与金融相关的谷歌搜索中的幂律关联，以及它们的

nandehutu2022

1082

收藏 2022-05-07

英文标题：
《Power-law correlations in finance-related Google searches, and their
  cross-correlations with volatility and traded volume: Evidence from the Dow
  Jones Industrial components》
---
作者：
Ladislav Kristoufek
---
最新提交年份：
2015
---
英文摘要：
  We study power-law correlations properties of the Google search queries for Dow Jones Industrial Average (DJIA) component stocks. Examining the daily data of the searched terms with a combination of the rescaled range and rescaled variance tests together with the detrended fluctuation analysis, we show that the searches are in fact power-law correlated with Hurst exponents between 0.8 and 1.1. The general interest in the DJIA stocks is thus strongly persistent. We further reinvestigate the cross-correlation structure between the searches, traded volume and volatility of the component stocks using the detrended cross-correlation and detrending moving-average cross-correlation coefficients. Contrary to the universal power-law correlations structure of the related Google searches, the results suggest that there is no universal relationship between the online search queries and the analyzed financial measures. Even though we confirm positive correlation for a majority of pairs, there are several pairs with insignificant or even negative correlations. In addition, the correlations vary quite strongly across scales.
---
中文摘要：
我们研究了谷歌搜索道琼斯工业平均指数（DJIA）成份股的幂律相关性。通过结合重标度范围和重标度方差检验以及去趋势波动分析，我们检查了搜索项的每日数据，结果表明，搜索实际上与赫斯特指数在0.8和1.1之间呈幂律相关。因此，对道琼斯工业平均指数股票的普遍兴趣非常持久。我们进一步使用去趋势相关和去趋势移动平均互相关系数重新研究了组成股票的搜索、交易量和波动性之间的互相关结构。与相关谷歌搜索的普遍幂律相关结构相反，结果表明在线搜索查询与分析的财务指标之间不存在普遍关系。尽管我们确认了大多数配对的正相关，但也有一些配对的相关性不显著甚至为负。此外，各尺度之间的相关性差异很大。
---
分类信息：

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
--
一级分类：Physics 物理学
二级分类：Data Analysis, Statistics and Probability 数据分析、统计与概率
分类描述：Methods, software and hardware for physics data analysis: data processing and storage; measurement methodology; statistical and mathematical aspects such as parametrization and uncertainties.
物理数据分析的方法、软硬件：数据处理与存储；测量方法；统计和数学方面，如参数化和不确定性。
--
一级分类：Quantitative Finance 数量金融学
二级分类：General Finance 一般财务
分类描述：Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--

---
PDF下载：
-->

Power-law_correlations_in_finance-related_Google_searches,_and_their_cross-corre.pdf
大小:(3.2 MB)

马上下载

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

大多数88

2022-5-7 10:22:04

简介对互联网用户在线活动的分析已经证明了其在各个学科中的价值，尤其是在心理学[1,2,3,4,5]、生态学[6,7,8,9]、流行病学[10,11,12,13,14]、医学[15,16]语言学[17]、政治学[18]、社会学[19,20]以及广泛的经济学、市场营销和金融[21,22,23,24,25,26,27,28]中，电子邮件地址：kristoufek@icloud.com（Ladislav Kristoufek）预印本于2015年2月3日提交给Physica A[529,30,31,32,33,34,35]。在经济和金融应用中，重点主要放在各种搜索引擎上的搜索查询上，如谷歌、雅虎！还有百度。Bank等人[26]发现了谷歌搜索和德国股市流动性之间的联系。Bordino等人[27]研究了纳斯达克100指数成份股的交易量，他们报告称，这与雅虎的相关搜索有关！发动机Vlastakis&Markellos[28]发现，对纳斯达克和纽约证券交易所股票的互联网搜索查询与其交易量和波动性之间存在正相关关系。Dzielinski[29]引入了基于金融在线搜索查询的不确定性度量。Preiset等人[31]表明，谷歌搜索财务术语可以用于支持交易策略。Kristoufek[32]利用通过谷歌搜索查询衡量的道琼斯股票受欢迎程度来进行投资组合多元化。Kristoufek[33]进一步研究了谷歌搜索、维基百科页面浏览量和比特币加密货币之间的动态关系，发现了它们之间的密切关系。Moat等人[34]报告称，即使是维基百科的页面浏览量也可以用于交易策略的构建。以及Curme等人。

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

kedemingshi

2022-5-7 10:22:07

[35]将在线搜索分为若干组，显示主要以政治和商业为导向的搜索与股市走势有关。在线搜索、交易量和波动性之间最常报告的关系进一步指向在线搜索时间序列的动态特征。由于成交量和波动率的幂律相关结构已经被反复研究[36,37,38]，在线搜索也有同样的研究思路。在线活动的潜在长期记忆对建模和正确检查搜索和其他系列之间的动态有进一步的影响。这里，我们研究了与道琼斯工业平均指数（DJIA）相关的谷歌搜索的相关结构。每日谷歌搜索数据用于DJIA的组成部分，因此，我们首次对在线搜索的相关性结构进行了此类研究。为此，我们应用重标范围和重标方差检验来揭示幂律相关性结构，并进一步对搜索查询序列进行去趋势函数分析。事实证明，与谷歌查询相关的数据实际上是幂律相关的，因此我们重新研究了搜索、交易量和所研究股票的波动性之间的交叉相关性。当我们发现在线搜索是幂律相关的，并且处于（非）平稳性边缘时，我们利用了新提出的基于扭曲互相关和去趋势移动平均互相关分析的相关系数。论文的结构如下。

