影响金融市场的沟通

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：
《Communication impacting financial markets》
---
作者：
Jorgen Vitting Andersen, Ioannis Vrontos, Petros Dellaportas and Serge
  Galam
---
最新提交年份：
2014
---
英文摘要：
  Behavioral finance has become an increasingly important subfield of finance. However the main parts of behavioral finance, prospect theory included, understand financial markets through individual investment behavior. Behavioral finance thereby ignores any interaction between participants. We introduce a socio-financial model that studies the impact of communication on the pricing in financial markets. Considering the simplest possible case where each market participant has either a positive (bullish) or negative (bearish) sentiment with respect to the market, we model the evolution of the sentiment in the population due to communication in subgroups of different sizes. Nonlinear feedback effects between the market performance and changes in sentiments are taking into account by assuming that the market performance is dependent on changes in sentiments (e.g. a large sudden positive change in bullishness would lead to more buying). The market performance in turn has an impact on the sentiment through the transition probabilities to change an opinion in a group of a given size. The idea is that if for example the market has observed a recent downturn, it will be easier for even a bearish minority to convince a bullish majority to change opinion compared to the case where the meeting takes place in a bullish upturn of the market. Within the framework of our proposed model, financial markets stylized facts such as volatility clustering and extreme events may be perceived as arising due to abrupt sentiment changes via ongoing communication of the market participants. The model introduces a new volatility measure which is apt of capturing volatility clustering and from maximum likelihood analysis we are able to apply the model to real data and give additional long term insight into where a market is heading.
---
中文摘要：
行为金融学已经成为金融学中一个越来越重要的分支领域。然而，行为金融学的主要部分，包括前景理论，通过个人投资行为来理解金融市场。因此，行为金融学忽略了参与者之间的任何互动。我们引入了一个社会金融模型，研究沟通对金融市场定价的影响。考虑到最简单的情况，即每个市场参与者对市场有积极（看涨）或消极（看跌）的情绪，我们模拟了由于不同规模的子群体中的沟通，人群中情绪的演变。通过假设市场表现取决于情绪变化（例如，看涨态度的突然积极变化将导致更多购买），考虑市场表现和情绪变化之间的非线性反馈效应。市场表现反过来会通过改变给定规模群体观点的转移概率对情绪产生影响。这种想法是，如果市场观察到最近的低迷，与在市场看涨的情况下召开会议相比，即使是看跌的少数人也更容易说服看涨的多数人改变观点。在我们提出的模型框架内，金融市场风格化的事实，如波动性聚集和极端事件，可能被认为是由于市场参与者持续沟通的突然情绪变化而产生的。该模型引入了一种新的波动率度量，它易于捕捉波动率聚类，通过最大似然分析，我们能够将该模型应用于真实数据，并对市场走向提供额外的长期洞察。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：General Finance        一般财务
分类描述：Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--
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。
--

---
PDF下载：
-->

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：金融市场 Quantitative Participants Increasingly Applications

影响金融市场的通信：法国巴黎大学索邦分校索邦经济研究中心，巴黎1潘特昂索邦大学索邦经济科学研究所，Ioannis Vrontos，Petros Dellaportas和Serge GalamCNRS，法国巴黎塞迪斯13路106-112号，勒霍皮塔尔大道75647号，Ionargen Vitting Andersen，Ioannis Vrontos，Petros Dellaportas和Serge GalamCNRS*雅典经济和商业大学统计系，地址76104 34雅典，希腊和塞维波夫——政治研究、科学和国家研究中心，巴黎大学路98号，法国弗朗西斯，75007。2002年诺贝尔奖授予卡尼曼前景理论，行为金融已成为一个越来越重要的金融领域。然而，包括前景理论在内的行为金融的主要部分通过个人投资行为来理解金融市场。因此，行为融资忽略了参与者之间的任何互动。我们引入了一个社会金融[1]模型，研究沟通对金融市场定价的影响。考虑到最简单的情况，即每个市场参与者对市场有积极（看涨）或消极（看跌）的情绪，我们模拟了由于不同规模的子群体中的沟通，人群中情绪的演变。市场表现和情绪变化之间的非线性反馈效应通过假设市场表现取决于情绪变化来考虑（例如，看涨情绪的突然积极变化将导致更多购买）。市场表现反过来会通过在给定规模的群体中改变观点的转移概率对情绪产生影响。

