新颖、热门的商业新闻及其对股市的影响

768

收藏 2022-05-08

英文标题：
《Novel and topical business news and their impact on stock market
activities》
---
作者：
Takayuki Mizuno, Takaaki Ohnishi, Tsutomu Watanabe
---
最新提交年份：
2015
---
英文摘要：
We propose an indicator to measure the degree to which a particular news article is novel, as well as an indicator to measure the degree to which a particular news item attracts attention from investors. The novelty measure is obtained by comparing the extent to which a particular news article is similar to earlier news articles, and an article is regarded as novel if there was no similar article before it. On the other hand, we say a news item receives a lot of attention and thus is highly topical if it is simultaneously reported by many news agencies and read by many investors who receive news from those agencies. The topicality measure for a news item is obtained by counting the number of news articles whose content is similar to an original news article but which are delivered by other news agencies. To check the performance of the indicators, we empirically examine how these indicators are correlated with intraday financial market indicators such as the number of transactions and price volatility. Specifically, we use a dataset consisting of over 90 million business news articles reported in English and a dataset consisting of minute-by-minute stock prices on the New York Stock Exchange and the NASDAQ Stock Market from 2003 to 2014, and show that stock prices and transaction volumes exhibited a significant response to a news article when it is novel and topical.
---
中文摘要：
我们提出了一个指标来衡量特定新闻文章的新颖程度，以及一个指标来衡量特定新闻项目吸引投资者注意的程度。新颖性度量是通过比较特定新闻文章与早期新闻文章的相似程度来获得的，如果之前没有类似的文章，则该文章被视为新颖。另一方面，我们说，一条新闻受到很多关注，因此，如果它同时被许多新闻机构报道，并被许多从这些机构接收新闻的投资者阅读，那么它就具有高度的话题性。新闻项目的话题性度量是通过计算内容与原始新闻文章相似但由其他新闻机构发布的新闻文章的数量来获得的。为了检验这些指标的表现，我们实证研究了这些指标与日内金融市场指标（如交易数量和价格波动）的相关性。具体而言，我们使用了一个数据集，其中包括9000多万篇英文商业新闻文章，以及一个数据集，其中包括2003年至2014年纽约证券交易所和纳斯达克股票市场上每分钟的股票价格，并显示，当新闻文章新颖且具有主题性时，股票价格和交易量表现出显著的反应。
---
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：Computer Science 计算机科学
二级分类：Computers and Society 计算机与社会
分类描述：Covers impact of computers on society, computer ethics, information technology and public policy, legal aspects of computing, computers and education. Roughly includes material in ACM Subject Classes K.0, K.2, K.3, K.4, K.5, and K.7.
涵盖计算机对社会的影响、计算机伦理、信息技术和公共政策、计算机的法律方面、计算机和教育。大致包括ACM学科类K.0、K.2、K.3、K.4、K.5和K.7中的材料。
--
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。
--

---
PDF下载：
-->

Novel_and_topical_business_news_and_their_impact_on_stock_market_activities.pdf
大小:(242.43 KB)

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

nandehutu2022

2022-5-8 15:08:23

新颖和热门的商业新闻及其对股市活动的影响*§*k，大西隆明+k，渡边昌夫k*东京国立信息研究所，Japanmizuno@nii.ac.jp+日本东京东京大学信息科学与技术研究生院。takaaki@i.u-东京。ac.jp——东京大学经济研究生院，东京，Japanwatanabe@e.u-东京。ac.jp§日本东京SOKENDAI（高级研究生大学）信息学系日本东京日本科学技术厅PRESTO日本东京佳能全球研究所摘要：我们提出了一个指标来衡量某一新闻文章的新颖程度，以及衡量特定新闻项目吸引投资者兴趣程度的指标。通过比较某篇新闻文章与早期新闻文章的相似程度，可以得出新颖性度量。如果之前没有类似的文章，则该文章被视为新颖。另一方面，我们说，一条新闻受到很多关注，如果它同时被许多新闻机构报道，并被许多从这些机构收到新闻的投资者阅读，那么它就是高度话题化的。一条新闻的话题性度量是通过计算内容与原始新闻相似但由其他新闻机构发布的新闻文章的数量来获得的。为了检验这些指标的表现，我们实证研究了这些指标与日内金融市场指标（如交易数量和价格波动）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

