Twitter情绪分析在金融领域的应用：美国的一个案例研究

值得注意的是，与新闻相比，Witter analytics提供的情绪代表了不同的情绪，因为每一家被分析的公司都描绘了不同的积极/消极情绪基调，例如，耐克的Twitter情绪非常积极，而新闻情绪的平均值约为中性点。另一种方法是，按照[8]中所述的市场模型，将阿尔法生成检验为相对于给定风险水平调整的基准股票的超额回报。图1：Twitter对Home Depot Inc.的样本描述性分析。变量：超额日志返回，ER；波动性，V OL；绝对的感情，塞特·维特；正面信息的数量GT witter和负面信息的数量BT witter。在该周期结束时，成交量出现峰值，人气下降，随后出现超过原木回报率的相应下降。图2:Twitter SRT witter（t）和NewsSRNews（t）对以下公司的相对情绪分布：ABERCROMBIE&FITCH CO.，GAMESTOPCORP。，家得宝（HOME DEPOT INC.）、美泰（MATTEL INC.）和耐克（NIKE INC.）显然，与新闻相比，Twitter提供的情绪是市场情绪的一个独特代表，因为每家公司分析的情绪分布各不相同。方法5。1格兰杰因果关系我们有兴趣调查情绪和财务变量之间的统计因果关系。从这个意义上说，[9]引入了因果依赖的概念，其中因果关系不仅应该发生在效应之前，还应该包含关于效应的独特信息。

因此，如果与仅使用Y相比，使用来自X和Y的信息可以改进Y的预测，那么我们说X格兰杰导致Y。在向量自回归（VAR）框架中，我们可以通过F检验来评估格兰杰因果关系，以验证Y不是由X格兰杰引起的零假设，并在置信水平内测量其拒绝概率。因此，假设VAR模型：Yt=α+αYt-1+ . . . + 阿基特-k+βXt-1+ . . . + βkXt-k+t、 （6）Xt=γ+γXt-1+ . . . + γkXt-k+θYt-1+ . . . + θkYt-k+bt、 （7）我们采用方程（8）中的零假设，并与方程（9）中的替代假设进行对比。因此，拒绝零假设意味着YGranger导致X.H:β=β=…=βk=0（8）小时：βτ, 0 ≤ τ ≤ k：βτ6=0（9）同样，X格兰杰原因Y的检验可以考虑方程式（7），并以类似的方式从方程式（8）和（9）中获取假设。对于新闻和推特，我们将测试日志返回量ER与正面故事数G、负面故事数B、相对情绪SR和绝对情绪A之间的格兰奇因果关系。对于波动率V OL，除了前面提到的变量外，我们还将考虑故事的总数量V。此外，我们将对分析的时间序列的正常标准化版本进行格兰杰因果关系检验，例如它们的平均值和标准偏差为零。为了进行格兰杰因果检验的统计，我们使用了方差分析函数。lm来自R统计计算项目的数据包[15]。为了使格兰杰因果关系结果可视化，我们创建了一个格兰杰因果关系图G=[V，E]，其中V是一个节点集，E是一个边集。

节点u∈ V代表因果关系测试中的一个变量，edgee=（u，V）表示u Granger在预先定义的显著水平内导致V。此外，我们将p（e）定义为边的一个属性，如果C是u和v之间存在因果关系的公司集合，那么我们将p（e）=C。图3显示了Granger因果关系图的一个示例，表明uGranger为C.vuCFig公司集合导致v。3：格兰杰因果图。变量u Granger导致变量V用于公司C.5.2预测分析评估情绪的预测能力我们考虑两个自回归模型，有情绪和没有情绪，并进行一步预测分析：M:X（t）=α+kXτ=1βτX（t- τ) + t、 （10）M:X（t）=α+kXτ=1βτX（t）- τ） +kXi=1γiY（t- τ） +bt（11）式中，X（t）∈ {ER（t），vol（t）}，（12）Y（t）∈ {G（t），B（t），SR（t），V（t）}。（13） 由于（新闻和Twitter）的绝对情绪SA（t）已经是正面故事G（t）和负面故事B（t）之间的线性组合，我们不会在任何数据集的线性回归中考虑它。此外，我们只考虑情绪变量滞后1天，财务变量滞后2天。同样，我们将考虑分析的时间序列的正常标准化版本。因此，我们将考虑以下对数收益预测超额的回归模型：M:ER（t）=α+βER（t- 1） +βER（t- 2) + t、 （14）M:ER（t）=α+βER（t）- 1） +βER（t- 2） （15）+γG（t）- 1） +γB（t）- 1） +γSR（t）- 1） +bt对于使用新闻作为数据源的波动性预测，我们将不将音量时间序列VNews（t）作为解释变量纳入回归，因为它与模型中已考虑的正面和负面新闻的数量高度相关。

