社交微博可以用来预测日内汇率吗？

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Can social microblogging be used to forecast intraday exchange rates?》
---
作者：
Panagiotis Papaioannnou, Lucia Russo, George Papaioannou, Constantinos
  Siettos
---
最新提交年份：
2013
---
英文摘要：
  The Efficient Market Hypothesis (EMH) is widely accepted to hold true under certain assumptions. One of its implications is that the prediction of stock prices at least in the short run cannot outperform the random walk model. Yet, recently many studies stressing the psychological and social dimension of financial behavior have challenged the validity of the EMH. Towards this aim, over the last few years, internet-based communication platforms and search engines have been used to extract early indicators of social and economic trends. Here, we used Twitter\'s social networking platform to model and forecast the EUR/USD exchange rate in a high-frequency intradaily trading scale. Using time series and trading simulations analysis, we provide some evidence that the information provided in social microblogging platforms such as Twitter can in certain cases enhance the forecasting efficiency regarding the very short (intradaily) forex.
---
中文摘要：
有效市场假说（EMH）在某些假设下被广泛接受。它的一个含义是，对股票价格的预测至少在短期内不能超过随机游走模型。然而，最近许多强调金融行为的心理和社会层面的研究对有效市场假说的有效性提出了挑战。为了实现这一目标，在过去几年中，基于互联网的通信平台和搜索引擎被用来提取社会和经济趋势的早期指标。在这里，我们使用Twitter的社交网络平台以高频日内交易规模对欧元/美元汇率进行建模和预测。通过时间序列和交易模拟分析，我们提供了一些证据，证明Twitter等社交微博平台提供的信息在某些情况下可以提高对极短（日内）外汇的预测效率。
---
分类信息：

一级分类：Computer Science        计算机科学
二级分类：Social and Information Networks        社会和信息网络
分类描述：Covers the design, analysis, and modeling of social and information networks, including their applications for on-line information access, communication, and interaction, and their roles as datasets in the exploration of questions in these and other domains, including connections to the social and biological sciences. Analysis and modeling of such networks includes topics in ACM Subject classes F.2, G.2, G.3, H.2, and I.2; applications in computing include topics in H.3, H.4, and H.5; and applications at the interface of computing and other disciplines include topics in J.1--J.7. Papers on computer communication systems and network protocols (e.g. TCP/IP) are generally a closer fit to the Networking and Internet Architecture (cs.NI) category.
涵盖社会和信息网络的设计、分析和建模，包括它们在联机信息访问、通信和交互方面的应用，以及它们作为数据集在这些领域和其他领域的问题探索中的作用，包括与社会和生物科学的联系。这类网络的分析和建模包括ACM学科类F.2、G.2、G.3、H.2和I.2的主题；计算应用包括H.3、H.4和H.5中的主题；计算和其他学科接口的应用程序包括J.1-J.7中的主题。关于计算机通信系统和网络协议（例如TCP/IP）的论文通常更适合网络和因特网体系结构（CS.NI）类别。
--
一级分类：Computer Science        计算机科学
二级分类：Computational Engineering, Finance, and Science        计算工程、金融和科学
分类描述：Covers applications of computer science to the mathematical modeling of complex systems in the fields of science, engineering, and finance. Papers here are interdisciplinary and applications-oriented, focusing on techniques and tools that enable challenging computational simulations to be performed, for which the use of supercomputers or distributed computing platforms is often required. Includes material in ACM Subject Classes J.2, J.3, and J.4 (economics).
涵盖了计算机科学在科学、工程和金融领域复杂系统的数学建模中的应用。这里的论文是跨学科和面向应用的，集中在技术和工具，使挑战性的计算模拟能够执行，其中往往需要使用超级计算机或分布式计算平台。包括ACM学科课程J.2、J.3和J.4（经济学）中的材料。
--
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
--

---
PDF下载：
--> Can_social_microblogging_be_used_to_forecast_intraday_exchange_rates?.pdf (613.07 KB)

