函数，H（X，Y）是联合分布函数。根据Sklar（1959）的结果，节理CD F可以表示为asH（x，y）=C[F（x；θx），G（y；θy）；θC]，（x，y）∈ R、（1）其中C:[0,1]→ [0,1]是所谓的X和Y的copula，θcis avector包含copula参数。假设u=F（x；θx）和v=G（y；θy），很明显，copula只是（u，v）的联合CDF，我们可以把它写成C（u，v；θC）=H[F-1（u；θx），G-1（v；θy）]。连接函数正成为相关性分析的核心，因为它们提供了X和Y之间关联的完整描述，在变量连续的情况下也是如此。不同的种群家族代表着各种依赖结构，θC中的参数测量关联强度。

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

能者818

2022-5-7 02:38:48

例如，一些更好的已知copula族包括捕获线性相关性的高斯copula、测量不对称依赖性的Gumbel和Clayton copula，这些不对称依赖性在较大或较小的数据值之间可能更强，以及允许所有依赖性或数据极端之间依赖性的对称化Joe Clayton（SJC）copula。许多著名的关联度量可以用copula来表示。例如，诸如Kendall的τ和Spearman的ρ等Rank相关度量可以用C表示为τ=4ZZC（u，v）dC（u，v）- 1（2）和ρ=12ZZC（u，v）dudv- 3.（3）copula方法的一个主要优点是，它能够对X和Y的边际行为以及嵌入C中的依赖结构进行单独建模，这意味着可以指定一个丰富的关联模型，该模型不受margina ls F和G的限制。有关copula的介绍，请参见Joe（1997）A和Nelsen（2006），Cherubini等人（2004年）和Patton（2009年）研究了连接函数在金融中的应用。当边际模型包括其他控制变量时，这相当于Patton（2006）的条件copula方法。在这种情况下，copula在“扣除”包含在边缘控制中的变量的影响后捕获依赖性。我们的目标是通过对数据指定和设置准确的copula模型，探索宏观经济新闻变量与总股本回报之间的依赖性。虽然人们已经做了很多工作来评估经济新闻对股票回报的影响，但我们特别感兴趣的是预测这种关系中的非线性，例如，尾部相关性，即极端之间的相关性，或者一个变量的非常大（或很小）值与另一个变量的非常大（或很小）值相关的趋势。

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

2022-5-7 02:38:52

换句话说，除了使用copula方法更好地理解宏观经济新闻和证券回报之间的整体关联外，我们的目标也是衡量极端新闻事件的市场影响。这种极端依赖性通常通过所谓的上尾依赖系数和下尾依赖系数来研究，分别表示为λu和λl，定义为λu=limu→1.-1P r[F（x）≥ u | G（y）≥ u] =利木→1.-11- 2u+C（u，u）1- u、（4）λl=limu→0+pr[F（x）≤ u | G（y）≤ u] =利木→0+C（u，u）u.（5）λu（λl）的值越大，表明变量的大（小）极值同时出现的趋势越强。因此，我们的目标之一是获得经济新闻变量和证券市场回报之间的系数λu和λl的估计值。3.2. 估计微分方程（1）将揭示X和yc的联合PDF可以表示为f（X，y；θX，θy，θc）=f（X；θX）g（y；θy）c（u，v；θc），（6）其中f（X；θX）和g（y；θy）是边际密度，c（u，v；θc）是所谓的copula den s定义的asc（u，v；θc）=C（u，v；θC）Uv、（7）因此，通过最大化相应的对数似然函数log（f（x，y；θx，θy，θc））=log（f（x；θx））+log（g（y；θx））+log（g（y；θy））+log（c（u，v；θc）），（8）其中lx=log（f（x；θx））和ly=log（g（y；θy））是边际模型的对数似然，而lc=log（c（u，v；θc）是copula似然对数）。Joe和Xu（1996）提出了一种两步方法，其中边缘模型首先使用最大似然法独立估计，从而获得u和v的值，然后在给定边缘估计的情况下，通过最大化lc获得copula参数的估计。当边缘参数化时，这种方法称为边缘推理函数（IFM）。当边缘是非参数时，这个过程称为标准最大似然（CML）。