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

可人4

2022-5-7 10:22:10

在第2节中，我们描述了所使用的方法，特别是重标范围和重标方差测试、移动区块引导显著性标准、去趋势波动分析以及相关系数。第3节介绍了数据集并给出了结果。第4节结束。我们证明了与幂律相关过程的DJIA分量stocksshow标度特性相关的Google搜索。所有使用的方法都支持这一点。因此，公众对上市公司的普遍兴趣与方差和交易量系列具有相似的性质——在高息期之后是长期低息期。然而，搜索序列总是回归到长期趋势，因此没有观察到爆炸行为。在考虑了在线查询序列的长期记忆方面后，搜索、交易量和波动性之间的相关性变得非常不稳定，没有发现普遍的关系。因此，初步的长期记忆分析对于正确处理在线搜索和各种可能的关联序列之间的相互关系至关重要。2.方法学2。1.长期记忆及其测试长期记忆（或长期依赖性和长期相关性）是通过自相关函数ρ（k）的幂律衰减定义的，其标度为ρ（k）∝ k2H-2对于滞后k→ +∞ [39, 40, 41]. 然后，该序列也被称为幂律（自）相关过程。这类过程的特征参数是赫斯特指数H，或者参数α，对于平稳过程，它的值介于0和1之间。H=0.5的中断值表示没有长期记忆的过程。

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

nandehutu2022

2022-5-7 10:22:14

H>0.5的过程通常被称为持续过程，而H<0.5的过程则被称为反持续过程。前者让人想起局部趋势过程，然而，这些过程保持了平稳性（h<1），并足够快地返回其平均值。后者的行为非常不稳定，因为它们比不相关的过程更频繁地改变方向。将平稳的长程相依过程积分一次，就产生了另一类具有有趣性质的过程。一个人≤ H<1.5，我们有非平稳但仍然是均值回复过程。H=1.5的前沿表示单位根过程，H>1.5表示非平稳且非均值回复的过程，即爆炸过程。时间序列的长期记忆特性对时间序列建模和预测具有深远的影响，这主要是因为它包含了一个不可求和的自相关函数[41]。因此，有必要区分具有幂律相关性的长程依赖和具有指数相关性结构的短程依赖。为此，我们采用了修正的标度范围检验和重标度方差检验。修改后的重新缩放范围测试[42]是原始重新缩放范围分析[39]的调整版本。这两种方法都是基于时间序列长度不断增加的重新缩放范围。对于t=1，2。

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

mingdashike22

2022-5-7 10:22:19

，T，测试统计数据vt定义为vt=RS√Tw其中R是所分析序列的一系列参数，R=maxt=1，。。。，TtXi=1（xi- “x）！- 薄荷=1，。。。，TtXi=1（xi- \'x）！，x是时间序列的平均值，S是原始序列标准偏差的异方差和自相关一致（HAC）估计器，定义为asS=bγ（0）+2qXk=11.-kq+1bγ（k），（1），其中bγ（k）是使用Barlett核权重与滞后k的估计自相关。注意，bγ（0）是一个估计的方差。测试的原始版本和修改版本之间的关键差异源于方程式1，该方程式旨在控制可能的短期记忆偏差。然后，参数q的选择变得至关重要，因为超调参数q甚至可以抑制长期记忆，而欠调参数q可能会导致误导性地发现长期记忆，而长期记忆实际上只是一种很强的短期记忆。我们坚持Lo[42]q提出的参数自动选择标准*=$3T2 | bρ（1）| 1- bρ（1）%（2）其中，bρ（1）是样本的一阶自相关，bc是较低的整数算子。重标度方差检验[43]基于与前一个非常相似的想法，但顾名思义，它基于的是变量方差，而不是变量范围，因此对极值不太敏感。然后，测试统计MTT定义为asMT=var（X）T，其中var（X）是原始序列的变量。为了控制短期记忆偏差，HAC标准偏差与公式1和最佳q*这里也使用了公式2中的公式。尽管VT和MTA都有明确的渐近临界值[42,43]，但由于样本有限，分析序列的非均匀动态以及它们的分布特性，我们选择了另一种方法，利用移动块自举法[44,45]。

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…

能者818

2022-5-7 10:22:24

在这个过程中，替代序列是由原始序列中固定大小的块组成的。这样，短期相关性和分布特性得以保持，但长期相关性得以消除，从而在更现实的零假设下创建检验统计量的分布。在我们的应用程序中，我们将块大小乘以25个观察值，并引导1000个替代序列以获得统计意义。2.2. 去趋势函数分析去趋势函数分析（DFA）[46,47,48]是最流行和最常用的赫斯特指数时域估计器。这主要是因为DFA在各种环境下工作，如非平稳性和趋势[48]、周期性周期和季节性[49]以及重尾[50]。该程序基于以下步骤。我们使用t=1的序列{xt}的文件X（t），定义的asX（T）=tXi=1（xi- \'-x）。该文件分为两部分≡ bT/sc长度为s的非重叠窗口，称为刻度。时间序列长度T可能不可被s整除，这将在程序中不使用的序列末尾创建一个问题。为此，这些序列还从序列的末尾分为两个方框，这样我们就可以得到大小为s的两个方框。在每个方框中，我们计算方框内线性时间趋势的均方偏差。这意味着对于第j个大小为s的盒子，我们得到f（j，s）=ssXi=1（X（s[j]）- 1] +i）-[Xj（i）），其中[Xj（i）是窗口j中位置i处的时间趋势的线性函数。以类似方式，我们获得了从序列asF（j，s）=ssXi=1（X（t）结尾形成的盒的函数- s[j- Ts]+i）-[Xj（i））。然后，我们构建了一个特定标度s asF（s）=2Ts2TsXj=1[F（j，s）]的函数！最后，我们通过标度律得到赫斯特指数∝ 嘘。