kedemingshi

2022-5-8 15:08:26

具体而言，我们使用了一个数据集，该数据集包含9000多万篇英文商业新闻报道，以及一个数据集，该数据集包含2003年至2014年纽约证券交易所和纳斯达克股票市场上每分钟的股票价格，并显示，当新闻文章新颖且热门时，股票价格和交易量表现出显著的响应。新颖性；话题性；外部冲击；金融市场；商业新闻；金融市场可以被视为一个非均衡系统。对于金融、经济学和统计物理学的研究人员来说，理解它们是如何工作的仍然是一个巨大的挑战。金融市场价格的波动有时是由内生力量驱动的，有时是由外生力量驱动的。商业新闻是外来力量的典型例子。不经意的观察表明，股票价格对有关公司情况新发展的新闻报道作出反应。研究人员在多个不同领域[1]–[13]对市场对新闻的反应进行了广泛研究，一些研究人员试图构建模型，捕捉对内生和外生冲击的静态和/或动态反应[14]，[15]。新古典金融经济学家的出发点通常是他们所说的“有效市场假说”，这意味着股票价格在消息传递给市场参与者的那一刻做出反应。

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

2022-5-8 15:08:30

许多实证研究试图确定这种对新闻的即时价格反应，但发现几乎没有证据支持有效市场假说[16]–[21]。投资者试图预测不久的将来会发生什么，并根据这些预测买卖证券。通过这个过程，一些有新闻价值的事态发展在发生之前就被纳入了市场价格的因素中，这样股价在被报道时根本不会做出反应[22]。这意味着，研究人员在检测对新闻的即时反应时，区分预期新闻和意外新闻并只关注意外新闻是很重要的。为此，我们需要衡量新闻文章对市场参与者的新颖程度，这是我们将在本文中讨论的第一个问题。另一方面，即使某一条新闻出乎意料，市场反应也会因该条新闻对市场参与者的重要性而有所不同。具体而言，市场对新闻的反应取决于市场参与者的解读方式[23]，媒体的报道方式（即，是在悲观还是乐观的背景下报道）[24]，以及同一新闻的报道次数[25]。研究还表明，在互联网上搜索次数较多的股票，其交易量往往较大[26]。所有这些证据都表明，我们需要将吸引大量注意力的新闻与市场参与者和很少受到关注的新闻区分开来，并将重点放在吸引大量注意力的新闻上，以评估市场对此类新闻的反应。

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

2022-5-8 15:08:33

这意味着我们需要衡量一条新闻吸引市场参与者注意的程度，这是本文将讨论的第二个问题。我们衡量新闻新颖性和话题性的方法与最近关于文本挖掘技术在金融市场活动分析中的应用的研究密切相关。具体而言，研究表明，使用文本挖掘技术提取的新闻文章的语言和统计特征包含有用的信息，可以预测未来的股价和交易量[27]–[32]。此外，在信息过滤方面，已经开发了几种新方法来检测和消除博客和twitter上的冗余文本，并将其应用于社交网络服务（SNS）文本的新奇内容识别[33]–[37]。我们的论文与汤森路透公司（Thomson Reuters Corporation）的研究关系最为密切，该公司提出通过计算在特定时间段内新闻产品中发现的语言相似的新闻文章数量来衡量新闻的新颖性[38]，[39]。根据这种方法，金融市场活动对后续新闻的反应比对初始新闻的反应更强烈[40]。另一项研究与我们的isref[41]密切相关，该研究试图通过计算一条推文的转发次数来衡量一篇新文章的重要性[41]。在本文中，我们通过比较一篇新闻文章与该文章之前报道的其他新闻文章的语言相似性来衡量其新颖性：如果之前没有语言相似的新闻文章，则该文章被视为新颖。这种方法与之前的研究几乎相同。