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

2022-5-7 02:38:55

Joe（1997）在一组正则条件下证明了IFM估计的相合性和渐近正态性。该估计器也被认为是高效的（例如，见Michelis and Ning（2010）），我们在这里使用它作为主要的估计方法，以及删除一个jack-knife程序来估计系数方差，如Joe和Xu（1996）4。实证结果我们使用纽交所、纳斯达克和纽交所Arca上市证券的价值加权投资组合的月度股息内含回报率作为美国股票收益率的衡量指标，所有数据均取自证券价格研究中心（CRSP）的月度股票收益率。接下来，我们详细介绍了证券收益和宏观经济新闻指数的边际模型，以及依赖性的copula模型。4.1. 序列诊断测试估计方法要求所有序列都是平稳的。此外，为了确保copula估计的有效性，边际模型必须准确地捕捉序列中可能存在的任何序列相关性，例如自相关或条件异方差。因此，我们首先对我们的新闻变量MNIt、估值加权市场r eturns Rt、就业新闻子指数ENIt、行业新闻子指数INIt、能源新闻子指数ENNITAN以及住房和建筑新闻子指数系列HNIt进行诊断测试。

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

2022-5-7 02:38:58

表3显示了基于ADF检验的单位根零假设、通过Engle（1982）ARCH检验获得的条件统计量和基于Ljung-Box Q检验的序列相关性，对于12个月的序列滞后，所有这些都在5%显著水平下进行。我们发现，虽然所有序列似乎都没有单位根，但除了INIt，ll序列中存在条件异方差，并且除了Rt，ll序列是连续相关的。5%单位R时拒绝为空，oot异方差自相关RTREJECT不拒绝RejectMNItReject不拒绝不拒绝REJECTREJECT不拒绝不拒绝REJECTREJECT不拒绝rejectENItReject不拒绝不拒绝rejectENItReject不拒绝不拒绝表3：新闻变量和安全返回的诊断测试。4.2. 边际模型我们从证券收益的边际模型开始。与Birz和Lott（2011）类似，我们在市场回报的margina l模型中加入了一个经济惊喜变量，以控制与经济统计数据发布相关的惊喜效应。由于新闻的影响可能取决于当前的经济状况，我们还包括当前的失业率，以控制这种互动。由于回报率不是连续相关的，我们不包括任何滞后。我们的证券收益边际模型具体如下：Rt=β+βXt+βLt+r，t，（9）σr，t=θ+θσr，t-1+θr，t-1，sσr，tr，t~ N（0，1），（10）其中RTI是t月的价值加权市场回报，X经济数据意外，LTI是当前的去趋势美国失业率，r是方差σr，t的误差项，N（0，1）是标准正态分布。

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

2022-5-7 02:39:01

因此，我们对RTA进行了条件正态建模，根据当前的经济状况和意外情况，采用时变平均值，并采用GARCH（1，1）过程来捕获波动性集群。我们使用Scotti和Yue（2013）的美国经济意外指数作为我们的Xt衡量指标，该指数显示了预期和实际经济数据发布之间的累积差异。这里对经济数据和当前经济状况的控制意味着，我们对市场回报和经济新闻变量之间关系的分析将受益于市场对统计数据发布中意外事件的反应，也不会受到市场和商业周期不同阶段之间互动的驱动。换句话说，我们将在下一节讨论的股票市场和经济新闻之间的差异不是由经济新闻的数据揭示部分决定的，也不是由于真实经济波动的市场影响，而是代表了市场对我们所指数的各种新闻线信号的短期反应。表4显示了（9）中边际模型的最大似然估计。正如预期的那样，GARCH（1，1）项是非常重要的，con^^^^^^^^^^^^^^^^^^^^^^θ^^^^θ^θ^^^^^^^θ。

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

2022-5-7 02:39:04

粗体表示5 s.l.的显著性，表明回报序列中存在条件异方差。与之前的文献非常一致，经济数据的意外和失业率是临界值，但仍然改善了整体模型。我们的经济新闻变量的边际模型具体如下：MNIt=α+αMNIt-1+αMNIt-2+m，t，（11）σm，t=γ+γσm，t-1+γm，t-1，sσm，tm，t~ N（0，1），（12），其中mn是t月和m月的宏观经济新闻指数的值，是与之前一样遵循GARCH（1，1）过程的误差项t。模型中包含的新闻变量的滞后月数首先通过估计6阶自回归模型，然后消除不显著的滞后来确定。模型（11）的参数估计见表5。表5：宏观经济新闻指数margina l模型的最大似然估计。粗体表示在5%的s.l.下具有显著性。自回归系数的高度显著估计表明经济新闻的持续性达到了相当大的程度，鉴于商业周期的持续性，这或许并不令人惊讶。4.3. 边际模型的优度检验在指定和估计copula模型之前，重要的是要确保边际被正确指定- S、 ARCH和LBQ测试，以探索模型（9）和（1）中残差的正态性、同质性和序列相关性，并发现我们不能在两个模型的5%显著水平上拒绝任何零值，这表明这是一个很好的结果。还应注意，概率变换u=f（x；θx）和v=G（y；θy）应均匀分布在[0,1]上。