2022-5-5 03:20:13 上传

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

分享0 收藏0 回帖

关键词：Applications Architecture Implications Mathematical Econophysics

网络经济学手稿号（将由编辑插入）社交微博可以用来预测交易日汇率吗？Panagiotis Papaioannou·Lucia Russo·George Papaioannou·Constantinos I.Siettost这是NETNOMICS上发表的论文的前一版本。最终出版物可在http://www.springer.com/economics/economic+理论/期刊/11066摘要有效市场假说（EMH）在某些假设下被广泛接受。它的一个含义是，股票价格的预测至少在短期内不能超过随机游走模型。然而，最近许多强调财务行为的心理和社会层面的研究对有效市场假说的有效性提出了挑战。为了实现这一目标，在过去几年中，基于互联网的通信平台和搜索引擎已经被用来提取社会和经济趋势的早期指标。在这里，我们使用T w itter的社交网络平台以高频日内交易规模对欧元/美元汇率进行建模和预测。通过时间序列和交易模拟分析，我们提供了一些证据，证明Twitter等社交微博平台提供的信息在某些情况下可以提高对极短（日内）外汇的预测效率。希腊雅典国立技术大学应用数学与物理科学学院。俄罗斯国家研究委员会，那不勒斯，意大利。帕特拉斯大学帕皮奥安诺非线性系统研究与应用中心和德国爱美大学。我

雅典国立技术大学应用数学与物理科学学院，希腊电子邮件：ksiet@mail.ntua.gr2Panagiotis Papaioannou等。关键词交易率预测·Twitter·有效市场假说·社交微博·We b挖掘·时间序列分析·神经网络SPACS PACS 07.05。Tp·89.20。Hh·89.65。Gh1简介汇率预测是当代财务管理中最重要但最艰难的研究之一。波动性风险不仅与公司直接相关，还与国家和国际层面的宏观经济关系和战略措施直接相关。因此，美联储（Federal Reserve）等市场和机构在试图开发可建模产品以准确预测未来方面花费了大量时间和金钱，这并不奇怪。多年来，研究主要集中在两个方面。一方面，有一些基本模型试图根据理性预期假设预测汇率，这些假设涉及国民收入、预期汇率差异、外汇供应和需求等主要宏观经济数据。这一类别包括基于购买力平价（Keneth，1996）、覆盖和未覆盖的利率平价（Chaboud and Wright，2005；Chinnet al.，2004）的模型和mo netary模型（Frankel，1982；MacDonald and Taylor，1994；Groen，2000）。然而，正如理查德·米斯（Richard Meese）和肯尼斯·罗戈夫（Kenneth Rogo ff）在1983年所展示的那样（米斯等人，1983年），这种结构模型至少在短期内无法超越天真随机游动的预测能力。另一方面，还有所谓的非结构化模型，它们使用时间序列统计数据来预测货币走势。

这一类别包括回归模型（Huang et al.，2005；Preminger and Franck，2007）、马尔科夫模型（Mamon and Elliott，2007；Park et al.，2009；Shmilovici et al.，2009；Nikolsko Rzhevskyy and Prodan，2011）、支持向量回归（Burges，1998；Van Gestel et al.，2001；Tay a and Cao，2002；Kim 2003；Huang et al.，2010），人工神经网络和遗传算法（关和刘1995；姚和谭，2000；廖和曹，2006）。最近，基于行为金融概念（Shleifer，2000）的各种基于代理的模型被提出，以放松同质完全知情代理的标准假设，其预期与理论一致（Steiglitz和Shapiro，1998；Carpenter，2002；Ior i，2002；Marsilia和Raffaelli，2006；Co rona等人，2008）。特别是在过去几十年里，通过社交网络进行的新闻传播和社会模仿，不仅是影响全球经济和政治变化的主要因素，也是影响全球经济和政治变化的主要因素（加西亚，1997年；韩等人，2007年；约翰森，2004年）。在这种观点下，识别和理解由于个人互动而出现的社会集体行为已经成为当今经济中的一个关键因素（Camerer，1999；Daniel等人，2002；Ross，2008；Casti，2010；Knauff等人，2010）。然而，由于问题的内在特殊复杂性，这些模型也是建立在不完全知识的基础上的，因此它们表明社交微博可以用于预测日内汇率吗？3a“注意事项”对其稳健性和效率的影响。正如美国联邦储备委员会前主席艾伦·格林斯潘在2002年所说，“对汇率的预测可能比几乎任何其他经济变量都要多，但成功率要低”（格林斯潘，2002年）。