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

nandehutu2022

2022-5-7 10:22:27

（3）在应用中，我们估计了smin=10和smax=500之间的标度指数≈ T/5。此外，为了更好地说明，我们将估计和结果建立在10到一个小数点的幂的标度s上。然而，请注意，对于天平和盒子分割程序的其他规格，结果不会发生质的变化，因此，这种方法主要用于直接呈现结果。2.3. DCCA和DMCA系数Zebende[51]提出的尺度s的去趋势互相关系数ρDCCA（s）是去趋势波动分析（DFA）[46,47,48]和扭曲互相关分析（DCCA）[52,53,54]的组合。系数定义为ρDCCA（s）=FDCCA（s）FDF A，x（s）FDF A，y（s），其中FDCCA（s）是基于大小为s的窗口的序列{xt}和{yt}之间的去趋势协方差，对于长度为T的窗口，分别是这些独立序列的文件的去趋势方差，序列分为长度为s的非重叠框。在每个框中，计算线性去趋势序列的函数，然后在相同长度的所有框中求平均值。在T不能被s整除的情况下，序列从开始和结束都被整除，平均值基于这些子周期，就像在DFA的情况下一样。有关方法和一些替代规范的更多详细信息，请参见参考资料。[48, 52, 55, 56, 57, 58, 59].Kristoufek[60]引入了尺度λ的去趋势移动平均互相关系数ρDM CA（λ），作为DCCA系数的替代方法。该方法建立在去趋势移动平均（DMA）程序[61,62]和去趋势移动平均互相关分析（DMCA）[63,64]之间的联系之上。

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

能者818

2022-5-7 10:22:32

定义为ρDM CA（λ）=FDM CA（λ）Fx，DM A（λ）Fy，DMA（λ）的系数，其中FDM CA（λ），FDM A，x（λ）和FDM A，y（λ）分别是被检查序列的参数和单独序列的去趋势方差之间的去趋势协方差，带有移动平均参数λ。波动函数基于由长度λ的中心移动平均值去趋势化的序列。不同的规格可用于测试，但中心平均已被证明优于竞争者[65]。与DCCA系数相反，DMCA系数不是基于盒子分裂，因此计算效率更高。更多细节见参考文献。[60, 62, 63].在一系列论文中，Kristoufek[55,60]表明，两种方法的统计特性强烈依赖于单独系列的长期记忆特性。此外，对于所研究过程之间不同程度的相关性，这些方法的可靠性也不是恒定的。为了控制这种影响，我们应用泰勒的振幅调整傅里叶变换（TAAF）[66]。该方法重建的序列具有与原始序列相同的光谱和分布特性。通过这种方法，我们得到了两个具有不变自相关和分布结构的序列，但是它们是成对不相关的。然后可以获得并测试基于ONDCA和DMCA的估计相关性的统计意义。具体地说，对于每一对研究过程，我们得到了TAAF变换序列，该序列没有交叉相关，但保留了原始序列的自相关和分布特性。然后对此类序列的DCCA和DMCA系数进行估计。由于序列没有相互关联，因此系数的预期值为零。然而，估计值的方差可能很高。

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

nandehutu2022

2022-5-7 10:22:36

因此，我们估计了1000个替代序列的系数，以在序列之间无交叉相关性的零假设下获得有限的样本分布，这控制了长期自相关性和分布特性。DCCA是前一节介绍的DFA的二元推广。3.数据和结果谷歌从2004年起提供特定术语的搜索查询时间序列。然而，这一系列的搜索并不是针对某个特定用户的纯搜索数，而是根据谷歌算法进行了重新规范化。谷歌算法本质上可以将搜索重新调整为0-100区间，以便该数字代表特定搜索项在所有搜索项中的比例，即在0到100之间。此外，获得的数字基于所有搜索项的抽样，因此这些项代表估计的重新缩放比例。尽管这样的重新缩放过程可能会在一定程度上稀释该系列的信息内容，但导言部分总结的实验结果却显示了另一种情况。谷歌数据可以每周从谷歌趋势网站（Trends.Google.com）免费下载一次。为了以更高的频率获取数据，尤其是每日数据，需要在三个月的时间段内下载该系列，该系列还需要重新缩放并链接在一起。我们对2004年至2013年期间道琼斯工业平均指数（DJIA）的成份股采用这种程序（除了埃克森美孚、摩根大通和宝洁，其系列短几个月，将在下文中明确），从而获得了大多数系列的2516个观察值。谷歌查询数据最严重的问题是其在定义搜索词时的相对随意性。

