Вестник Института экономики № 2/2022. Финансы.

В. Гаврилов

студент магистратуры экономического факультета МГУ имени М.В. Ломоносова

М.А. Иванов

студент магистратуры экономического факультета МГУ имени М.В. Ломоносова

О.А. Клачкова

кандидат экономических наук, доцент кафедры математических методов анализа экономики экономического факультета МГУ имени М.В. Ломоносова

В.Ю. Королев

доктор физико-математических наук, профессор, заведующий кафедрой математической статистики факультета вычислительной математики и кибернетики МГУ имени М.В. Ломоносова

Я.А. Рощина

кандидат экономических наук, доцент кафедры математических методов анализа экономики экономического факультета МГУ имени М.В. Ломоносова

ВЛИЯНИЕ ТЕМАТИЧЕСКИХ НОВОСТНЫХ ПОТОКОВ НА КОМПОНЕНТЫ ВОЛАТИЛЬНОСТИ ФОНДОВОГО РЫНКА РОССИИ

Размер файла 93-111   
Количество просмотров 287   
Размер файла 565.02 KB   

Аннотация

В работе моделируется волатильность доходностей ценных бумаг на российском фондовом рынке с помощью моделей условной авторегрессионной гетероскедастичности, учитывающих поступающие на рынок тематические новостные потоки. Для учета новостного фона в модель в качестве независимого регрессора включается числовой показатель, характеризующий число новостей по каждой из ключевых тем. Выделение тем и построение такого показателя производятся методами обработки естественного языка. Для оценки влияния новостного фона не на волатильность доходности в целом, а на ее компоненты в стандартные GARCH модели вводятся предпосылки о том, что случайные ошибки являются смесью двух нормальных распределений. Было показано, что одна из компонент имеет существенно больший вес, но меньшую волатильность. Мы интерпретируем это как то, что «распространенные» темы составляют привычный новостной фон и слабо влияют на волатильность, тогда как более редко встречающиеся (и, следственно, несущие больше информации) темы влияют на волатильность сильнее.

Ключевые слова: фондовый рынок, новостная аналитика, компоненты волатильности, обработка естественного языка.