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

何人来此

2022-5-8 15:08:36

另一方面，我们说，一条新闻吸引了很多注意力，因此如果它被多家新闻机构同时报道，并被许多从这些机构获取新闻的投资者阅读，那么它就具有高度的话题性。一篇新闻文章的话题性度量是通过计算与原始新闻文章内容相似但由其他新闻机构发布的新闻文章的数量来获得的。这项措施与参考文献[41]提出的措施类似，但与之不同的是，我们的措施能够捕捉到新闻文章在交付后立即出现异象的程度，而参考文献[41]提出的措施并不能很快起作用，因为提及文章的推特的转发次数只是逐渐增加。为了检查指标的表现，我们实证研究了它们与日内金融市场指标（如交易数量和价格波动率）的相关性。具体而言，我们使用adataset，其中包括9000多万篇英文商业新闻文章，以及一个由2003年至2014年纽约证券交易所（NYSE）和纳斯达克股票市场上每分钟的股票价格组成的数据集，并显示股票价格和交易量对新闻文章的新颖性和主题性的显著反应。论文的其余部分组织如下。我们首先对包含9000多万篇英语商业新闻文章的数据集进行了详细描述，并表明突发新闻比其他新闻对股价和交易量的影响更大。接下来是图1。通用汽车股票的市场活动围绕通用汽车的警告和标题显示。什么时候t=0，RTRS电子交易平台上显示关键字为“GM.N”的新闻文章。右上角的图显示了半对数图。

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

2022-5-8 15:08:40

实线和虚线分别显示市场对警报和标题的反应。黑线遵循指数函数（=0.45 exp(-0.073t） +1）。研究关于新闻文章中语言相似性的统计规律，并提出衡量新闻文章新颖性和文章主题性的标准。然后，我们研究这些指标与日内金融市场指标的相关性。二、新闻数据集汤森路透公司（RTRS）和道琼斯公司（DJ）通过电子系统[42]、[43]在几分之一秒内向世界各地的市场参与者发布新闻。RTRS的电子交易平台上展示了300多家第三方发布的新闻。在本文中，我们仅使用RTRS平台上RTRS、商业通讯社新闻服务（BSW）、加拿大通讯社新闻服务（CNW）、Marketwire新闻服务（MKW）、PR新闻通讯社新闻服务（PRN）和市场新闻出版公司（VMN）发布的英语新闻文章，以及DJ在2003年至2014年发布的所有英语新闻文章。新闻文章总数超过9000万篇。记者在RTRS平台上的文章中加入关键词。例如，通用汽车公司（GeneralMotors Company，LLC）的新闻文章有一个关键字GM.N，where。n指纽约证券交易所（NYSE）。RTRS平台上有三种类型的新闻事件。ALERTarticles以红色显示，提供突发新闻的一行摘要。标题文章提供了非突发新闻的一行摘要。警告和标题最长可达80-100个字符。ASTORY展示了一篇完整的新闻文章。在我们的数据集中，专家和标题的百分比分别约为12%和42%。另一方面，DJ新闻也有GM这样的关键词。在本文中，我们使用DJ新闻的提醒、标题和标题。三、