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

2022-5-7 02:39:08

继Patton（2006）之后，我们计算了序列Rta和MNItas^ut=Φ（^r，t/^σr，t）和^vt=Φ（^m，t/^σm，t）的变换，其中Φ（）是标准正态CDF，而r，t/^σr，tandm，t/^σm是边际模型的标准残差。作为额外的优度检验，我们使用K-S测试测试变换的一致性，并发现我们不能在两种情况下都拒绝空值，因为P值接近1。4.4. 经验copula表为了初步了解我们的数据中证券收益和经济新闻之间的关联性质，我们构建了所谓的经验copula表（其他示例见Knight et al.（2005）和Ning（2010））。copula表概述了相关性的结构，通常用作copula模型选择过程的第一步。首先，我们按照升序排列返回和新闻索引序列的概率变换，然后将它们均匀地排序到我们的箱子中。在每个案例中，第一个箱子包含底部25%的最小观测值，第四个箱子包含样本中顶部25%的最大观测值。然后，我们构建了一个包含四行四列的频率表，其中j行和i列显示了新闻索引系列的第j位和安全返回系列的第i位中的元素总数。例如，本表单元格（4，4）中的数字显示了样本中两个变量的观测对总数均在前25%。应该证明，这样的表格代表概率变换^utan和^vt的联合频率分布，而且由于它们是一致的，当变量独立时，我们的频率计数也应该均匀分布在表格单元格中。

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

何人来此

2022-5-7 02:39:11

也就是说，如果安全报告独立于经济新闻，且以我们的控制为条件，我们预计在16个箱子中的每个箱子中会看到11个观察结果，因为我们从1999年1月到2013年12月的月度系列总共包含180个观察结果。大于11的数字表示我们的变量倾向于“聚集”在一个特定的区域。例如，该表单元格（4，4）中的数字实质上大于11，表示新闻指数t的最大25%值与最大25%的市场回报率相关联，依此类推。Bin 1 2 3 41 16 6 14 1210 8 12 1014 9 14 118 12 13 11表6：证券收益和宏观经济新闻指数的经验copula。我们在表6中给出了我们的新闻变量和证券市场回报的经验copula表，与独立计数的最大偏差用粗体突出显示。有趣的是，新闻对的联合依赖度几乎低于预期的50%，这表明新闻对的联合依赖度超过了预期的50%。bin（4，4）中的计数显示，两个变量的观察聚集在前25%与独立性下的预期值相等，表明最大回报和新闻指数值之间几乎不存在关联。换句话说，经验库普拉表似乎表明，异常糟糕的宏观经济消息往往会导致市场大幅下跌，而同样异常好的消息显示没有市场影响。4.5. Copula模型的选择、估计和主要结果金融序列之间的对称尾和非线性依赖最近引起了一些关注。

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

2022-5-7 02:39:14

例如，Patton（2006年）和Michelis and Ning（2010年）使用copula研究汇率依赖的不对称性，而Ning和Wirjanto（2009年）使用copula模型探索证券回报和交易量之间的尾部依赖性。在这里，由于我们的边际模型包括控制，我们的建模方法类似于巴顿（2006）和米歇里斯与宁（2010）的条件连接模型。虽然我们的初步结果表明依赖性倾向于低分布尾部，但我们通过使用IFM方法对新闻指数和市场收益拟合几个具有各种依赖结构的双变量copula，并评估它们的fit来开始正式的模型选择。我们在Gaussian、Gumbel、Clayton、t和SJC coupla家族中发现了这一点，在Akaikei信息准则（AIC）和贝叶斯信息准则（BIC）的基础上，一个参数Clayton copula产生了优越的fit。双变量克莱顿copula定义为asC（u，v；θ）=麦克斯（美国）-θ+v-θ- 1, 0)-1/θ（u，v）∈ [0,1]，（13）式中θ≥ 0是依赖性参数，因此θ的值越大，表明变量之间的关联性越强，θ=0的情况对应独立性。Clayton copula具有较低的尾部相关性，但不具有较高的尾部相关性，尾部相关性系数由λl=2给出-1/θ和λu=0。因此，θ的显著正值也表明存在较低的尾部依赖性。克莱顿copula的优越性支持了我们从经验copula表中得出的结论。估计t比率AIC BIC LogL^θ0.134（1.899）-2.504 0.667 2.264表7：双变量条件Clayton copula模型的IFM估计结果。粗体显示了在5%s.l.IFM下，使用我们的宏观经济新闻指数、价值加权市场收益率和表7第4.2节ar e中规定的边际模型，条件克莱顿copula模型的显著估计结果。