JEL: С32, C53, G17

DOI: https://doi.org/10.52180/2073-6487_2022_2_93_111

Литература

  1. Аганин А.Д. Волатильность российского фондового индекса: нефть и санкции // Вопросы экономики. 2020. № 2. С. 86–100.
  2. Голощапова И.О., Андреев М.Л. Оценка инфляционных ожиданий российского населения методами машинного обучения // Вопросы экономики. 2017. № 6. С. 71–93.
  3. Жемков М.И., Кузнецова О.С. Вербальные интервенции как фактор формирования инфляционных ожиданий в России // Журнал Новой экономической ассоциации. 2019. No 2 (42). С. 49–69.
  4. Королев В.Ю. Вероятностно-статистические методы декомпозиции волатильности хаотических процессов. М.: Изд. МГУ, 2011.
  5. Сидоров С., Дате П., Балаш В. Использование данных новостной аналитики в GARCH моделях // Прикладная эконометрика. 2013. No 29 (1). С. 82–96.
  6. Alexander C., Lazar E. Normal mixture GARCH(1,1): Applications to exchange rate modelling // Journal of Applied Econometrics. 2006. 21(3). Pp. 307–336.
  7. Arago V., Nieto L. Heteroskedasticity in the returns of the mainword stock exchange indices: Volume versus GARCH effects // International Financial Markets Institute and Money. 2005. 15. Pp. 271–284.
  8. Ardia D., Bluteau K., Boudt K., Catania L., Trottier D.-A. Markov-Switching GARCH Models in R: The MSGARCH Package // Journal of Statistical Software. 2019. 91(4). Pp. 1–38.
  9. Barrusse De Luca. Discussion on the return of «denatality» in France and its perception between 1974 and 1981 // Population and Economics. 2020. 4(3). P. 33–56.
  10. Berry T. D., Howe K. M. Public information arrival // Journal of Finance. 1993. 49. Pp. 1331–1346.
  11. Bollerslev T. Generalized Autoregressive Conditional Heteroskedasticity // Journal of Econometrics. 1986. Т. 31. No 3. Рp. 307–327.
  12. Ederington L. H., Lee J. H. How markets process information: News releases and volatility // Journal of Finance. 1993. 48. Pp. 1161–1191.
  13. Engle R. F. Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation // Econometrica. 1982. Vol. 50. No. 4. Р. 987.
  14. Engle R. F., Ghysels E., Sohn B. Stock Market Volatility and Macroeconomic Fundamentals // Review of Economics and Statistics. 2013. Т. 95. No 3. Рp. 776–797.
  15. Francq C., Zakoian J.-M. GARCH Models: Structure, Statistical Inference and Financial Applications // Hoboken, NJ: John Wiley & Sons. 2019. 2 edition.
  16. Haas M. Mixed Normal Conditional Heteroskedasticity // Journal of Financial Econometrics. 2004. Т. 2. No 2. Рp. 211–250.
  17. Hansen P. R., Lunde A. A Forecast Comparison of Volatility Models: Does Anything Beat a GARCH(1,1)? // J. Appl. Econ. 2005. Vol. 20. No 7. Рp. 873–889.
  18. Janssen G. Public information arrival and volatility persistence in financial markets // The European Journal of Finance. 2004. 10. Pp. 177–197.
  19. Kalev P. S., Liu W.-M., Pham P. K., Jarnecic E. Public information arrival and volatility of intraday stock returns // Journal of Banking and Finance. 2004. 280 (6). P. 1447–1467.
  20. Kon, S. J. Models of Stock Returns–A Comparison // Journal of Finance. 1984. 39(1). Pp. 147–165.
  21. Laakkonen H., Lanne M. Asymmetric News Effects on Exchange Rate Volatility: Good vs. Bad News in Good vs. Bad Times // Studies in Nonlinear Dynamics & Econometrics. 2009. 14.
  22. Lamoureax C. G., Lastrapes W. D. Heteroskedasticity in stock return data: Volume versus GARCH effects // Journal of Business & Economic Statistics. 1990. 2. Pp. 253–260.
  23. Lozinskaia A., Saltykova A. Fundamental Factors Affecting the MOEX Russia Index: Retrospective Analysis // CEUR Workshop Proceedings. 2019. 2479. Pp. 32–45.
  24. Mitchell M. L., Mulherin J. H. How markets process information: News releases and volatility // Journal of Finance. 1994. 49. Pp. 923–950.
  25. Mitra L., Mitra G. Applications of news analytics in finance: A review // The Handbook of News analytics in finance. 2011. Pp. 1–36.
  26. Miyakoshi T. ARCH versus information-based variances: Evidence from the Tokyo stock market // Japan and the World Economy. 2002. 14. Pp. 215–231.
  27. Najand M., Yung K. A GARCH examination of the relationship between volume and variability in futures markets // The Journal of Futures Markets. 1991. 11. Pp. 613–621.
  28. Rabbi A. M. F. Mass media exposure and its impact on fertility: Current scenario of Bangladesh //Journal of Scientific Research. 2012. Vol. 4. №. 2. Рр. 383–383.
  29. Ragunathan V., Peker A. Price variability, trading volume and market depth: Evidence from the Australian futures market // Applied Financial Economics. 1997. 7. Pр. 447–454.
  30. Rubtsov B., Annenskaya N. Factor analysis of the Russian stock market // Journal of Reviews on Global Economics. 2018. Iss. 7 (Special Issue). Pр. 417–425.
  31. Sanjiv R. News analytics: Framework, techniques, and metrics // The Handbook of News analytics in finance. 2011. Pр. 41-69.
  32. Tetlock Paul C. Giving Content To Investor Sentiment: The Role Of Media In The Stock Market // The Journal Of Finance. 2007. Vol. Lxii. Pр. 1139–1168.

Для цитирования:

Гаврилов В., Иванов М.А., Клачкова О.А., Королев В.Ю., Рощина Я.А. Влияние тематических новостных потоков на компоненты волатильности фондового рынка России // Вестник Института экономики Российской академии наук. 2022. № 2. С. 93-111. DOI: https://doi.org/10.52180/2073-6487_2022_2_93_111

  Лицензия Creative Commons 4.0