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

2022-5-8 15:08:43

市场对警报和头条新闻的反应为了观察市场对新闻的日内反应，我们通过波动性、交易数量来衡量市场活动，如图2所示。在警报和标题显示后，78只股票的市场活动持续了三分钟。每个股票编号的股票代码在表I中。表I与图2中的股票代码相对应。股票编号股票编号股票编号股票编号股票编号股票编号股票编号股票编号股票编号股票编号股票编号股票编号股票编号AA 1 ABT 2 AET 3 AIG 4 AMD 5 APC 7 AXP 8 BA 9 BAC 10 BBT 11 BBY12 BHI 13 BK 14 BLK 15 BMY 16 C 17 CAT18 CHK 19 COF 20 COP 21 CVS 22 DD 23 DIS24 DOW 25 EMC 26 F 27 FCX 28 GD 29 GE30 GM 31 GS 32 HAL 33 IBM 34 JCP 35 JNJNJ36 JPM 37 KO 38 LLY 39 LMT 40 MDT 41 MO42 MRK 43 MRO 44 NEM 45 NOC 46 NOK 47 PFE49 PG 50 PNC 51 S 52 SLB 53 TWX54 UNH 55 UPS 56 USB 57 UTX 58 VIP 59 VLO60 WFC 61 WLP 62 WMT 63 XOMNASDAQ64 AAPL 65 AMGN 66 AMZN 67 BIIB 68 BRCM 69 CMCSA70 CSCO 71 DELL 72 DISH 73 EBAY 74 INTC 75 MSFT76 QCOM 77 YHOO和每只股票每分钟的交易量。波动率由一分钟内股票价格对数返回的绝对值确定：V′（d，t）=对数P（d，t+1）- logp（d，t）|，（1）其中d和t分别表示日期和一天中的时间[分钟]（例如，d=2015年5月18日，t=上午9:30）。市场活动有季节性和日间变化。我们将其从典型的市场周期中移除，通过引入标准化波动率、标准化交易数量和标准化交易量来正确估计一天的市场活动影响，如下所示：V（d，t）=V′（d，t）hV′（d，t）idhV′（d，t）hV′（d，t）idit，（2）N（d，t）=N′（d，t）hN d′（d，t）idhN d′（d，t）idit，（3）VOL（d，t）=VOL′（d，t）hV ol′（d，t）idhV ol′（d，t）hV o l′（d，t）idit，（4）其中N′（d，t）和VOL′（d，t）是d日t时的交易数量及其数量。

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

2022-5-8 15:08:47

由于h··Ide表示d日的平均值，因此每日季节性通过方程式中的第一项从市场活动中移除。h···italso表示所有采样周期内时间t的平均值。第二项去除了市场活动的日内周期。接下来，我们调查了RTRS电子交易平台上显示的新闻的日内市场反应。我们当时观察了通用汽车inNYSE股票的三种不同市场活动t（即V(t），N(t），V ol(t）），知道当时有警报或标题是“GM.N”t=0。图1显示了市场活动的平均值：hV(t）我，嗯(t）我，我(t） i.在警报情况下，平均值当时上升了约60%t=0，在指数函数中缓慢衰减（=0.45 exp(-0.073t） +1）。另一方面，当头条新闻出现时，平均值几乎没有变化。我们还调查了表一中64只纽约证券交易所股票和14只纳斯达克股票的日内市场反应。对于每只股票，警报和头条新闻的数量超过500篇，在整个样本期内，它们的总数超过3000篇。图2显示了在新闻发布后三分钟内每只股票市场活动的条件均值：hV(t） |0≤ t<3i，hN(t） |0≤t<3i，hV-ol(t） |0≤ t<3i。在警报情况下，我们观察到几乎所有股票的市场活动都出现了跳跃。这些跳跃的平均值为36.5%。另一方面，没有一只股票对标题做出很大反应。这些结果表明，在评估市场对此类新闻的反应时，我们需要区分吸引大量注意力的新闻和很少受到关注的新闻，并关注吸引大量注意力的新闻。

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

2022-5-8 15:08:50

在接下来的章节中，我们将研究关于新闻文章语言相似性的统计规律，并提出衡量新闻文章新颖性和文章主题性的方法。四、新闻文章之间的相似性我们使用反向文档频率（IDF）和协同相似性来衡量新闻文章之间的相似性。与“雪佛兰”、“反垄断”和“破产”等不太常见的词不同，诸如“and”、“with”和“the”等停止词并不是衡量相似性的好关键词IDF是衡量自然语言处理中所有文章中一个术语是常见还是罕见的常用指标，定义为新闻数据集中文章总数与本文中包含给定单词的文章数之比的对数。设A={A，···，an}是一组冠词，W={W，···，wm}是A中出现的一组不同的词。冠词表示为m维向量~wa。如前所述，我们使用idf值作为单词权重，并将向量描述如下：~wa=（δ（a，w）idf（w），··，δ（a，wm）idf（wm）），（δ（a，wk）=1（wk）∈ a） δ（a，wk）=0（wk/∈ a）。（5）当文章被表示为向量时，两篇文章的相似性对应于向量之间的相关性。这被量化为系数之间夹角的余弦：所谓的余弦相似性。给出了两篇文章，aia和aj，它们的余弦相似性是im（ai，aj）=~wai~waj | ~wai | | ~waj |。（6）因此，余弦相似性在[0,1]之间有界。我们还研究了新闻文章在时间方向上的相似性。函数Sa(t）表示文章在不同时间和t+的余弦相似性的平均值t、在本文中，我们称之为Sa(t）为方便起见，使用了自动正弦相似函数。无花果

