新闻凝聚力：金融市场系统性风险的指标

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：
《News Cohesiveness: an Indicator of Systemic Risk in Financial Markets》
---
作者：
Matija Pi\\v{s}korec, Nino Antulov-Fantulin, Petra Kralj Novak, Igor
  Mozeti\\v{c}, Miha Gr\\v{c}ar, Irena Vodenska, Tomislav \\v{S}muc
---
最新提交年份：
2014
---
英文摘要：
  Motivated by recent financial crises significant research efforts have been put into studying contagion effects and herding behaviour in financial markets. Much less has been said about influence of financial news on financial markets. We propose a novel measure of collective behaviour in financial news on the Web, News Cohesiveness Index (NCI), and show that it can be used as a systemic risk indicator. We evaluate the NCI on financial documents from large Web news sources on a daily basis from October 2011 to July 2013 and analyse the interplay between financial markets and financially related news. We hypothesized that strong cohesion in financial news reflects movements in the financial markets. Cohesiveness is more general and robust measure of systemic risk expressed in news, than measures based on simple occurrences of specific terms. Our results indicate that cohesiveness in the financial news is highly correlated with and driven by volatility on the financial markets.
---
中文摘要：
受最近的金融危机的推动，人们在研究金融市场的传染效应和羊群行为方面投入了大量研究工作。关于金融新闻对金融市场的影响，人们谈论得更少。我们提出了一种新的衡量网络财经新闻集体行为的指标，即新闻凝聚力指数（NCI），并表明它可以作为一种系统性风险指标。从2011年10月到2013年7月，我们每天对大型网络新闻来源的金融文件进行NCI评估，并分析金融市场和金融相关新闻之间的相互作用。我们假设，金融新闻中的强大凝聚力反映了金融市场的动向。内聚性是对新闻中所表达的系统性风险的更普遍、更稳健的衡量标准，而不是基于特定术语的简单出现的衡量标准。我们的研究结果表明，金融新闻的凝聚力与金融市场的波动性高度相关，并受其驱动。
---
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：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。
--
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：
--> News_Cohesiveness:_an_Indicator_of_Systemic_Risk_in_Financial_Markets.pdf (2.16 MB)

2022-5-5 18:41:19 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：系统性风险 金融市场 凝聚力 系统性 Applications

新闻凝聚力：金融市场系统性风险的指标斯马蒂亚·皮斯科雷克、尼诺·安图洛夫·范图林、佩特拉·克拉吉·诺瓦克、伊戈尔·莫塞蒂奇、米哈·格查尔、伊雷娜·沃登斯卡和托米斯拉夫·什穆斯卡信息系统实验室，电子部，克罗地亚知识技术部鲁伊尔·博什科维奇研究所，斯洛文尼亚行政科学部乔伊夫·斯特凡研究所，美国波士顿大学大都会学院2014年2月17日摘要受最近金融危机的影响，人们对金融市场中的传染效应和羊群行为进行了大量研究。关于金融新闻对金融市场的影响的报道则少得多。我们提出了一个新的衡量网络金融新闻中集体行为的指标，即新闻凝聚力指数（NCI），并表明它可以作为一个系统性风险指标。从2011年10月到2013年7月，我们每天对大型网络新闻来源的金融文件进行NCI评估，并分析金融市场和金融相关新闻之间的相互作用。我们假设金融新闻中的强大凝聚力反映了金融市场的变化。与基于特定术语的简单发生率的度量相比，一致性是对新闻中表达的系统性风险的更普遍、更稳健的度量。我们的研究结果表明，金融新闻的凝聚力与金融市场的波动性高度相关，并受其驱动。导言随着互联网的发展，在线信息与金融市场之间的关系已成为人们越来越感兴趣的话题。

在线信息影响其来源和目的，并以查询的形式反映某些用户的兴趣，或以新闻博客或报道的形式反映某些主题的知识。金融市场是强烈的信息驱动，通过研究搜索查询量或社交媒体情绪可以看出这些影响。许多研究分析了特定术语的搜索查询量对相关项目金融市场变动的影响[1]。Bordino等人[2]表明，纳斯达克100指数成交量与同一股票的每日成交量相关，查询量可以预测一天或更多天的交易峰值。Dimp Fl等人[3]报告称，从谷歌趋势（GoogleTrends）获得的对术语“道琼斯”的互联网搜索查询可以帮助预测道琼斯的实际波动率。Vlastakis等人[4]利用谷歌趋势在公司和市场层面研究了纽约证交所和纳斯达克100指数成交量最大的30只股票的信息需求和供应。Chauvet et al.[5]设计了房地产市场投资者困境指数，即住房困境指数（HDI），也基于谷歌搜索查询数据。Preis等人[6]展示了谷歌趋势数据如何用于设计市场战略或定义未来方向指数[7]。原则上，考虑到新闻、博客甚至维基百科文章[8]，预计信息源和金融市场之间的差异会有所不同。Andersen等人[9]描述了美国、德国和英国股票、债券和外汇市场对实时美国宏观经济新闻的反应。Zhang和Sikena利用[10]博客和新闻，利用大规模自然语言处理建立一个感知模型，研究公司的媒体频率、情绪极性和主观预期如何影响或反映股票交易量和财务回报。陈等人。