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

2022-5-7 02:39:19

Layton相关性参数的估计值在5%的s.l.时非常重要。这表明，控制经济数据的意外和新闻的持续性，宏观经济新闻对证券收益有显著影响，并且这种影响向较低的分布尾部倾斜。换句话说，我们发现，市场对极端糟糕的经济新闻反应强烈且消极，但对好消息的反应却不相似，而且这种关系不是由经济新闻发布的数据披露内容驱动的。4.6. Rob ustness Check在本节中，我们对表7中的结果进行稳健性检查。首先，由于我们的宏观经济新闻指数是按月计算的，因此撰写新闻专线的记者可以在一个月内观察市场回报，这可能会影响他们报道的基调，并产生潜在的反向因果关系。幸运的是，TRN和DJE新闻连线最终并没有变得通俗易懂、实事求是，在记者观点或主观语境方面几乎没有内容。因此，新闻专线的分类几乎不受记者语气的影响。然而，该指数反映了政策官员的评论，这代表了反向因果关系的更大可能性，因为这种评论可能首先是由市场事件引起的。换句话说，政府官员可能会根据市场走势发布评论，然后由TRN或DJI客观报告，并反映在指数中。继Birz和Lott（2011）之后，我们注意到，如果新闻确实是由市场活动驱动的，我们应该在高活动月份看到更多新闻发布。为了验证这一点，我们回归了由给定月份新闻线发布总数测量的去趋势新闻量的市场回报绝对值，并发现新闻量系数不显著，p值接近1。

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

2022-5-7 02:39:22

因此，市场活动与新闻量无关。作为进一步的测试，我们还重新估计了（9）中给出的市场回报的边际模型，但包括去趋势的新闻线数量以及额外的控制。和以前一样，我们发现新闻量微不足道。作为最终检查，我们将去趋势新闻量保留在（9）中，并使用IFM重新估计整个克莱顿copula模型。不出所料，我们的估计结果变化很小，克莱顿相关参数在新的t比率为1.91时仍然显著。因此，我们得出结论，市场回报和经济新闻之间的逆转是极不可能的。5.讨论值得注意的是，由于概率变换和序列不相关，我们在此记录的新闻的不对称市场效应不是由任何特定时间段驱动的，例如，我们样本中的两次NBER衰退，而是贯穿整个商业周期的持续性。这可能会对有可能发表破坏性财务评论的决策者产生影响。从股市的角度来看，乐观的言论似乎是廉价的，而经济悲观主义在任何时候都可能代价高昂，而不仅仅是在危机期间。我们在这里构造的新闻变量可能有更广泛的应用。例如，Engle和Rangel（2008）开发了一个由宏观经济原因驱动的低频波动模型。我们的新闻指数可以简化对此类模型的估计，因为它提供了对更广泛的经济新闻的定量估计，其频率比许多预定的统计数据发布的频率更高。参考Birz，G.，L ott，J.R.，20 11。宏观经济新闻对股票回报的影响：来自报纸报道的新证据。《银行与金融杂志》352791–2800。Boyd，J.，Hu，J.，Jagannathan，R.，2005年。