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

何人来此

2022-5-8 15:08:53

3（a）显示RTRS新闻文章的自动余弦相似性函数，关键词为“GM.N”、“IBM.N”、“PFE.N”、“AAPL.O”和“YHOO.O”（PFE.N和AAPL.O代表P Fizer Inc.和Apple Inc.，其中.O代表纳斯达克）。这些函数几乎是常数，Sa(t） =0.3，至少T≤ 200分钟。之后，功能会慢慢衰退，直到大约t=5×10分钟≈ 1年，是Sa(（t）≈ 0.02分t=1年。图3。（a）自动余弦相似性函数，（b）通用汽车、IBM、PFE、AAPL和YHOO新闻文章的交叉余弦相似性函数。虚线遵循指数幂律-0.35.衰变遵循幂律，Sa(（t）∝ T-0.35小时≤ T≤ 10分钟。这些结果表明，新闻内容往往会被记住几个月。接下来，我们将关注新闻文章在横截面方向上的相似性。功能Sc(t），表示RTRS在时间t的新闻与其他通讯社在时间t的新闻之间的余弦相似性的平均值+t、为了方便起见，本文通篇称之为交叉余弦相似函数。图3（b）显示了关键词为“GM.N”、“IBM.N”、“PFE.N”、“AAPL.O”和“YHOO.O”的文章的交叉余弦相似性函数。与自动余弦相似性函数相比，这些函数急剧衰减，并且(（t）≤ 0.03分|t|≥ 60分钟。周围观察到一个相似峰t=0，Sc(（t）≈ 0.3. 该值几乎与自动正弦相似性函数相同T≤ 200分钟，表明多家通讯社倾向于同时报道类似的新闻。V.新颖性和话题性检测投资者寻求预测不久的将来会发生什么，并根据这种预测买卖证券。因此，区分预期新闻和意外新闻很重要。

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

2022-5-8 15:08:57

在本节中，我们首先介绍一篇新闻文章的新颖性度量，并使用首字母和后续新闻文章检查该度量所识别的新颖新闻文章。另一方面，即使一条特定的消息是出乎意料的，市场反应也会因该消息对投资者的重要性而有所不同。我们假设一篇新闻文章吸引了很多注意力，因此如果它同时被多家新闻机构报道，并被许多从这些机构获取新闻的投资者阅读，那么它就会成为高度热门的话题。基于这个假设，我们接下来为一篇新闻文章创建话题性度量。我们还可以通过提醒和标题来检查这项措施是否捕捉到了时事新闻文章。关于共同话题的新闻文章经常使用共同的词语。通过应用这一特征，我们通过计算在文章之前报道的语言相似的新闻文章的数量来确定在时间t的新闻文章的新颖性，如下所示：11月（at）=X0<T≤τSIM（at，at-t）（7）当时间t和t的新闻文章- 不存在于新闻数据集中。当Nov（at）接近0时，新奇度较高。在本文中，我们将最大时滞τ设置为一周，此时自余弦相似性函数约为0.1（图3（a））。我们使用RTRS为通用汽车、IBM和PFE提供的后续文章，检查noveltyNov（at）是否发现了包含在我们的新闻数据集中的新新闻文章。图4显示了Nov（at）的平均值，该平均值受以下次数的制约。该条件平均值与随访次数成比例增加。在图4中，我们比较了警报和标题跟踪的条件平均值。除了最初的新闻，警报的新颖性高于头条新闻。接下来，通过应用图中交叉余弦相似函数的结果。