[11] 调查社交媒体在金融市场中的作用，重点关注在Seeking Alpha上发表的单条股票文章，这是一个受投资者欢迎的社交媒体平台。毛等。[12] 使用情绪跟踪方法比较一系列不同的在线信息来源（Twitter提要、新闻标题和谷歌搜索查询量），并比较它们对市场指数的财务预测价值，如道琼斯工业平均指数（DJIA）、交易量和隐含市场波动率（VIX）以及黄金价格。Casarin和Squazzoni[13]将坏消息指数计算为三个不同新闻来源的标题中负面情绪词的加权平均值。新闻的凝聚力作为系统性金融风险指标的理念与最近研究金融市场模仿和协同运动的著作有关，这些模仿和协同运动反映了金融系统中的系统性风险[14,15,16,17,18]。Harmon等人[17]表明，上次经济危机和早期的大规模单日恐慌之前，市场模仿程度较高的时间较长，这直接证明了不确定性和紧张，以及外部新闻的影响力相对较弱。Kennet等人[18]在减去指数贡献后，定义了代表股票相关性和偏相关性之间平衡的指数，并研究了标准普尔500指数在10年（1999-2010）期间的动态。将凝聚力作为新闻重要性的衡量标准的想法很简单：如果许多来源报道了一些事件，那么这应该反映出它们的重要性，并与金融市场的主要趋势相关联。

然而，为了捕捉具有系统重要性的趋势，我们必须能够跟踪大多数相关在线新闻来源的差异。换言之，我们需要：（i）获得相关新闻来源；（ii）与感兴趣领域相关的综合词汇表。通过对公司、金融机构、金融工具和金融术语的大量金融术语表的使用，我们满足了系统方法的第二个先决条件。为了满足第一个前提条件，在我们的分析中，我们对通过一个级别的文本流处理管道NewStream提取的金融新闻文档进行了分析[19](http://newstream.ijs.si/)，来自大量网络资源。然后将这些文本过滤并转换为便于计算特定时间段NCI的形式。我们表明，金融新闻的重要性可以用一种更系统的方式来衡量，而不是通过对单个实体的情绪或单个术语的发生次数来衡量，而且新闻的强大凝聚力反映了金融市场的趋势。已经有强有力的证据表明，金融工具的共同流动与金融市场的系统性风险有关[18]。我们假设，金融新闻的凝聚力在一定程度上反映了这种系统性风险。我们的新闻一致性指数（NCI）捕捉了金融语料库中文档和实体之间的平均相互相似性。如果我们代表实体的文件资产，那么有两种不同的相似性观点：（i）如果两个文件共享更多的实体，那么它们比其他两个文件更相似；（ii）如果两个实体在更多的文件中同时出现，那么它们比其他两个实体更相似。

我们构建NCI，以便无论我们选择采用何种观点，文档语料库中的整体相似性都是相等的。我们从不同的金融指数、波动性、交易量以及谷歌搜索查询量的角度分析NCI。我们发现，NCI与美国和欧盟股市指数的波动性高度相关，尤其是历史波动率和VIX（S&P500的隐含波动率）。此外，我们还证明，在与金融指数的关系中，总期限发生率和内聚性之间存在显著差异。结果新闻凝聚力指数为了衡量金融新闻中的羊群效应，我们引入了一个新闻凝聚力指数（NCI）——一个量化金融文档集合中凝聚力的系统性指标。NCI计算的起点是一个文件实体矩阵，它量化了在特定时间段内收集的每个单独文件中实体的出现次数。我们使用实体概念（而不是术语）来表示文本中某些概念的不同词汇表现。在我们的案例中，我们使用实体词汇表，包括金融词汇表术语、金融机构、公司和金融工具。实体的完整分类法见补充信息第3节。我们从发生的定义开始，即某个实体是否出现在某个文档中，无论它在文档中出现了多少次。这使得文档实体矩阵A成为二进制矩阵：Ai，j=1如果实体EJ在文件di0中，则为其他。（1） A是一个m×n矩阵，其中m是在选定时间段内发布的文档数，n是我们监控的实体总数。Documententity矩阵A还对应于文档和实体之间的二部图的双邻接矩阵。