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

何人来此

2022-5-7 10:22:39

此外，谷歌对其搜索序列重新应用的采样和阈值处理程序经常会以报告不完整序列而告终。如果没有足够频繁地搜索特定术语，则该序列实际上是无意义的。因此，我们只分析提供可靠搜索查询序列的组件库存。在30只道琼斯工业平均指数股票中，我们最终得到了18只谷歌系列可靠且不间断的股票。表1总结了分析的库存。我们尝试了搜索词的各种组合和规格，并报告了提供最完整系列的一个。谷歌搜索分析的股票如图所示。1和2。这些发现表明，对组分库存的搜索频率是非常不均匀的。趋势是急剧下降（IBM、默克、微软），缓慢下降（3M、波音、杜邦、通用电气、英特尔），或反向快速增长（麦当劳）或缓慢增长（卡特彼勒、可口可乐、埃克森美孚、家得宝），或在时间上保持相当稳定（强生、摩根大通、联合技术、迪士尼）。大多数系列显示出强烈的季节性模式（因此选择了为此类系列构建的DCCA和DMCA技术），主要与年底有关，但也有一些更强的模式，如家得宝。因此，所检查的数据集提供了各种动态行为的复杂选择。在我们得出赫斯特指数的估计值，从而得出问题的记忆类型之前，我们首先测试分析的序列是否真的是幂律相关的。InTab。2.如前一节所述，我们提供了测试统计数据以及相应的标度范围和重标度方差测试的p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

何人来此

2022-5-7 10:22:44

除了两个案例（可口可乐和IBM）外，所有系列都报告了幂律相关性（完整假设被至少一个至少10%水平的测试拒绝）。需要强调的是，最佳q参数的水平在所有情况下都会升高，在某些情况下会非常高，有时会考虑多达372个协方差函数的滞后（这里特别针对IBM）。这只会强化一种说法，即所分析的谷歌系列是长期相关的。这是因为考虑到已经有几十个延迟实际上意味着考虑长期记忆，对于数百个延迟来说更是如此。标签。2还报告了估计的赫斯特指数，这些指数由图进一步支持。3和4。在图中，我们根据公式3报告了函数的明显幂律比例。对于所有序列，标度都非常稳定，因此估计的赫斯特指数是可靠的。标签。2表明赫斯特指数在0.8和1.1之间变化。因此，谷歌搜索对所有分析的序列都具有很强的持久性。尽管对这些系列的记忆很强，赫斯特指数仍然低于1。5这意味着序列保持均值回复。在DFA环境下，这意味着，即使在线查询系列倾向于偏离长期趋势，但它们总是回到长期趋势上，而且永远不会爆发。该系列仍然处于平稳和非平稳（约H=1）的边缘，这一事实只突显了在多变量环境中对此类系列进行重新处理的必要性，这些多变量环境在经验文献中得到了标准应用。为了进一步说明这些结果的有用性，我们重新研究了谷歌搜索、交易量和波动性之间的关系。

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

可人4

2022-5-7 10:22:47

道琼斯工业平均指数每种成份股的交易量可直接从Finance获得。雅虎。com以及开盘价、收盘价、高价和低价。我们利用提供的信息，并使用Garman-Klass方差估计器[67]构建波动率序列，该估计器定义为asbσGK，t=（log（Ht/Lt））- （2）日志2- 1）（log（Ct/Ot））（4）其中HTL和LTL分别为每日高点和低点，CTA和Otare分别为每日收盘价和开盘价。估计器具有很好的统计特性，是一个很好的选择，无需使用高频数据[68]。我们研究了bσ和成交量序列的对数变换，这是应用文献中的标准程序。原始方差序列的转换允许我们对方差和波动性进行评论，因为对数方差仅为对数波动性的两倍。我们使用DCCA和DMCA系数在不同尺度上检验了谷歌搜索、交易量和波动性之间的相关性。对于DCCA系数，我们研究了搜索和交易量之间的相关性，以及搜索和波动性之间的相关性，范围为10到250，步长为10。对于DMCA系数，我们使用11到251之间的移动窗口长度，步长也为10。通过这种方式，我们可以使用这些方法获得可比的结果。无花果。5和6分别描述了两种方法的方差和交易量的结果。仅报告p值低于0.10的显著相关性，显著相关性设置为零。我们发现了几个有趣的结果。首先，DMCAmethod报告了更稳定的结果和更显著的系数。这与Kristoufek[55,60]给出的数值结果非常吻合。其次，交易量的相关性通常高于波动性的相关性。

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

nandehutu2022

2022-5-7 10:22:52

第三，大多数显著相关性出现在较低的尺度上。因此，在线搜索和所检查的财务指标之间似乎存在相当短期或中期的关系。从长期来看，只有很少的相关性被认为是显著的。第四，不同股票名称之间的相关性水平差异很大。因此，搜索、波动性和数量之间的关系似乎存在名词性差异。表3和表4进一步说明了结果的异质性。在这里，我们展示了不同尺度的平均DCCA和DMCA系数及其显著性水平。上述结果得到了支持。首先，相关性的重要性、水平和符号差异很大。其次，DMCA程序提供了更重要的结果。第三，成交量的相关性高于波动性。然而，许多重要的相关性仍然低于0.05的水平，几乎所有的相关系数都在-0.2到0.2之间。因此，即使在统计学上显著，相关性也非常弱。仍然有一些有趣的结果主要与各种相关迹象有关。例如，微软表现出一些非正统的波动行为。通常会报告正相关性，而针对Microsoft的搜索查询则与波动性负相关。相反，成交量表现出正相关。因此，人们对微软的普遍兴趣主要与稳定股价的正面消息联系在一起，而不是与使股价更加波动的负面消息联系在一起。强生公司也发现了类似的动态。默克是唯一一家在这两个财务数量上都有显著业绩的股票。其他股票要么表现出正相关，要么表现出微弱的负相关。4.