这种想法是，如果市场观察到最近的低迷，那么即使是看跌的少数人也更容易说服看涨的多数人改变观点，而不是在市场看涨的情况下召开会议。在我们提出的模型框架内，金融市场风格化的事实，如波动性聚集和极端事件，可能被认为是由于市场参与者持续沟通的突然情绪变化而产生的。该模型引入了一种新的波动性度量，它易于捕捉波动性聚类，通过最大似然分析，我们能够将该模型应用于实际数据，并对市场走向提供额外的长期洞察。引言“从短期来看，市场是一台投票机，但从长远来看，它是一台称重机”这句话是写给本杰明·格雷厄姆的。格雷厄姆本人用这句话来论证，投资者应该使用所谓的基础价值投资方法，集中精力准确分析给定金融资产的价值。也就是说，他建议忽略短期的“投票机”部分，而是专注于长期，在长期，市场的“称重机”将以某种方式确保最终对资产的真实价值进行定价。格雷厄姆的话中有趣的部分是暗指人们的决策及其对市场的影响。然而，格雷厄姆并没有提到决策过程实际上是如何发生的，这将是我们在下文中的重点。在不确定的情况下，人们经常咨询他人以获得更多信息，从而更好地了解情况。

金融市场尤其如此，市场参与者咨询媒体或其他同事，了解价格变动背后的根源，或评估特定信息可能对市场产生的影响。例如，模仿他人的行为是决定购买的主要机制之一[3]。社会家庭，即与邻居互动的家庭，也对股市投资水平产生了影响。在[4]中，研究表明，在社交能力较高的地方，股市参与率较高。然而，对模仿作用的唯一了解不足以在一个操作框架中描述金融市场的价格动态，因为事实上，仍然需要更详细地理解和识别支配意见动态和集团决策的规则。在[5]中，人们发现人际沟通在投资者的决策中极其重要。对机构投资者和个人投资者进行的问卷调查显示，口碑传播对投资者有很大影响。[6]研究表明，在德国的基金经理中，与其他金融和行业专家的信息交流是影响其投资决策的第二个最重要因素，此外还有与同事的对话和媒体的报道。最近，大规模人际网络结构及其信息流的影响被证明对资产定价有影响[7]。[8]中介绍了不同的建模工作，其中引入了旋转模型，以考虑不同市场参与者之间的局部互动，从而解释金融市场中泡沫的形成。[9]中介绍了一项后续研究，表明由于交易员的局部异质性互动，牛市和熊市之间存在非周期性转换。

文献[10]中的“蚂蚁招募”模型展示了市场参与者之间互动的不同观点。[11-16]中也介绍了类似的社会观点动态模型和基于代理的投资者模型。然而，应该注意的是，只有[12,14]的工作将价格和情绪作为两个不同的变量，我们发现这两个变量很重要，因为情绪（以及价格）可以通过经验获得。在下文中，我们将介绍一个社会财务[1]模型，该模型以定量的方式准确地描述了这一点。分析考虑市场参与者群体，如图1A中的圆圈所示。我们将以所谓的观点形成的Galam模型[17–19]为基础，为简单起见，假设人们对市场只有两种不同的观点，我们可以将其描述为“看涨”（黑圈）或“看跌”（白圈）。让B（t）表示在时间t时一个群体中看涨的比例，那么看跌的比例是1- B（t）。图1A代表了参与者在一天开始时的观点。白天，人们在不同大小的随机分组中会面，如图1B中的不同方框所示，以更新他们对市场的看法。例如，图1B中最左边的方框中有六个人，两个看涨，四个看跌，我们可以想象他们围坐在桌子旁，或者召开电话会议，讨论最新的市场发展。不同群体的讨论结果如图1C所示。为了简单起见，我们举例说明了这样一种情况，即某一特定分组中的多数意见通过改变那些持有少数意见的人的意见，从而使该分组的意见两极分化。