有效市场假说（Fama，1970年；Milgrom and Stokey，1982年；Malkiel，2003年，2005年）已经被经验证明是正确的，至少就短期预测而言，它有两种常见的形式：（a）弱者，说明未来价格无法通过使用基于过去价格的任何技术分析来预测；（b）半强者，声明未来的价格无法根据公开的新信息进行预测，比如宏观经济惊喜。但是，反映各种信息的有效市场假说的强形式又如何呢？研究表明，如果广告人的“信念”是一致的，而代理人的行为是理性的，那么私人和公共信息对投机都是毫无价值的（Milgrom和Sto-key，1982）。然而，也有研究声称，当特工对公开信息做出不同反应时，著名的米尔格罗姆和斯托克不交易理论并不适用。总的来说，年龄段的nts在行为上表现出异质性，他们在发布公告时往往会根据他们的收入预期做出不合理和/或不同的反应，并且他们得到的信息也各不相同。在其他人中，上述事实引发了对theEMH有效性的激烈辩论。关于外汇，许多研究表明，由人们的私人信息塑造的“信念”起着重要作用（Bacchetta and van Wincoop，2006；Gyntelberg等人，2009）。但是，如何才能检索到这样的“私人”信息呢？Nolte和Pohlmeier（2006）根据欧洲经济研究中心的金融市场调查分析了金融专家的预测能力。他们的结论是，没有任何证据可以支持这样的假设，即这样的调查可以为改进预测提供有价值的信息。

如今，Newborn微博社交服务——它彻底改变了私人和公开信息的使用方式——似乎是数据挖掘代理的个人信息和“信念”的有前途的媒体，因为它们的（交易）行为反映了这些信息（Schumaker和Chen，2009；Asur和Huberman，2010）。例如，这些服务在搜索引擎的帮助下被开发为股市预测工具（Bollen e t al.，2011）和电影票房收入工具（Asur和Huberman，2010）；还尝试了其他复杂现象的建模和预测，如流行病的早期检测（金斯伯格等人，2009年）和地震（厄尔等人，2010年）。对于金融或宏观经济时间序列预测，三大类在线资源已被利用（参见Mao和Bollen（2011）的评论），即新闻媒体、网络搜索（如Google Insight）和社交微博（如Facebook和Twitter）。这些研究试图基于关键词查找和正确解释形成情绪指标。在这里，我们遵循另一条利用Twitter在线数据集的路径：我们利用交易员在Twitter上发布的限价单所反映的“信念”。几家在线算法经纪公司（例如Zulutr ade.com）发布其reta il客户的传入限额订单（不显示Panagiotis Papaioannou等人的身份），供其他参与者查看、出价和发布自己的订单。因此，利用这些信息来增强汇率的预测潜力是很有诱惑力的。

通过使用各种模式，即自回归（AR）、外生输入线性模型自回归（ARX）和人工神经网络（ANN），我们提供了一些证据，证明在某些情况下，社交微博服务可以在很短的时间内（日内）用于增强这些模型的预测性能。2.方法概述我们提出的方法旨在提供证据，证明Twitter的微博平台等社交网络媒体可以用于增强短期内的汇率预测。在我们的示例中，我们使用了一个数据集，其中包括从2010年10月25日到2011年1月5日在Twitter平台上发布的20250条公共可用消息（其中没有重复推文）。Twitter于2006年推出，通过在用户中发布140个字符的短信来提供社交网络。今天，估计每天有超过1.9亿用户发送约6500万条推文。这些推文中的每一条都提供了其标识（用户名）、推文提交的日期和时间以及发布的文本内容。我们使用onTwitter数据库Archivist的搜索API搜索数据库，以匹配关键字“购买欧元/美元”。这样做，我们发现包含搜索字符串的每条推文都包含了关于每个推特用户交易者的订单类型的信息，以及每个订单的目标价格。发布的订单类型是每位交易员已经通过其经纪公司发出的多数限制订单，因此反映了他对upc的“信念”，即欧元/美元汇率报价。使用每条消息的目标价格，我们首先将每个获得的数字转换成一个整数，以形成一个实心数据集。这是因为许多目标价格以不同的形式发布，例如：。