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 10:22:55

讨论和结论我们分析了DJIAstock组件在线搜索查询中的幂律相关性。通过重建每日谷歌搜索序列，我们已经能够获得足够的观察数据，以便对长期相关性进行有效分析。通过结合重标度范围和重标度方差检验以及去趋势函数分析，我们证明了在线搜索确实是幂律相关的。重要的是，长期记忆水平非常高，所有分析的股票的赫斯特指数都在单位附近（在0.8到1.1之间）。这些结果表明，与财务相关的在线搜索与股票方差和交易量具有相似的动态特性，而股票方差和交易量本身是幂律相关的。进入股市的信息流同样进入了公众利益，并在相当长的一段时间内保持着它，因此它的消散不是即时的。在线搜索和暗示关注通常归因于散户和小投资者，这类信息和注意力消散会让小投资者长期使用这些信息进行决策。这一系列的持续动态也可能源于小投资者的犹豫不决，他们在投资特定股票之前会三思而后行。然后，在线搜索会聚集在一起，并在更长的时间间隔内保持其水平。结果令人惊讶地普遍适用于所分析的股票。尽管这些系列的全球动态是非常异质的，趋势的速度或波动水平各不相同，但它们仍然具有很强的持续性，并能平滑地调整波动。此外，我们还使用最近提出的DCCA和DMCA系数研究了谷歌搜索、交易量和波动性之间的关系。

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

nandehutu2022

2022-5-7 10:22:59

结果主要表明，在线搜索查询与分析的财务指标之间没有普遍的关系。尽管我们确认了大多数配对的正相关，但也有一些配对的相关性不显著，甚至是负相关。此外，各尺度之间的相关性差异很大。因此，在线搜索在财务建模和各种应用方面保持了潜力，但我们的发现表明，人们需要分别仔细研究每种股票或资产，因为查询的有用性可能会产生相当大的影响。报告的结果不一定与之前的一些发现相矛盾，这些发现在统计学上有显著的联系[26,27,28,31]或时间变化相关性[35]。然而，我们强调，在线搜索和相关财务变量（交易量和波动性）之间似乎没有普遍和全球性的关系。我们的研究结果为该课题的进一步研究开辟了一个有趣的领域。首先，在不同类型的搜索查询中，也可能观察到相关性结构的幂律性质，而不一定仅限于股票或金融市场。这将展示信息或信息寻求如何随时间消散，以及这种行为如何与相关时间序列的其他特定现象相联系。第二，结果表明，在线搜索具有很强的持久性，并且处于（非）平稳性的边缘。这种特征意味着，文献中报道的简单相关性研究应该考虑到这一特性，因为使用短期相关序列的工具对持久性数据进行不适当的分析可能会产生虚假的结果，进而产生误导性的结果。

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

mingdashike22

2022-5-7 10:23:03

第三，了解序列的基本动态特性有助于构建预测模型，这对从业者来说非常有意义，尤其是在风险管理方面。感谢捷克科学基金会在第14-11402P号项目下以及英国研究委员会通过EP/K039830/1号赠款提供的支持。我还要感谢托马斯·瓦克曼对数据集收集的帮助。谷歌数据是谷歌公司的注册商标，经许可使用。参考文献参考文献[1]M.J.麦卡锡。通过互联网监测人群中的自杀风险。《有效性疾病杂志》，122:277-2792010。[2] A.佩奇、S-S.张和D.甘奈尔。使用互联网监控澳大利亚的自杀行为？澳大利亚和新西兰精神病学杂志，45:1020–10222011。[3] 苏伊基。使用自杀相关搜索词的互联网搜索量是否影响自杀死亡率：日本2004年至2009年的数据。《精神病学与临床神经科学》，65:392–3942011。[4] 杨志强、蔡世杰、黄恩东和彭志强。台湾台北市互联网搜索趋势与自杀死亡的关联，20042009。《有效分类杂志》，132:179–184，2011年。[5] A.Hagihara、S.Miyazaki和T.Abe。网络自杀搜索和日本年轻人自杀率。《欧洲精神病学和临床神经科学档案》，262:39–462012。[6] M·L·麦卡勒姆和G·W·伯里。谷歌的搜索模式表明人们对环境的兴趣正在下降。《生物多样性与保护》，22:1355–1367，2013年。[7] M·L·麦卡勒姆和G·W·伯里。公众对环境的兴趣正在下降：Aresseponse to Ficetola（2013）。生物多样性与保护，23:1057–1062，2014。[8] G.F.菲塞托拉。对环境的兴趣真的在下降吗？使用互联网搜索数据分析趋势的复杂性。

