Вестник Института экономики № 1/2026. Финансы. 

Бобровник Федор Евгеньевич

магистрант экономического факультета МГУ имени М.В. Ломоносова, Москва, Россия

ORCID: 0009-0008-5965-6385

Виноградова Ольга Сергеевна

кандидат экономических наук, доцент кафедры финансов и кредита экономического факультета МГУ им. М.В. Ломоносова, Москва, Россия

ORCID: 0000-0002-9575-9794

Мирзоян Ашот Гамлетович

старший преподаватель кафедры экономики инноваций экономического факультета МГУ им. М.В. Ломоносова, Москва, Россия

ORCID: 0009-0005-9275-0099

СВЯЗЬ ПУБЛИКАЦИЙ ИНВЕСТИЦИОННЫХ TELEGRAM-КАНАЛОВ С ДОХОДНОСТЬЮ АКЦИЙ ПУБЛИЧНЫХ РОССИЙСКИХ КОМПАНИЙ

 191-217   

 11   

 376.79 KB   

 Текст статьи

В данном исследовании представлены результаты анализа связи публикаций инвестиционных каналов с доходностью акций публичных российских компаний в контексте решения вопроса о необходимости регулирования инвестиционных Telegram-каналов, публикующих как финансовые новости, так и сигналы для инвесторов. Для анализа использовалась выборка из пяти российских каналов с рекомендациями, стратегиями и демонстрациями портфелей. Оценивалось влияние публикаций на доходность акций публичных компаний с использованием методов обработки текста, машинного обучения (метод опорных векторов, случайный лес, нейронные сети) и эконометрических подходов (модели авторегрессии, событийный анализ). Публикации классифицировались по четырем типам: без сигнала, сигнал о покупке, сигнал о продаже или удержании. Было выявлено, что в 11% случаев публикации с сигналом становились причиной изменения стоимости акций. Это подтверждает предположение о способности крупных инвестиционных каналов влиять на рынок, однако доля таких случаев невелика. Как следствие, авторы приходят к выводу, что потребность в жестком регулировании Telegram-каналов с точки зрения ограничения их влияния на финансовый рынок пока незначима.

Ключевые слова: регулирование фондового рынка, динамика цен акций, инвестиционные сигналы, событийный анализ, избыточная доходность, российский фондовый рынок, влияние социальных сетей, частные инвесторы, Telegram-каналы, эконометрическое моделирование.