如“1.345”或“1345”、“13,45”、“134.5”等。由于我们的分析侧重于高频日内交易，我们决定每小时研究推文的时间行为。正如许多最近的金融研究所提出的，关于几种金融资产的分布（J.P.MorganAsset Management，2009），我们发现基于每日推文的报价分布也遵循α稳定分布。在这一点上，我们应该注意到，在我们的样本中，有几天（54个交易日中的3个交易日）缺乏统计上显著的观察数量（由于fa c t，Twitter档案管理员在这几天似乎没有收集很多推文）。为了克服这个问题，就在这几天，我们制作了一个更大的样本，在这几天内填写交易时间，使用阿尔法稳定分布和其他几天相同的统计参数（如方差、偏度等），统计平均值除外。这是贝斯-高斯-伊恩（bethe Gauss-ian）根据交易量加权得出的，即这些天中每一条推文的平均交易量。为了预测实际的closCan社交微博是否可以用来预测日内汇率？50102003004050601.281.31.321.341.361.381.41.421.44美元/欧元！t daysFig。1推文报价的时间序列（灰色区域）和从雅虎金融数据库获得的每小时实际closingexchange欧元/美元汇率的时间序列（实线）。根据推文趋势，我们使用了每小时前50分钟的时间窗口。例如，对于下午1点到2点发布的推文，我们选择了下午1点01分到1点51分发布的推文。

图1描述了推文报价的时间序列，以及从雅虎财经数据库获得的每小时实际收盘汇率的时间序列。通过应用统计检验（Anderson-Darling和Ko lmogorov），我们发现在54个交易日的总周期内，其他分布都是双曲型分布。更具体地说，推特的分布符合双曲线分布，统计平均值为1.3475，西格玛为0.021，而对于实际收盘分布，这些值为平均值1.348，西格玛为0.023。模型探索了推特中所含信息的预测潜力，并通过构建（a）自回归（AR）（b）自回归外生（ARX）线性模型和（c）多层前馈神经网络（ANN）来比较它们的效率。AR模型的一般形式为：^A（z-1） y（t）=e（t）（1）这里，y（t）表示时间t（hourlybasis）的实际欧元/美元汇率；e（t）是剩余的时间t，代表无法从之前的测量中预测的测量部分。^A（z）-1） =a+az-1+az-2+ ... + 阿纳兹-na（2）6 Panagiotis Papaioannou等人。！ky t n“kat nyn”#$%和“（！ku t n”！ytbt nkun”#$%和“）（图2 ANN模型的示意图-1是byz定义的后s档操作员-ky（t）=y（t）- k） （3）ARX模型可以写成：y（t）=A（z）-1） y（t）- nk）+B（z-1） u（t）- nk）+e（t）（4）这里，u（t）表示基于在时间t之前的50分钟时间间隔内计算的推文的平均值；Nk是纯时间的lay andA（z-1） =a+az-1+az-2+ ... + 阿纳兹-naB（z）-1） =b+bz-1+bz-2+ ... + bnbz-nb（5）为了进行比较，我们还使用了非线性回归，即两层前馈神经网络（ANN）。

神经网络由两个隐藏层构成，每层有四个节点，阈值函数由f（x）=2/（1+e）给定-2x）-1.因此，在输入层中有na+NB神经元，在输出层中有一个神经元具有纯线性函数（ANN示意图见图2）。使用基于误差均方的反向传播算法（Rumelhart等人，1986年），对网络进行了100个时代的训练。对每个隐藏层使用不同数量的神经元（例如3、5、6）不会改变分析结果。对于任何实际手段，考虑到训练集的大小，比如NT，为了实现输入空间的公平插值，避免过度匹配等不良现象，可以使用社交微博的总数来预测日内汇率吗？7网络中的权重，比如nws，应满足Nw<eN的条件，其中e是近似误差的预期平均值（Baum and Haussler，19 88）。包含实际收盘率和推文粗粒度值s的数据集被分成两组：一组包含前60%的数据作为训练集，另一组包含最后40%的数据作为测试集，比如NV。培训和验证数据集大小的不同选择不会改变分析结果。这两种模型的参数估计都是通过最小二乘法拟合原始数据（a t水平）和交换/推文速率返回值（y′=100 log y（t））的se t来完成的- 对数y（t）- 1） u′=100对数u（t）- 对数u（t）- 1） 分别为。