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

何人来此

2022-5-7 10:23:06

生物多样性与保护，22:2983–29882013。[9] D.Verissimo、D.C.麦克米伦、R.J.史密斯、J.克里和Z.G.戴维斯。气候变化是否比生物多样性保护更重要？《生物科学》，64:625–6292014。[10] 菲利普·M·波尔格林、陈一玲、大卫·M·彭诺克、弗雷斯特·D·纳尔逊和罗伯特·A·韦恩斯坦。使用互联网搜索进行流感监控。《临床传染病》，47（11）：1443-14482008。[11] 杰里米·金斯伯格、马修·H·莫赫比、拉詹·S·帕特尔、林内特·布拉默、马克·S·斯莫林斯基和拉里·布莱恩特。使用搜索引擎数据检测流感疫情。《自然》，457（7232）：1012-10142009年2月。[12] H.A.卡内罗和E.迈洛纳基斯。谷歌趋势：一个基于网络的实时监测疾病暴发的工具。《临床传染病》，49:1557-642009。[13] A.Seifter、A.Schwarzwalder、K.Geis和J.Aucott。“谷歌趋势”在流行病学研究中的应用：以莱姆病为例。地理空间健康，4:135–137，2010年。[14] A.F.杜加斯，Y.-H.谢、S.R.莱文、J.M.派恩斯、D.P.马雷尼斯、A.莫哈雷布、C.A.高多斯、T.M.佩尔和R.E.罗斯曼。谷歌流感趋势：与急诊室流感发病率和拥挤指标的相关性。《临床传染病》，54:463–4692012。[15] F·林科夫、D·H·博夫杰格、K·E·弗里斯、R·拉马纳森、G·M·艾德和W·古拉什。全世界对减肥手术的兴趣：谷歌趋势可以教给我们什么。《肥胖症及相关疾病外科学》，2014年10:533–539。[16] D.A.Telem和A.D.Pryor。谷歌趋势：这是一个真正的工具来预测未来的胆道手术，还是仅仅是一个营销地雷？肥胖及相关疾病的外科手术，2014年10:538–539。[17] D.莫卡努、A.巴伦切利、N.佩拉、B.冈卡尔夫斯、Q.张和A.维斯皮格纳尼。巴别塔的Twitter：通过微博平台绘制世界语言地图。《公共科学图书馆一号》，8:E61812013。[18] P.T.梅塔克斯和E.穆斯塔法拉。

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 10:23:09

社交媒体和选举。《科学》，338:472–473，2012年。[19] D.Rybski、S.V.Buldyrev、S.Havlin、F.Liljeros和H.A.Makse。人类互动活动的标度定律。美国国家科学院院刊，106:12640–126452009。[20] P.A.格拉博维茨、J.J.拉马斯科、B.冈卡尔夫斯和V.M.埃圭卢兹。在社交媒体上纠缠手机和互动。《公共科学图书馆一号》，9:E921962014。[21]T.Preis、D.Reith和H.E.Stanley。我们经济生活在不同规模上的复杂动态：来自搜索引擎查询数据的见解。皇家学会哲学学报A，368:5707–5719，2010年。[22]Jordi Mondria、Thomas Wu和Yi Zhang。国际投资和注意力分配的决定因素：使用互联网搜索查询数据。《国际经济学杂志》，82（1）：85-952010。[23]S.Goel、J.M.Hofman、S.Lehaie、D.M.Pennock和D.J.Watts。通过网络搜索预测消费者行为。美国国家科学院院刊，7（41）：17486-174902010。[24]S.沃森和T.施密特。预测私人消费：基于调查的指标。谷歌趋势。《预测杂志》，30（6）：565-5781011。[25]M.S.德雷克、D.T.鲁尔斯通和J.R.索诺克。投资者信息需求：来自谷歌搜索收益公告的证据。会计学研究杂志，50（4）：1001-10401212。[26]M.班克、M.拉奇和G.彼得。谷歌搜索量及其对德国股票流动性和收益的影响。《金融市场与投资组合管理》，2011年第25期，第239-264页。[27]I.Bordino、S.Battiston、G.Caldarelli、M.Cristelli、A.Ukkonen和W.Ingmar。Websearch查询可以预测股市交易量。《公共科学图书馆一号》，7:e40014，2012年。[28]N.弗拉斯塔基斯和R.N.马克洛斯。信息需求与股市波动。《银行与金融杂志》，36:1808-182112012。[29]米。

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

nandehutu2022

2022-5-7 10:23:13

泽林斯基。衡量经济不确定性及其对股市的影响。《金融研究快报》，9:167–175，2012年。[30]T.Preis、H.S.Moat、H.E.Stanley和S.R.Bishop。量化向前看的优势。科学报告，2012年2:350。[31]T.Preis、H.S.Moat和H.尤金·斯坦利。使用谷歌趋势量化金融市场的交易行为。科学报告，3:16842013。[32]L.Kristoufek。谷歌趋势搜索查询是否有助于风险分散？《科学报告》，2013年3:2713。[33]L.Kristoufek。比特币符合谷歌趋势和维基百科：量化互联网时代现象之间的关系。《科学报告》，2013年3:3415。[34]H.S.护城河、C.库姆、A.阿瓦基安、D.Y.凯内特、H.E.斯坦利和T.普里斯。在股市波动之前量化维基百科的使用模式。科学报道，3:18012013。[35]C.Curme、T.Preis、H.E.Stanley和H.S.Moat。量化股市波动前搜索行为的语义。美国国家科学院院刊，111:11600–116052014。[36]R.Cont.资产回报的经验性质：程式化事实和统计问题。定量金融，1（2）（2）：223–236，2001年。[37]S.-H.潘和C.格兰杰。金融市场波动预测：综述。经济文献杂志，41:478–539，2003年。[38]S.-H.潘和C.格兰杰。预测波动性的实际问题。《金融分析师杂志》，61（1）：45-562005。[39]H.E.赫斯特。水库的长期库容。美国工程师学会学报，116:770–7991951。[40]J.贝伦。《长记忆过程统计》，统计与应用概率专著第61卷。查普曼和霍尔，纽约，1994年。[41]根纳迪·萨莫罗德尼茨基。长期依赖。基金会与趋势inStochastic Systems，1（3）：163–2572006。[42]A.洛。