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

可人4

2022-5-8 15:09:00

3（b），我们通过计算与原始新闻内容相似的新闻文章的数量来确定给定通讯社k的时间t的新闻文章的主题性，但其他通讯社发送的新闻文章的数量如下：t op（at，k）=Xj6=k，j∈KSIM（at，k，at，j），（8）当新闻数据集中的新闻文章at，kand at，jexist时，其中k={k，···，kl}是一组新闻机构。当T op（at，k）较大时，局部性较高。由于时事新闻实际上是由多家新闻机构同时报道的，我们认为时间t前后的30分钟时间段等于时间t。30分钟时的交叉余弦相似函数小于0.05，如下图所示。3（b）。我们检查时事新闻文章是否被时事性T op（at，k）捕捉到，并将警惕性与标题进行比较。表二显示了通用汽车、IBM和PFE的TRS警报和标题的主题性T op（at，k）的平均值。警惕的话题性超过了标题。图4。通用汽车、IBM和PFE的警告和标题后续新闻文章的新颖性平均值。表II通用汽车、IBM、PFE、AAPL和YHOO的RTRS新闻顶级人才平均数（at，k）。GM IBM PFE AAPL YHOOALERT 0.696 0.863 0.969 0.778 0.778一线0.175 0.171 0.245 0.106 0.119VI。新闻的新颖性和话题性对市场反应的差异利用新闻的新颖性N ov（at）和话题性T op（at，k），我们研究了对新颖性和话题性新闻的日内市场反应。图5显示了市场活动（即波动性）(t） i，交易数量hN(t）一、交易量(t）我用等式定义。（2）报告了“AAPL.O”警报前后APL库存的变化。当十一月（在）≥ hNovi，市场活动在报告警报后不久急剧增加t=0。

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

2022-5-8 15:09:04

当11月（日）出现新的警报之前，市场已经对之前的警报和头条作出了反应。我们研究了市场反应与新闻（即警告和标题）话题性之间的关系。如图6所示，当T op（at，k）≥ 市场反应强烈；当T op（at，k）<hT opi时，市场倾向于避免对新闻文章做出反应。新闻报道三分钟后回复的大小（即hV）(t） |0≤ t<3i，hN(t） |0≤ t<3i，hV-ol(t） |0≤ t<3i）与其新闻主题（at，k）成正比。七、结论我们观察到，股票市场对RTRS电子交易平台上显示的警报有强烈响应。另一方面，没有一只股票对大多数新闻报道的头条做出了很好的回应。这些结果表明，我们需要衡量新闻的重要性，以预测市场对它的反应。在本文中，我们主要关注一个指标图5。AAPL股票的市场活动围绕着“AAPL.O”的高、低新贵。实线显示了当新警报N ov（at）高于平均值时的市场活动。虚线表示11月（at）警报的新颖性低于平均水平时的市场活动。图6。（a）通用汽车股票的市场活动围绕着“GM.N”的高、低话题新闻。实线显示了当新闻T op（at，k）的话题性高于平均水平时的市场活动。虚线表示当新闻的主题性（at，k）低于平均水平时的市场活动。（b）通用汽车、IBM、PFE、AAPL和YHOO在新闻发布后的三分钟内，报道了话题性和市场活动平均值之间的关系。

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

2022-5-8 15:09:08

对于IBM、PFE、AAPL、YHOO，市场活动表示交易数量、交易量和波动性的平均值。衡量某篇新闻文章的新颖程度，以及衡量某篇新闻文章获得投资者关注程度的指标。根据语言相似性，将一篇新闻文章与之前报道的其他新闻文章进行比较，从而得出新颖性度量。另一方面，我们说，如果一篇新闻文章同时被其他新闻机构报道，并被许多从这些机构获取新闻的投资者阅读，那么它会引起很多关注，因此是高度热门的话题。一篇新闻文章的话题性度量是通过计算与原始新闻文章内容相似但由其他新闻机构发布的新闻文章的数量来获得的。为了检查这些指标是否捕捉到了新的或主题新闻文章，我们观察到后续新闻的新颖性低于初始新闻，并证实了警报的主题性超过了警戒线。我们发现了日内市场对新奇新闻和时事新闻的反应特征。对于具有高度新颖性的新闻文章，市场活动（即交易数量、交易量、波动性）在新闻文章被报道后迅速增加。另一方面，对于一篇新颖性较低的新闻文章来说，在报道之前，市场活动已经在过去类似的新闻的基础上有所增加。基于新闻的市场活动的增加与其话题性成正比。通过这些结果，我们可以实证地将价格变动与特定新闻联系起来，为有效的市场假说找到令人信服的支持性证据。外部冲击会触发或破裂金融泡沫。