请注意，对于Twitter案例，volumetime系列还考虑了GT witter（t）和BT witter（t）中时间序列未考虑的非英语消息。因此，我们保持VT-witter（t）模型选择方法也可用于确定解释变量的最佳滞后，选择标准的例子有：Akaike信息标准（AIC）、贝叶斯信息标准（BIC）和Mallow的Cp。参见[3]。作为Twitter模型中的解释变量。因此，我们有新闻：M:vol（t）=α+βvol（t- 1） +βV OL（t- 2) + t、 （16）M:vol（t）=α+βvol（t）- 1） +βV OL（t- 2） （17）+γGNews（t- 1） +γBNews（t- 1） +bTwitter的tand:M:vol（t）=α+βvol（t- 1） +βV OL（t- 2) + t、 （18）M:vol（t）=α+βvol（t）- 1） +βV OL（t- 2） （19）+γGT-witter（t- 1） +γ-BT-witter（t- 1） +γVT-witter（t- 1） +bt、 预测精度是通过比较两个残差来衡量的坦德b剩余标准误差的tin项：^σ=vuuttpi=1（yi- byi）n=vuuttpi=1^在（20）中，T是点的总数，n是模型的自由度，i是预测值，y是观测值。6结果和讨论在这里，我们展示了格兰杰因果关系测试的结果，以及来自Twitter和新闻的财务变量和情绪数据之间的预测分析。情绪预测能力及其格兰杰因果关系测试以领先一步的方式完成。我们调查了情绪变量在收益率和波动率变动方面的统计意义，并将推特结果与新闻进行了比较。我们提供了经验证据，表明Twitter正在推动市场相对于一个子类股票的超额对数回报。此外，与新闻相比，在选定的零售公司中，Twitter与股票回报的关系更强。

另一方面，Twitter情绪分析显示，与tonews相比，Twitter情绪分析与波动性的关系较弱。6.1超额原木收益我们分析股票超额原木收益的动态，考虑与绝对和相对情绪以及正面和负面故事的数量有关。图4显示了Granger因果关系图，该图总结了新闻和Twitter的超额日志回报和情感变量之间的显著Granger因果关系（p值<0.05）。详细结果见表5。我们观察到，与新闻相比，Twitter的情绪分析提供了更重要的观点。Twitter的相对情绪和Granger的正面消息数量分别导致了日志回报，对于GameStop CORP.和MATTEL INC.而言，Twitter的绝对情绪也会为MATTEL INC.带来回报，同时对HOME DEPOT INC.具有双向显著（p值<0.01）Granger因果关系。负面报道的数量本身与回报没有显著关系，但与以相对和相对形式出现的正面报道的数量相结合这表明这是一项重要措施。新闻的分析只有一个显著的关系，即正新闻格兰杰的数量导致GAMESTOP CORP.（a）TWITTERERGSRSAMAT公司的日志回报率过高。我。NHD。N、 垫子。NHD。NHD。N（b）新闻报道。NFig。4:a）推特和（b）新闻的格兰杰因果关系图。它显示了超额对数回报（ER）和情绪分析之间格兰杰因果关系检验的显著点：正面故事数（G）、负面故事数（B）、绝对情绪（SA）和相对情绪SR。

图中未显示无显著因果关系的变量。表6中的多元回归分析的解决方案与格兰杰因果关系测试一致，因为它显示Twitter与新闻相比具有更高的显著情绪系数。美泰公司（MATTEL INC.）尤其以高显著性（p值<0.01）展示了所有情绪系数，这表明Twitter情绪分析确实与预测次日超额日志收益相关。这些公司在德波廷克总部工作。GAMESTOP CORP.也表现出了显著的情绪系数。对于新闻分析而言，情绪仅对公司GameStop CORP.有意义。此外，对表4中有情绪变量和没有情绪变量的模型的剩余标准误差的分析表明，使用Twitter情绪变量降低了仅使用美泰公司、家得宝公司和GameStop CORP.的市场数据的模型的误差。虽然新闻的情绪总体上只改善了对公司GameStop CORP.的预测，但令人惊讶的是，Twitter分析显示，与新闻相比，与斯托克的回报有更强的因果关系。有趣的是，我们在Twitter分析中没有执行任何明确的过滤过程。然而，我们只考虑了极性的极端（正面和负面类别），也就是说，我们没有考虑中性推文。这表明，情绪分类本身在间接过滤数据中的噪音，因为非中性的网络确实具有信息性。此外，与tonews相比，因果关系的增加表明Twitter在零售业中扮演着重要角色。