以上述六人组为例，我们可以看到，经过讨论后，由于多数人的两极分化规则，他们都变得悲观。更现实地说，我们将在下文中假设，多数人的意见有一定的可能性重新出现，即使在某些情况下，少数人也可以说服多数人中的一部分改变他们的观点。对于给定的k组，j经纪人有看涨意见，k- j悲观观点，我们让mk，jdenote预测所有（k）成员在会面后采纳乐观观点的过渡概率。在一次更新中，考虑到所有规模为k的群体与j个看涨经纪人的沟通，因此，在人群中找到一个看涨经纪人的新概率可以写成：B（t+1）=mk，j（t）CkjB（t）j[1]- B（t）]k-j（1）whereCkj≡KJ（k）- j） !！（2） 是二项系数。请注意，转移概率mk，jdepend在时间上，因为我们假设它们随着市场表现的变化而变化（这一点将在下面进一步解释）。将不同规模的不同组和每个组内不同组成的看涨组合的总和（见图1B）得出一个通用项B（t+1），由于一天的开始，在t+1的时候，一个人群中的乐观情绪：50%的人是乐观的（黑圈）。a）不同规模的群体之间的交流导致每个群体中的多数人同意b）C）一天结束时：45%的人是乐观的（黑圈）D）图1：通过分组交流改变一个人群中的“乐观情绪”。a） ：在某一天的开始，一定百分比的看涨。b） ：在白天，交流在不同大小的随机分组中进行。c） ：说明了意见多数规则产生的完全极化mk，j=±1的极端情况。

总的来说，j j/k对应于中性情况，即在大小为k的分组中，意见平均保持不变。d）：由于不同分组之间的沟通，一天结束时的“看涨”与一天开始时的“看涨”不同。具有不同规模和不同看涨成分的群体的会议结果：B（t+1）=LXk=1akkXj=0mk，j（t）CkjB（t）j[1]- B（t）]k-j（3）LXk=1ak=1；ak≡L（4），其中L表示最大群体的规模，Ak表示规模为k的群体的权重。然后，可以通过假设价格回报率r（t）在看涨时发生变化，来考虑沟通及其对市场的影响之间的联系。其观点是，看涨本身并不是决定价格如何变化的相关因素。那些看涨的人自然会在市场上持有多头头寸。相反，当人们改变他们的观点时，比如说对市场变得更消极，或者更不乐观，这会增加他们的抛售倾向。在从业者中，绝对情绪可以作为未来市场回报的反向指标（情绪变化作为一个指标），这一事实是众所周知的，参见[20]，它给出了用于未来市场回报反向预测的情绪指数。假设回报率与看涨率RB（t）以及经济新闻η（t）的百分比变化成正比，回报率r（t）由以下公式得出：r（t）=RB（t）λ+η（t），λ>0（5），其中RB（t）=B（t）-B（t）-1） B（t）-1） 看涨情绪的变化或“回归”。变量η（t）=r（t）-RB（t）λ假定为高斯分布，平均值为u≡ 0和一个标准差，该标准差随时间的变化而变化，取决于情绪的变化。