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

2022-5-8 15:09:11

未来的工作将调查导致泡沫破裂的新颖和时事新闻的特点。确认这项工作得到了JSPS KAKENHIGrant 24710156号的部分支持。参考文献[1]T.Ito和V.V.Roley，“来自美国和日本的新闻：日元/美元汇率的变动？”1987年《货币经济杂志》，第19卷，第255-277页。[2] 陈文思，“股价对新闻和无新闻的反应：头条新闻后的波动和反转”，《金融经济学杂志》，第70卷，223-260页，2003年。[3] C.Vega，“股价对公共和私人信息的反应”，《金融经济学杂志》，第82卷，第103-1332006页。[4] S.DellaVigna和J.M.Pollet，“投资者注意力不集中和周五收益公告”，《金融杂志》，第64卷，第709-749页，2009年。[5] A.M.Petersen、F.Wang、S.Havlin和H.E.Stanley，“金融冲击前后的市场动态：大森定律、生产率和巴斯定律的量化”，Phys。牧师。E、 2010年第82卷，第036114页。[6] A.M.Petersen、F.Wang、S.Havlin和H.E.Stanley，“描述利率变动前后市场动态的数量定律”，Phys。牧师。E、第81卷，0661212010。[7] G.Mitra和L.Mitra编辑，新闻分析金融手册。威利，2011年。[8] J.G.Rangel，“宏观经济新闻、公告和股市跳跃强度动力学”，《银行与金融杂志》，第35卷，第1263-1276页，2011年。[9] J.E.Engelberg和C.A.Parsons，“金融市场中媒体的因果影响”，《金融杂志》，第66卷，第67-97页，2011年。[10] T.Mizuno，K.Takei，T.Ohnishi和T.Watanabe，“商业新闻中的时间相关性和交叉相关性”，《理论物理进展补编》，第194卷，第181-192页，2012年。[11] J.Elder、H.Miao和S.Ramchander，“油价上涨：经济新闻的作用”，《能源杂志》，第34卷，217237页，2013年。[12] 洛杉矶。

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

2022-5-8 15:09:15

Smales，“非预定新闻到达和高频股市动态：来自澳大利亚证券交易所的证据”，国际商业和金融研究。第32卷，第122-138页，2014年。[13] A.斯托肯迈耶，金融市场和公共信息。KIT Scientic出版社，2014年。[14] V.Filimonov和D.Sornette，“量化金融市场的反应：预测金融崩溃”，Phys。牧师。E、 2012年第85056108卷。[15] V.Filimonov，S.Wheatley和D.Sornette，“通过映射到自激Wkes过程来有效测量自回归条件适应点过程的内生性”，《非线性科学与数值模拟通讯》，第22卷，第23-37页，2015年。[16] D.卡特勒、J.波特巴和L.萨默斯，“什么会影响股价？”《投资组合管理杂志》，第15卷，第4-121989页。[17] G.McQueen和V.V.Roley，“股票价格、新闻和商业状况”，《金融研究评论》，第6卷，第683707页，1993年。[18] M.J.Fleming和E.M.Remolona，“是什么推动了债券市场”，《经济政策评论》，第3卷，第31-50页，1997年。[19] R.Fair，“震撼市场的事件”，《商业杂志》，第75卷，第713-731页，2002年。[20] A.Joulin、A.Lefevre、D.Grunberg和J.P.Bouchaud，“股价上涨：新闻和数量起次要作用”，电子印刷arXiv:0803.17692008。[21]O.Erdogan和A.Yezege，“股票市场没有新闻的新闻”，量化金融，第9卷，第897-909页，2009年。[22]A.N.Bom Fim，“公告前效应、新闻效应和波动性：货币政策和股市”，《银行与金融杂志》，第27卷，第133-151页，2003年。[23]G.Birz和J.R.Lott Jr.，“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》，第35卷，第2791-2800页，2011年。[24]太平洋。