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

mingdashike22

2022-5-7 10:23:17

股票市场价格的长期记忆。《计量经济学》，59（5）：1279-13131991。[43]L.Giraitis、P.Kokoszka、R.Leipus和G.Teyssiere。在波动性和水平上对长记忆进行重标方差和相关检验。《计量经济学杂志》，112:265–2942003。[44]B.埃夫隆、R.蒂布什拉尼和R.J.蒂布什拉尼。引导的介绍。查普曼与霍尔出版社，1993年。[45]V.斯里尼瓦斯和K.斯里尼瓦斯。建模相关的年径流后变黑。《水文学杂志》，230:86–126，2000年。[46]C.Peng、S.Buldyrev、A.Goldberger、S.Havlin、M.Simons和H.Stanley。有限大小对长程相关性的影响：分析DNA序列的意义。PhysicalReview E，47（5）：3730-37331993。[47]C.Peng、S.Buldyrev、S.Havlin、M.Simons、H.Stanley和一位Goldberger。DNA核苷酸的镶嵌组织。物理评论E，49（2）：1685-16891994。[48]J.坎特哈特、S.兹奇纳、E.科斯切尔尼·邦德、A.邦德、S.哈夫林和E.斯坦利。非平稳时间序列的多重分形去趋势波动分析。Physica A，316（1-4）：87-1142002。[49]K.Hu、P.Ivanov、Z.Chen、P.Carpena和H.E.Stanley。趋势对去趋势波动分析的影响。物理回顾E，64:011114，2001。[50]J.巴鲁尼克和L.克里斯托菲克。重尾分布下的Hurst指数估计。Physica Physica A:统计力学及其应用，389（18）：3844–38552010。[51]G.F.泽本德。DCCA互相关系数：量化互相关水平。Physica A，390:614–6181011。[52]B.波多布尼克和H.E.斯坦利。去趋势互相关分析：一种分析两个非平稳时间序列的新方法。物理回顾信，100:0841022008。[53]周文轩。两个非平稳信号的多重分形去趋势互相关分析。物理回顾E，77（6）：0662112008。[54]江泽民和周文星。

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

大多数88

2022-5-7 10:23:21

多重分形去趋势移动平均互相关分析。物理回顾E，84（1）：0161062011。[55]L.Kristoufek。用DCCA系数测量非平稳序列之间的相关性。Physica A，402:291–2982014。[56]L-Y.他和S-P.陈。农产品期货市场价量关系的非线性二元依赖性：多重分形去趋势交叉相关分析的视角。Physica A，390:297–3082011。[57]L-Y.他和S-P.陈。农业期货市场的多重分形去趋势互相关分析。《混沌孤子与分形》，44:355–36112011。[58]曹俊杰、曹广德、徐立群和贺立业。非对称多重分形去趋势相关分析方法及其在中国金融市场的应用。Physica A，393:460–4692014。[59]G-J.Wang，C.Xie，L-Y.He和S.Chen。去趋势最小方差套期保值比率：不同时间尺度下套期保值比率的新方法。Physica A，405:70–792014。[60]L.Kristoufek。去趋势移动平均互相关系数：测量非平稳序列之间的互相关。Physica A，406:169–1752014。[61]N.范德维尔和M.奥斯洛斯。两个移动平均值的交叉：测量粗糙度指数的方法。物理评论E，58:6832–68341998。[62]E.Alessio、A.Carbone、G.Castelli和V.Frappietro。随机时间序列的二阶移动平均和标度。欧洲物理杂志B，27:197-2002002。[63]S.Arianos和A.Carbone。长程相关序列的互相关。《统计力学杂志：理论与实验》，3:P030372009。[64]L-Y.何和S-P.陈。一种量化幂律互相关的新方法及其在商品市场中的应用。Physica A，390:3806–38141011。[65]A.Carbone和G.Castelli。

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

可人4

2022-5-7 10:23:24

长程相关噪声信号的标度特性：金融市场的应用。《间谍诉讼》，5114:406–4142003。[66]J.泰勒、S.尤班克、A.隆廷、B.加尔德里基安和J.D.法默。时间序列非线性测试：替代数据法。Physica D：非线性现象，58:77–941992。[67]M.B.加曼和M.J.克拉斯。基于历史数据的证券价格波动性估计。商业杂志，53:67-781980。[68]R.Y.Chou、H.Chou和N.Liu。《定量金融和风险管理手册》，第1章波动率模型及其在金融中的应用，第1273-1281页。斯普林格美国，2010年。表1：搜索的术语和DJIA组件库存。公司全名公司简称股票搜索查询#1 3M公司3M MMM 3M#2卡特彼勒公司卡特彼勒公司卡特彼勒#3可口可乐公司可口可乐公司可口可乐公司#4 E.I.杜邦公司杜邦公司#5埃克森美孚公司埃克森美孚XOM埃克森美孚公司#6通用电气GE#7家得宝公司家得宝家得宝HD家得宝#8英特尔公司英特尔INTC英特尔#9国际商业机器IBM#10摩根大通摩根大通摩根大通#11强生强生#12麦当劳公司麦当劳麦当劳#13默克公司#。，微软微软微软微软微软微软宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁宝洁公司。