УДК: 336.76, 004.9, 330.322

EDN: LBMQBG

DOI: https://doi.org/10.52180/2073-6487_2026_1_191_217

Литература

1. Володин С.Н., Кунина Е.Е. Влияние новостей на стоимость акций компаний киноиндустрии США // Вестник Московского университета. Серия 6: Экономика. 2017. № 4. С. 52–72. DOI: 10.38050/01300105201743.
2. Коноплева Ю.А., Пакова О.Н., Хакиров А.И. Импульсивная толпа как новый способ манипуляций на фондовом рынке // Вестник Северо-Кавказского федерального университета. 2021. № 3. С. 80–85. DOI: 10.37493/2307-907X.2021.3.10.
3. Паул Г., Шкирко Д. Моделирование и прогнозирование курса акций Роснефти на основе различных финансовых инструментов // Фундаментальные исследования. 2020. № 12. С. 168–174. DOI: 10.17513/fr.42928.
4. Скопин Д.И. Развитие рынка цифровых валют: особенности и механизмы манипулирования // Экономика и управление: проблемы, решения. 2024. № 152 (11/1). С. 124–132. DOI: 10.36871/ek.up.p.r.2024.11.01.015.
5. Хазиев Г.А. Влияние публикаций Telegram-каналов на динамику акций российского фондового рынка // Вестник НГУЭУ. 2021. № 4. С. 166–177. DOI: 10.34020/2073-6495-2021-4-166-177.
6. Audrino F., Sigrist F., Ballinari D. The impact of sentiment and attention measures on stock market volatility // International Journal of Forecasting. 2020. Vol. 36. No. 2. DOI: 10.1016/j.ijforecast.2019.05.010.
7. Bi J. Stock Market Prediction Based on Financial News Text Mining and Investor Sentiment Recognition // Mathematical Problems in Engineering. 2022. DOI: 10.1155/2022/2427389.
8. Borjigin S., Gao T., Sun Y., An B. For evil news rides fast, while good news baits later? A network based analysis in Chinese stock market // Physica A: Statistical Mechanics and its Applications. 2020. Vol. 551. DOI: 10.1016/j.physa.2020.124593.
9. Capelle-Blancard G., Petit A. Every Little Helps? ESG News and Stock Market Reaction // Journal of Business Ethics. 2019. Vol. 157. No. 2. DOI: 10.1007/s10551-017-3667-3.
10. Chan W.C. Stock price reaction to news and no-news: Drift and reversal after headlines // Journal of Financial Economics. 2003. Vol. 70. No. 2. DOI: 10.1016/S0304-405X(03)00146-6.
11. Cutler D.M., Poterba J.M., Summers L.H. What moves stock prices? // The Journal of Portfolio Management. 1989. Vol. 15. No. 3. DOI: 10.3905/jpm.1989.409212.
12. Dahal K.R., Porkhel N.R., Gaire S., Mahatara S., Joshi R.P., Gupta A., Banjade H.R. A comparative study on effect of news sentiment on stock price prediction with deep learning architecture // PLoS ONE. 2023. Vol. 18. No. 4. DOI: 10.1371/journal.pone.0284695.
13. Dhawan A., Putnins T.J., Rasel A.R. Contagious Crime: How Cryptocurrency Manipulation Spills into Stocks // SSRN Electronic Journal. 2023. DOI: 10.2139/ssrn.4506293.
14. Duarte J.J., Montenegro González S., Cruz J.C. Predicting Stock Price Falls Using News Data: Evidence from the Brazilian Market // Computational Economics. 2021. Vol. 57. No. 1. DOI: 10.1007/s10614-020-10060-y.
15. Enikolopov R., Petrova M., Sonin K. Social Media and Corruption // American Economic Journal: Applied Economics. 2018. Vol. 10. No. 1. Pp. 150–174. DOI: 10.1257/app.20160089.
16. Fedorova E.A., Afanasyev D.O., Sokolov A.V., Lazarev M.P. Impact of disease information (Ebola and COVID19) on the pharmaceutical sector in Russia and USA // Farmakoekonomika. 2021. Vol. 14. No. 2. Pp. 213–224. DOI: 10.17749/2070-4909/farmakoekonomika.2021.054.
17. Hao Y., Vand B., Delgado B., Baldi S. Market Manipulation in Stock and Power Markets: A Study of IndicatorBased Monitoring and Regulatory Challenges // Energies. 2023. Vol. 16. No. 4. P. 1894. DOI: 10.3390/en16041894.
18. Jalal N., Mehmood A., Sang Choi G., Ashraf I. A novel improved random forest for text classification using feature ranking and optimal number of trees // Journal of King Saud University – Computer and Information Sciences. 2022. Vol. 34. No. 6. Pp. 2733–2742. DOI: 10.1016/j.jksuci.2022.03.012.
19. Joshi K., NB H., Rao J. Stock Trend Prediction Using News Sentiment Analysis // International Journal of Computer Science and Information Technology. 2016. Vol. 8. No. 3. DOI: 10.48550/arXiv.1607.01958.
20. La Morgia M., Mei A., Sassi F., Stefa J. Pump and Dumps in the Bitcoin Era: Real Time Detection of Cryptocurrency Market Manipulations // 29th International Conference on Computer Communications and Networks (ICCCN). 2020. Pp. 1–9. DOI: 10.1109/ICCCN49398. 2020.9209660.
21. Liu Q., Wang C., Zhang P., Zheng K. Detecting stock market manipulation via machine learning: Evidence from China Securities Regulatory Commission punishment cases // International Review of Financial Analysis. 2021. Vol. 78. DOI: 10.1016/ j.irfa.2021.101887.
22. Mirtaheri M., AbuElHaija S., Morstatter F., Steeg G.V., Galstyan A. Identifying and Analyzing Cryptocurrency Manipulations in Social Media // IEEE Transactions on Computational Social Systems. 2021. Vol. 8. No. 3. DOI: 10.48550/arXiv.1902.03110.
23. Mohan S., Mullapudi S., Sammeta S., Vijayvergia P. Stock price prediction using news sentiment analysis // Conference Paper. 2019. DOI: 10.1109/BigDataService.2019.00035.
24. Nghiem H., Muric G., Morsatter F., Ferrara E. Detecting cryptocurrency pump-and-dump frauds using market and social signals // Expert Systems with Applications. 2021. Vol. 182. DOI: 10.1016/j.eswa.2021.115284.
25. Nizzoli L., Tardelli S., Avvenuti M., Cresci S., Tesconi M., Ferrara E. Charting the Landscape of Online Cryptocurrency Manipulation // IEEE Access. 2020. Vol. 8. Pp. 113230–113245. DOI: 10.48550/arXiv.2001.10289.
26. Prastyo D., Sudjati I. Value-at-Risk Modeling on Stock Return with Exogenous Variables using ARMAXGARCHX Approach // Journal of Physics: Conference Series. 2018. Vol. 1028. No. 1. P. 012225. DOI: 10.1088/1742-6596/1028/1/012225.
27. Renault T. Pump-and-dump or news? Stock market manipulation on social media // Institute of Scientific Economy and Management. 2018.
28. Seong N., Nam K. Predicting stock movements based on financial news with segmentation // Expert Systems with Applications. 2021. Vol. 164. DOI: 10.1016/j.eswa.2020.113988.
29. Kogan S., Moskowitz T.J., Niessner M. Social Media and Financial News Manipulation // Review of Finance. 2023. Vol. 27. No. 4. Pp. 1229–1268. DOI: 10.1093/rof/rfac058.
30. Tetlock P.C. Giving content to investor sentiment: The role of media in the stock market // Journal of Finance. 2007. Vol. 62. No. 3. DOI: 10.2139/ssrn.685145.
31. Zaghloul W., Lee S.M., Trimi S. Text classification: Neural networks vs support vector machines // Industrial Management and Data Systems. 2009. Vol. 109. No. 5. Pp. 708–717. DOI: 10.1108/02635570910957669.

Дата поступления рукописи: 11.11.2025 г.

Дата принятия к публикации: 24.02.2026 г.

Заявленный вклад авторов:

Ф.Е. Бобровник – сбор статистических данных, критический анализ литературы, табличное и графическое представление результатов, выполнение численных расчетов.

О.С. Виноградова – постановка проблемы, разработка концепции статьи.

А.Г. Мирзоян – описание результатов и формирование выводов исследования.

Для цитирования:

Бобровник Ф.Е., Виноградова О.С., Мирзоян А.Г. Связь публикаций инвестиционных Telegram-каналов с доходностью акций публичных российских компаний // Вестник Института экономики Российской академии наук. 2026. № 1. С. 191-217. https://doi.org/10.52180/2073-6487_2026_1_191_217 EDN: LBMQBG

  Лицензия Creative Commons 4.0