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

2022-5-8 15:09:19

Tetlock，“为投资者情绪提供内容：媒体在股市中的作用”，《金融杂志》，第62卷，1139-1168页，2007年。[25]F.Lillo、S.Micciche、M.Tumminello、J.Piilo和R.N.Mantegna，“新闻如何影响金融市场中不同类别投资者的交易行为”，QuantitativeFinance，第15卷，第213-229页，2014年。[26]I.Bordino，N.Kourtellis，N.Laptev和Y.Billawala，“雅虎金融用户浏览行为的股票交易量预测”，数据工程（ICDE），2014年IEEE第30届国际会议，2014年，第1168-1173页。[27]R.P.Schumaker和H.Chen，“利用突发金融新闻对股市预测的文本分析：AZFintext系统”，ACM信息系统交易（TOIS）27，文章编号12，2009年。[28]J.Bollen，H.Mao和X.Zeng，“推特情绪预测股市”，《计算科学杂志》，第2卷，第1-8页，2011年。[29]G.M.Mian和S.Sankaraguruswamy，“投资者情绪和股市对盈利新闻的反应”，《会计评论》，第87卷，1357-1384页，2012年。[30]R.Hisano、D.Sornette、T.Mizuno、T.Ohnishi和T.Watanabe，“商业新闻中的高质量主题提取解释了异常的金融市场波动，”公共科学图书馆综合版，第8卷，e64846，2013年。[31]G.兰科、I.博尔蒂诺、G.博尔梅蒂、G.卡尔达雷利、F.利洛和M。Treccani，“将新闻情绪与网络浏览数据结合起来预测日内股价”，e-print arXiv:1412.39482014。[32]R.Luss和A.d\'Aspremont，“利用文本分类预测新闻的异常回报”，定量金融，第15卷，999-10122015页。[33]Y.Zhang，J.Callan和T.Minka，“自适应过滤中的新颖性和冗余检测”，第25届国际ACM SIGIR信息检索研究与开发会议论文集，第81-88页，2002年8月。[34]E.加布里洛维奇、S.杜迈斯和E。

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

2022-5-8 15:09:23

Horvitz，“新闻瘾君子：通过分析信息新颖性提供个性化新闻提要”，《第13届万维网国际会议论文集》，第482-490页，2004年。[35]赵立军，张明明，马绍，“新奇检测的本质”，信息检索，第9卷，521-5412006页。[36]吴克伟、蔡福山、陈立群和吴克强，“使用命名实体识别对文本文档进行新颖检测”，载于信息、通信和信号处理，2007年第2007届国际信息技术会议，第1-5页。[37]H.Liang，F.S.Tsai和A.T.Kwee，“检测新业务博客”，信息、通信和信号处理，2009年。ICICS 2009。第七届国际会议，第1-5页，2009年。[38]汤森路透，“路透社新闻范围情绪引擎：样本数据和系统概述指南”，汤森路透白皮书，2008年。[39]汤森路透，“路透社新闻范围情绪引擎：输出图像和文件格式”，汤森路透白皮书，2008年。[40]A.Gross Klussmann和N.Hautsch，“当机器阅读新闻时：使用自动文本分析来量化高频新闻隐含的市场反应”，《经验金融杂志》，第18卷，第321-340页，2011年。[41]S.Phuvipadawat和T.Murata，“twitter上的突发新闻检测和跟踪”，载于《网络智能和智能代理技术》（WI-IAT），2010年IEEE/WIC/ACM国际会议，第3卷，第120-123页，2010年。[42]汤森路透EIKON。[在线]。可访问：http://fifinancial。汤森路透社。com/en/products/tools applications/trading investment tools/eikon trading software。html。（查阅日期：2015年6月1日）[43]道琼斯事实报。[在线]。可供选择：http://new.dowjones.com/products/factiva/.（查阅日期：2015年6月1日）

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

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