آیا احساسات رسانه های اجتماعی می تواند بر عملکرد بازار سهام تأثیر بگذارد؟

رونق رسانه های اجتماعی در دهه گذشته شیوه پیش بینی سرمایه گذاران بازار سهام را تغییر داده است. از آنجا که رسانه های اجتماعی حجم زیادی از نظر کاربر در زمان واقعی را ارائه می دهند ، سرمایه گذاران می توانند با استفاده از یادگیری ماشین و تکنیک های پردازش زبان طبیعی از این اطلاعات بهره برداری کنند. در سالهای اخیر ، کانال های خبری محبوب بارها گزارش داده اند که پیش بینی بازار با استفاده از "داده های جایگزین" ، مانند پیام های میکروبلاگ ، در بین سرمایه گذاران نهادی به جریان اصلی تبدیل می شود. این رویکرد چقدر مؤثر است؟آیا یک احساسات خوش بین در میکروبلاگ ها نشانگر روند صعودی بازار است؟

در مقاله اخیر منتشر شده در فصلنامه MIS ، ما سعی کردیم با انجام تجزیه و تحلیل جامع 18 میلیون پیام SockTwits ، این جریان تحقیق را پیش ببریم. به طور خاص ، ما بررسی کردیم که آیا احساسات کاربر منعکس شده در پیام های میکروبلاگ بر بازده سهام تأثیر می گذارد یا خیر. اگر چنین است ، آیا احساسات مثبت یا منفی تأثیرگذارتر است؟آیا این اثر طولانی مدت است یا کوتاه مدت؟آیا این اثر در مورد سهام فردی یا کل بازار اعمال می شود؟پس از یک دهه تلاش برای جدا کردن رابطه بین احساسات کاربر میکروبلاگ و عملکرد بازار سهام ، هنوز سؤالات بی پاسخ بسیاری وجود دارد. با استفاده از تجزیه و تحلیل احساسات و تکنیک های مدل سازی اقتصاد سنجی ، ما سعی کردیم از حجم گسترده ای از پیام های ارسال شده در StockTwits پاسخ هایی پیدا کنیم.

StockTwits بزرگترین بستر میکروبلوگ برای سرمایه گذاران و متخصصان سرمایه گذاری است. این امکان را به کاربران می دهد تا دارایی های مالی خاص را با استفاده از CashTags (به عنوان مثال ، AAPL ، $ BABA) در پیام های خود ردیابی کنند. براساس این CashTags ، ما 44 سهام محبوب را از نظر حجم پیام و سرمایه بازار شناسایی کردیم. برای هر یک از این سهام ، ما احساسات کاربر را از پیام های مرتبط استخراج کردیم. به طور خاص ، ما از برنامه ای به نام Sensisterge برای طبقه بندی هر پیام به عنوان مثبت ، منفی یا خنثی استفاده کردیم. این سه دسته احساسات می توانند به طور موثری نظرات کاربران میکروبلاگ را نسبت به سهام خلاصه کنند. سپس تعداد پیام های مثبت/منفی را به صورت ساعت و روز جمع کردیم. این روش تجزیه و تحلیل احساسات باعث ایجاد سری زمانی از نمرات مثبت و منفی احساسات برای هر سهام می شود.

با استفاده از تئوری ها و یافته های قبلی در امور مالی رفتاری ، ما معتقدیم که در حالی که احساسات سرمایه گذار ممکن است بازده سهام آینده را پیش بینی کند ، اما احتمالاً تحت تأثیر بازده سهام گذشته قرار خواهد گرفت. یعنی ممکن است یک حلقه علیت بالقوه بین احساسات میکروبلاگ و بازده سهام وجود داشته باشد. بنابراین ، برای آشکار کردن تأثیر واقعی احساسات میکروبلاگ ، ما باید چنین حلقه علیت را در تحلیل خود حساب کنیم. ما Autoregression بردار را برای تجزیه و تحلیل داده ها انتخاب کردیم. چنین مدل سری زمانی چندگانه اثرات هر دو طرف را به طور همزمان در نظر می گیرد و برای بهترین تخمین بهینه می شود. علاوه بر این ، از آنجا که قیمت سهام توسط رویدادهای بازار و الگوهای فصلی نمایش داده می شود ، ما همچنین احساسات خبری ، حجم اخبار ، اعلامیه های درآمد ، حجم معاملات سهام ، نوسانات ، تاریخ و ساعت روز را در تجزیه و تحلیل خود در نظر گرفتیم.

نتایج نشان می دهد که احساسات کاربر در StockTwits تا حد زیادی با بازده سهام در نوسان است. این اثر در احساسات منفی قوی تر از احساسات مثبت است. یعنی احساسات منفی پس از بازده منفی نسبت به احساسات مثبت پس از بازده مثبت قوی تر می شود. این اثر می تواند از چند ساعت تا چند روز به طول انجامد. در همین حال ، احساسات منفی ، اما احساسات مثبت نیست ، بازده سهام را طی یک ساعت پیش بینی می کند. افزایش 1 ٪ در احساسات منفی منجر به سه امتیاز پایه (0. 03 ٪) در بازده سهام می شود. با این حال ، این اثر در سطح روز مشاهده نمی شود. ما همچنین یک تحلیل مشابه را در سطح بازار انجام دادیم. به طور خاص ، ما رابطه بین احساسات را از همه پیام های سهام و بازده میانگین صنعتی داو جونز تجزیه و تحلیل کردیم. ما الگوهای مشابه و قوی تری پیدا کردیم.