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

2022-5-7 02:39:25

股市对失业消息的反应：为什么坏消息通常对股市有利。《金融杂志》60649-672。布里登，D.T.，197.9。具有随机消费和投资机会的跨期资产定价模型。《金融经济学杂志》7，265–296。陈，L.K.，卡塞斯基，J.，拉科尼肖克，J.，1998年。风险和回报来自多个因素。《金融与定量分析杂志》33159-188。陈，N.f.，19 91。金融投资机会和宏观经济。《金融杂志》46529–554。Chen，N.F.，Roll，R.，罗斯，S.A.，1986年。经济力量和股市。《商业杂志》，383-403。美国切鲁比尼，东卢西亚诺，西维基亚托，2004年。金融中的Copula方法。约翰·威利父子公司。康奈尔，B.，1983年。货币供应量公告之谜：回顾与解读。《美国经济评论》，644-657。戴克，A.，辛盖尔斯，L.，2003年。媒体和证券交易所的价格。技术报告。工作报告，哈佛商学院。恩格尔，R.F.，1982年。自回归条件异方差与英国通货膨胀方差估计。计量经济学50987–1007。恩格尔，R.F.，兰格尔，J.G.，2008年。低频波动的样条garch模型及其全球宏观经济原因。财务研究回顾21187–1222。弗兰纳里，M.J.，阿拉巴马州帕罗帕达基斯，2002年。宏观经济因素确实影响股票总回报。金融研究回顾15、182–751。根特，A.C.，2010年。为什么市场对好消息反应不好？来自联邦储备基金期货的证据。SSRN电子杂志。T.格罗斯克罗斯，J.米利约，2005年。衡量媒体偏见的尺度。《经济学季刊》1201191-1237。Jain，P.C.，1988年。每小时股价和交易量对经济新闻的反应。《商业杂志》61219-231。乔·H.，1997年。

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

2022-5-7 02:39:28

多元模型和多元依赖概念。统计和应用概率手册第73卷。华润出版社。Joe，H.，Xu，J.J.，1996年。多元模型推理函数的估计方法。技术报告166。不列颠哥伦比亚大学统计学系。温哥华，不列颠哥伦比亚省奈特，J.，利泽里，C.，塞切尔，S.，2005年。疼痛时的分流？房地产和股票市场的联合分配1。《房地产研究杂志》22，309–32 3。洛特，J.R.，哈塞特，K.a.，2004年。报纸对经济事件的报道是否带有政治偏见？SSRN电子杂志。麦昆，G.，罗利，V.V.，1993年。股票价格、新闻和商业状况。金融研究回顾6683–707。默顿，R.C.，1973年。跨期资本资产定价模型。计量经济学：计量经济学学会杂志41867–887。米凯利斯，L.，宁，C.，2010年。加拿大股市与美元/加元汇率之间的依赖结构：copula方法。加拿大经济杂志431016-1039。马莱纳坦，S.，什莱弗，A.，2005年。新闻市场。《美国经济评论》951031-1053。内尔森，R.，2006年。连接词导论。斯普林格，纽约，美国。宁，C.，2010年。股票市场和外汇市场之间的依赖结构——一种copula方法。国际货币和金融部的Jo ur na l 29743–759。宁，C.，威詹托，T.S.，2009年。东亚股市的极端收益量依赖：一种copula方法。《金融研究快报》6202-209。巴顿，A.，2006年。非对称汇率依赖模型。《国际经济评论》47527–556。巴顿，A.J.，2009年。基于Copula的金融时间序列模型，摘自：安徒生，T.，戴维斯，R.，克里斯，J.，米科什，T.（编辑），《金融时间序列手册》。施普林格-维拉格，柏林，海德堡，第767-786页。Pearce，D.K.，Roley，V.V.，1983年。

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

2022-5-7 02:39:31

股票价格对货币意外变化的反应：一张便条。《金融杂志》381323-1333。Pearce，D.K.，Roley，V.V.，1985年。股票价格和经济新闻。《商业杂志》第58期，第49-67页。Scotti，C.，Yue，V.Z.，2013年。惊喜和不确定性指数：真实活动宏观惊喜的实时聚合。联邦储备委员会。斯卡拉，A.，1959年。尺寸和边缘的分配函数。巴黎大学统计研究所出版物8，229–231.6。附录2001 2004 2006 2009 2012-1.-0.500.51就业新闻指数2001 2004 2006 2009 201220406080就业新闻量图1：路透社1999年1月至2014年4月发布的就业新闻指数月度值和就业相关新闻发布总数。虚线显示过滤后的趋势。2001 2004 2006 2009 2012-1.-0.500.51行业新闻指数2001 2004 2006 2009 20120102030行业新闻量图2：行业新闻指数的月度值和路透社发布的行业相关新闻的总数，1999年1月至2014年4月。虚线显示HP过滤后的趋势。2001 2004 2006 2009 2012-1.-0.500.51住房和建筑新闻指数2001 2004 2006 2009 20120102030住房和建筑新闻量图3：住房和建筑新闻指数的月值以及路透社1999年1月至2014年4月发布的住房相关新闻的总数。虚线显示HP过滤树。2001 2004 2006 2009 2012-1.-0.500.51能源新闻指数2001 2004 2006 2009 201205010150200250能源新闻量图4:1999年1月至2014年4月20日路透社发布的能源新闻指数月度值和能源相关新闻发布总数。

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