我们将假设市场将对η代表的基本经济消息作出反应，但反应的幅度取决于情绪的变化RB（t）：σ（t）=σexp（|RB（t）|β），σ>0，β>0（6）金融市场对决策的影响现在可以通过让说服力取决于自上次市场参与者会议以来市场的表现，以自然的方式包括在内。我们的想法是，例如，如果市场在昨天收盘时急剧下跌，那么在第二天上午的会议上，持看跌观点的人将更有可能说服即使是看涨的大多数人的观点。在下面的形式化描述中，通过考虑观点改变的转移概率，即，如图1所示的转移概率来考虑这一点。B→ 图1。C、 取决于上一时期的市场回报率：mk，j（t）=mk，j（t）- 1） exp（r（t）α）；mk，j（t=0）≡ j/k，α>0（7），其中α定义了给定收益r（t）影响转移概率的尺度。条件mk，j（t=0）≡ j/k描述了一种最初没有偏见的情况，即平均没有市场参与者改变观点。结果是模型性质的首次证明，等式。（3-7），图2a显示了通过沟通（细实线）获得的市场参与者的乐观情绪与市场价格（粗实线）之间的联系。人们观察到，看涨情绪明显持续下降，而市场本身先是下降，但在时间段结束时又恢复了损失，与初始水平相比基本上没有变化。这说明了看涨（1-7）中通过记忆效应实现的持久性与（5）中通过η（t）项实现的回报的随机性之间的竞争。

应该注意的是，B=0，1作为排斥性的fix点：如果B向这两个极端收敛，B的导数将变为零，人们可以忽略定价公式（5）中的感觉部分。在这种情况下，任何基本负面消息（η<0）都不会进一步影响看跌人群的情绪（比如B）≈ .0）而任何积极的基本面新闻都会通过（7）、（3）导致更积极的情绪变化。在最后一段时间里，牛市的回报率逐渐下降，价格同时上涨，这确实说明了回报和情绪之间复杂的高度非线性关系。该模型能够重现真实金融市场数据中最重要的所谓程式化事实[21]。图2b说明了图2a中时间序列收益率波动性的聚类。此外，回报率在回报率中表现出厚尾行为（图2c），厚尾指数与实际市场中的指数相似[22]。最后，让我们也提到，在收益率的零自相关（细线，图2d）所示的模型框架内，不存在无轨可能性，而在波动率中，通过波动率的缓慢衰减自相关（粗线，图2d）所示的长记忆效应。需要注意的是，通过使用其他参数，我们发现成对（L=2）情况与一般L情况表现出类似的行为（我们只研究了L<20）。利用ak的不同分布，我们发现了类似的结论，这似乎表明传染效应对这两个参数的鲁棒性，与[11]中的报道有些相似。使用基于最大似然的推理（见附录），我们首先进行了一系列模拟，以确保确实能够检索用于生成模拟数据的参数值[23]。

接下来，我们研究了拟议的社会金融模型在FTSE-20雅典证券交易所指数中的实证应用。其想法是考虑一个非常不稳定的市场，以研究市场表现的突然和巨大变化，并绘制情绪的相应演变图。该数据包括2008年7月11日和2013年11月7日期间的1247个每日价格。结果显示了最大化算法的收敛性，因为使用不同的起始值得到的估计非常相似，并且在参数估计处计算的对数似然梯度值接近于零。然后，我们估计了看涨的时间比例和时变条件波动率。在图3中，我们给出了FTSE-20的价格P（t）、相应的回报率r（t）、估计的看涨比例200 400 800 1000 1200 000.511.52倍tP（t）、B（t）0 200 400 600 800 1000 2000-0.100.10.20.3时间tVolatility 10-410-210010101102斜率α=-3返回射频频率20 40 60 80 100-0.200.20.40.6自动更正τ图2：再现“程式化事实”。（a） 人口（细线）中牛市B（t）的变化如何影响价格P（t）（粗实线）的例子。（b） 波动率聚类是时间的函数。（c） “厚尾”回归。（d） 无套利可能性，即收益率的零自相关（细实线），以及波动率的长时间记忆效应，即波动率与时间的非零自相关（粗实线）。使用的参数值：λ=1.1，σ=0.01，β=0.001，L=5。bB（t）和估计的条件波动率bσ（t），基于社会金融模型的参数估计。