مطابق با بیشتر مطالعات دانشگاهی قبلی ، ما متوجه نشدیم که احساسات میکروبلاگ بازده سهام را در سطح روز پیش بینی می کند. اما نتایج ما نشان می دهد که احساسات منفی بازده را طی یک روز پیش بینی می کند. ما معتقدیم که این امر عمدتاً به این دلیل است که میکروبلاگ ها یک کانال اطلاعاتی با سرعت بالا را ارائه می دهند. این متناسب با نیازهای اطلاعاتی معامله گران Intraday است و به طور موثری نظرات آنها را نسبت به بازار منعکس می کند. با انجام تجزیه و تحلیل داده ها در فرکانس ساعتی ، ما توانستیم فاش کنیم که چگونه چنین عقایدی با بازده سهام در چرخه های بسیار کوتاه در هم تنیده می شود. علاوه بر این ، تأثیر قوی تر احساسات منفی که ما کشف کردیم ، نشان دهنده درک ما از تعصب رفتاری از معامله گران نویز است ، که نسبت به دستاوردهای نسبت به ضرر حساس تر هستند.

یافته های ما پیامدهای مهمی را برای استراتژی های معاملاتی در داخل با استفاده از داده های میکروبلاگ ارائه می دهد ، یعنی احساسات مثبت و منفی اثرات متفاوتی دارد. در حالی که ساخت یک شاخص احساسات واحد با وزن گیری احساسات مثبت و منفی به طور مساوی معمول بوده است ، این یک احساسات منفی است که بازار را در کوتاه مدت هدایت می کند. یک استراتژی تجاری مؤثر در داخل باید نسبت به تغییرات در احساسات منفی حساس باشد ، اما به نوسانات در احساسات مثبت بیش از حد پاسخگو نیست.

• این پست Blo G بر اساس مقاله نویسندگان تعامل بین احساسات میکروبلاگ و بازده سهام است: یک معاینه تجربی ، سه ماهه MIS
• این پست نظرات نویسندگان خود را ارائه می دهد ، نه موقعیت مؤسساتی که آنها نمایندگی می کنند ، LSE Business Review یا دانشکده اقتصاد لندن.
• اعتبار تصویر برجسته: مجوز دامنه عمومی CC0 ، از طریق Pexels.
• وقتی نظر می دهید ، با سیاست نظرات ما موافقت می کنید.

شویوان (لنس) دنگ استادیار سیستم های اطلاعات مدیریت در کالج تجارت Seidman ، دانشگاه ایالتی گراند ولی است. وی دکترای خود را در سیستم های اطلاعاتی از دانشگاه ویسکانسین-میلواکی و M. B. A از دانشگاه ایلینویز در شیکاگو دریافت کرد. علایق پژوهشی وی شامل هوش مصنوعی ، یادگیری ماشین ، پردازش زبان طبیعی ، تأثیر اجتماعی و اقتصادی سیستم های اطلاعاتی و سیستم های سازمانی است.

ژیجیان (جیمز) هوانگ استادیار دارایی در کالج بازرگانی ساندرز ، انستیتوی فناوری روچستر است. وی دکترای امور مالی خود را از دانشگاه ایالتی پنسیلوانیا و کارشناسی ارشد مهندسی مالی خود از دانشگاه کرنل دریافت کرد. زمینه های تخصصی وی شامل شبیه سازی در زمان واقعی استراتژی های معاملاتی ، کشف و ارزیابی ناهنجاری های بازار مالی ، پیش بینی بازار سهام و تأمین مالی رفتاری است. وی در مجله اقتصاد مالی ، مجله سه ماهه مالی و بررسی امور مالی و حسابداری کمی منتشر کرده است.

Atish Sinha استاد مدیریت فناوری اطلاعات و مدیر مرکز نوآوری فناوری در دانشکده تجارت لوبار ، دانشگاه ویسکانسین-میلواکی است. وی دکترای خود را در تجارت و با تمرکز در هوش مصنوعی از دانشگاه پیتسبورگ به دست آورد. علایق تحقیق فعلی وی در زمینه های هوش تجاری ، تجزیه و تحلیل داده های بزرگ ، یادگیری ماشین ، سیستم های متصل و انفورماتیک مراقبت های بهداشتی است.

Huimin Zhao استاد مدیریت فناوری اطلاعات در دانشکده تجارت لوبار ، دانشگاه ویسکانسین-میلواکی است. او B. E. و مدرک M. E. در اتوماسیون از دانشگاه Tsinghua ، چین و مدرک دکترا در سیستم های اطلاعات مدیریت از دانشگاه آریزونا ، ایالات متحده. علایق تحقیق فعلی وی شامل داده کاوی و انفورماتیک مراقبت های بهداشتی است.