如果实体eja出现在文档di中，则文档dian和实体eja之间存在一条边。无论我们选择将其视为文档之间的相似性还是实体之间的相似性，文档集合中的总体相似性都应该是相等的。为了实现这一点，我们将相似性定义为文档对hdi、dji或实体对hei、eji的标量积。现在，我们将函数定义为所有文档对之间标量相似矩阵的Frobenius范数Cdij=hdi、dji或实体Ceij=hei、eji:NCI=k C kF=VuTmxi=1mXj=1kCijk，（2）其中C为Cdij或Ce。文档-文档相似性矩阵Cd=Aa和实体-实体相似性矩阵Ce=ATA的Frobenius范数相等，因此无论我们将其作为文档还是实体相似性进行度量，内聚都是守恒的：k CdkF=k AATkF=k ATA kF=k CekF。（3） 在网络表示中，这两个相似矩阵对应于原始文档实体矩阵的二部图的两个投影，如图1所示。此外，我们可以利用标量相似矩阵的Frobenius范数的性质，并将内聚性表示为文档实体矩阵a的奇异值的函数（补充信息第2节中的证明）：NCI=vuutkXi=1σi，（4）其中σi是奇异值分解中矩阵的k个最大奇异值：a=U×S×VT。由于奇异值是在原始文档实体矩阵上计算的，而不是在其文档或实体投影上计算的，因此我们声称，我们捕获了对应文档实体矩阵的一个本质属性，该属性对投影是不变的。

这也可能是因为相似矩阵A和ATA的特征值相等，并且它们对应于文档实体矩阵A的奇异值。这种方法对于大型文档实体矩阵是有益的，因为与相似矩阵的显式计算相比，它在时间和内存方面更有效。我们可以增量计算第一个k值，直到我们得到图1：矩阵和文档实体矩阵的网络表示。文档和实体相似性矩阵的矩阵表示（左），以及实体和文档投影的相应网络表示（右）。两个相似矩阵的Frobenius范数对应于两个投影中连接权重的平方和，并且它们相等，这意味着内聚性在两个投影中都是守恒的。NCI的预期精度（见补充信息第1节）。在实践中，只有少量的奇异值就足以计算NCI，达到所需的精度。由于文档的数量每天都在变化，而实体的数量保持不变，因此我们分析中的所有索引都是用语料库中1/m的文档数量进行规范化的。我们已经统计证实，NCI在很大程度上高于内聚性随机零模型的假设水平（见补充信息第2节）。NCI的语义划分有时，对哪些实体或文档组对整体内聚性贡献最大进行详细分析是很有趣的。为此，我们可以使用任何适当的语义标准将实体或文档划分为多个组，并分别计算每个组或组对之间的内聚性。实体投影中的语义划分是通过将实体分组到相互不相交的组中来创建的，由它们的分类定义如图2：语义划分。

语义划分为两个实体语义组——“金融机构”和“金融上下文”，以及三个文档语义组——“第1天”、“第2天”和“第3天”。阴影区域的Frobenius范数量化每个语义组内的内聚性，而所有其他区域的Frobenius范数量化基于成对语义组的内聚性。标记（因此是语义解释）。另一方面，文档投影中的语义分区可以通过按时间或源成员对实体进行分组来创建。图2展示了在不同投影的背景下划分的概念。我们可以分别计算每个语义组或语义组组合的内聚性。请注意，即使在这种情况下，我们也不需要显式计算相似性矩阵（参见补充信息第1节）。按照补充信息第3节中描述的实体分类法，我们定义了四个语义组：公司、地区、金融工具和欧元危机术语。图3显示了每个语义分区中最常见的实体，基于分析期间收集的新闻语料库。NCI关于金融市场和查询量为了评估NCI作为系统性风险指标的效用，我们使用相关性分析和格兰杰（Granger）苏格兰皇家银行集团PLCAT&T Inc.Netflix Inc.瑞士信贷集团AGApple Inc.波音公司富国银行股份有限公司戴尔公司德意志银行AGNokia Corp.汇丰控股PLCIntel Corp.瑞银AGMorgan StanleyCitigroup Inc.东京电力公司。

公司穆迪公司巴克莱集团摩根大通公司哥伦比亚广播公司投资者微软公司谷歌公司雅虎！股份有限公司0%5%10%15%财务文件百分比新加坡芝加哥墨西哥巴西爱尔兰香港澳大利亚银行股份有限公司金融文件百分比德国亚洲独立国王欧洲独立国家20%20%40%60%区域实体欧元STOXX 50（欧元）瑞士法郎货币证券化欧洲债券资产-有担保证券加拿大美元澳大利亚美元美元不良资产欧洲50欧元挪威克朗信用违约互换CAC 40德国DAX债券购买欧洲政府债券FTSE 100指数担保道琼斯工业平均美元对冲基金和P 500指数占金融文件百分比仪器实体信贷评级英国惠誉银行欧洲佣金干预外债投资银行公司机构的过失制裁货币政策标准与贫困投机流动性下降国内生产总值衰退美联储有限责任公司欧洲中央银行不确定性利率通货膨胀确定欧元区0%5%10%15%金融文件百分比美国实体图3：最频繁发生的每个语义分区中的实体。最常见的实体之一是与世界领先金融市场相对应的主要地区：美国、中国、欧洲、英国、伦敦、日本、德国。考虑到美国的频率，毫不奇怪，从公司到工具，大多数其他频繁出现的实体也与美国金融市场和术语联系在一起。根据金融市场和信息指标库进行因果关系测试。