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

大多数88

2022-5-7 10:23:29

VTp值MTp值q*HDF A3M 2516 2.9267 0.0000 0.0003 0.0000 46 0.9452波音2516 2.7083 0.0000 0.0003 0.0000 65 0.9086卡特彼勒2516 2.0131 0.0120.0001 0.0030 33 1.0467可口可乐2516 1.6006 0.1848 0.0001 0.2647 23 0.9016杜邦2516 2 2.6857 0.0000 0.0002 0.0000 63 0.9276埃克森美孚2265 2.8268 0.0000 0.0003 0.0000 0.0337 0.930.1848通用电气2516 0.0003家得宝130.960.0560.0001 0.1359 67 1.1557IBM 2516 1.2279 0.6424 0.0001 0.1099 372 1.1478英特尔2516 1.7875 0.0070 0.0001 0.0000 164 1.1486强生2516 2.5457 0.0000 0.0002 0.0000 34 0.9964J。摩根大通2393.4226 0.0000 0.0002 0.0000 26 0.8261麦当劳2516 2.0612 0.0000 0.0002 0.0000 127 1.0373默克2516 2.3400 0.0000 0.0002 0.0000 88 0.9314微软2516 1.5279 0.0729 0.0001 0.0060 206 1.0896宝洁2393 3.2807 0.0000 0.0005 0.0000 25 0.94680联合科技2516 2 2 2 2 2 2 2 2 2.7528 0.0000 0.0002 0.874781华特迪士尼2516 0.0003.0000.0003波动性和谷歌搜索之间的平均DCCA和DMCA相关性ρDCCAbσρDC CAp值ρDM CAbσρDM C Ap值显著标志3M 0.0657 0.0270 0.0149 0.0648 0.0112 0.0000 XX+波音-0.0372 0.0275 0.1771-0.0281 0.0162 0.0831×X-卡特彼勒0.1087 0.0231 0.0000 0.1136 0.0086 0.0000 XX+可口可乐0.0315 0.0214 0.1422 0.0369 0.0093 0.0001×X+杜邦0.1658 0.0194 0.0000 0.1590 0.0096 0.0000 XX+埃克森美孚0.0432 0.0170 0.0111 0.0411 0.0101 0.0000 XX+通用电气0.1827 0.0173 0.0000 0.2181 0.0067 0.0000 XX+家得宝0.0095 0.0173×0.0193--IBM 0.1093 0.0247 0.0000 0.1154 0.0047 0.0000 XX+英特尔0.0287 0.0252 0.2536 0.0302 0.0125 0.0160×X+强生-0.0953 0.0308 0.0020-0.1431 0.0227 0.0000 XX-J.P。

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 10:23:33

摩根士丹利0.0282 0.0176 0.1093 0.0501 0.0094 0.0000×X+麦当劳0.1509 0.0176 0.0000 0.1595 0.0073 0.0000 XX+默克0.0216 0.0328 0.5090 0.0296 0.0228 0.1955××0微软-0.1635 0.0323 0.0000-0.1608 0.0250.0000 XX-宝洁-0.0118 0.0172 0.4944-0.0141 0.0085 0.0960×X-联合技术-0.0813 0.0259 0.0017-0.1076 0.0191 0.0000 XX-华特迪士尼0.0841 0.0195 0.0000 0.0509 0.0052 0.0000 XX+表4：交易量和谷歌搜索之间的平均DCCA和DMCA相关性ρDCCAbσρDC CAp值ρDM CAbσρDM C Ap值显著标志着3M 0.1599 0.0302 0.0000 0.1667 0.0179 0.0000 XX+波音-0.0280 0.0251 0.2647-0.0468 0.0186 0.0117×X-0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 73 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 XX+英特尔0.0357 0.0254 0.1609 0.0345 0.0096 0.0003×X+强生0.0211 0.0254 0.4066-0.0172 0.0173 0.3192×0J。摩根士丹利0.1258 0.0195 0.0000 0.1008 0.0077 0.0000 XX+麦当劳0.2032 0.0185 0.0000 0.2168 0.0133 0.0000 XX+默克0.0463 0.0447 0.3009 0.0328 0.0318 0.3022××微软0.0993 0.0248 0.0001 0.0937 0.0087 0.0000 XX+宝洁0.0724 0.0212 0.0007 0.0865 0.0199 0.0000 XX+联合科技-0.080.080.0156-沃尔特·迪士尼0.2297 0.0437 0.0000 0.1317 0.0209 0.0000 XX+图1：标准化谷歌搜索（第一部分）。

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

大多数88

2022-5-7 10:23:36

涵盖期为2004年1月1日至31日。12.2013，每日一次。图和表图2：标准化谷歌搜索（第2部分）。图3:DJIA组件股票相关谷歌搜索的DFA缩放（第1部分）。对数-对数表示对长程相关过程显示出深刻的线性标度特性。表1总结了估计的赫斯特指数。2.图4:DJIA组件股票相关谷歌搜索的DFA缩放（第2部分）。图5：谷歌搜索和方差之间的相关系数。分别给出了DCCA（左）和DMCA（右）方法在变尺度和移动平均窗口下的相关性。结果显示了所有分析系列的结果。仅报告了显著相关性（P值低于0.1）。图6：谷歌搜索和交易量之间的相关系数。图5中的符号保持不变。

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

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

分享

扫码加好友，拉您进群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群