我们相信，与新闻相比，Twitter是零售品牌及时、准确的反馈渠道。表4：与仅使用市场数据的模型相比，使用SR（t）、G（t）和B（t）预测超额回报的剩余标准误差改进。错误减少（%）公司新闻推特耐克公司-2.41-0.58ABERCROMBIE&FITCH公司-1.26-0.60家得宝公司-0.99 1.23美泰公司-0.48 2.82GAMESTOP公司8.34 1.106.2波动性在这里，我们分析了信息量和情绪与股票波动性之间的相互作用。作为音量测量，我们考虑：积极和消极英语故事的数量，以及故事的总音量，而不考虑语言。作为情绪分析，我们考虑：绝对情绪和相对情绪。图5显示了波动性和情绪变量之间的格兰杰因果关系测试的显著联系（p值<0.05）。详细结果见表8。总体而言，与Twitter相比，新闻情绪分析有更多重要的因果关系。我们观察到，积极消息的数量和总数量都会导致Twitter和新闻的波动，但更多的公司受到新闻的影响。阿伯克龙比惠誉（ABERCROMBIE&FITCH CO.）公司（ANF.N）观察到，格兰杰的绝对情绪只会导致新闻波动。相对情绪和负面消息的数量并没有引起波动，另一方面，波动性是格兰杰对公司GAMESTOP CORP.（GME.N）造成负面消息。（a） TWITTERV OLGVHD。NHD。N、 垫子。NMAT。N（b）NEWSV OLGVSA BGME。N、 ANF。NHD。N、 GME。N、 ANF。奶奶。N GME。NFig。5:Granger因果图，用于（a）Twitter和（b）新闻。

它显示了波动率（VOL）和情绪分析之间格兰杰因果关系检验的显著点：故事总数（V）、正面故事数（G）、负面故事数（B）、绝对情绪（SA）和相对情绪（SR）。没有显著因果关系的情绪变量未显示在图中。表9中的多元回归分析结果表明，正面报道的数量对新闻和Twitter来说都是一个重要变量，对前者来说更为重要。负面故事的数量在这两个回归中都没有显示出相关性。Twitter的总流量仅与NKE公司有关。N.此外，对表7中有情绪变量和没有情绪变量的模型的剩余标准误差的分析表明，Httwitter和News都能够减少一部分公司的预测误差。在使用情绪改善模型的情况下，与Twitter相比，新闻提供了更高的错误减少率。总体而言，与Twitter相比，新闻分析显示出更高的波动性因果关系。这证实了文献[7,13,6,10]中描述的具有波动性的新闻的预测能力。在提供的数据集中使用的情绪分类算法[11]中，实体检测的进一步改进可能会改善Twitter的结果。表7：与仅使用市场数据的模型相比，使用G（t）、B（t）和V（t）预测挥发物的剩余标准误差改进。错误减少（%）公司新闻推特耐克公司1.36 1.08ABERCROMBIE&FITCH公司4.03-0.52家得宝公司2.46 1.10材料公司-2.21-0.36GAMESTOP公司。

14.99 0.207结论我们发现，从上市零售品牌中提取的Twitter情绪指标与股票回报率和波动率之间存在统计上显著的关系。在分析超额收益率和Twitter情绪变量之间的相互作用时，我们得出结论：（i）与新闻相比，Twitter与股票收益呈现出更强的格兰杰因果关系；（ii）正面推文和Twitter的情绪格兰杰导致部分公司的超额日志回报；（iii）即使与传统通讯社相比，Twitter的情绪分析确实与预测下一天的超额日志回报有关。此外，在波动性分析中，我们发现：（i）与观察到的回报率相比，Twitter的分析显示与波动性的相关性较弱；（ii）积极推文的数量和总数量都会对一些公司造成格兰杰波动，但与新闻相比，格兰杰因果关系减少；（iii）正面推文的数量是提前一步预测波动性的一个重要变量，而负面消息的数量则没有相关性。总体而言，在分析零售品牌股票的财务动态时，推特情绪分析显示，与新闻相比，推特情绪分析是市场情绪的一个独特且互补的代表。令人惊讶的是，与传统通讯社相比，Twitter的情绪与股票回报的关系相对更强。结果表明，社交媒体分析在金融市场零售业的动态中发挥着重要作用。感谢两位匿名评论者的宝贵反馈。这项工作得到了OptiRisk Systems的支持，该系统提供了RavenPack的新闻情绪分析。T.A。

感谢英国经济和社会研究委员会（ESRC）对系统性风险中心（ES/K002309/1）的资助。T.T.P.S.感谢CNPq（巴西国家科学技术发展委员会）的财政支持。好的，感谢Certona公司的支持。参考文献1。Alanyali，M.，Moat，H.S.，Preis，T.：量化金融新闻与股市之间的关系。Sci。报道3（2013）2。Bollen，J.，Mao，H.，Zeng，X.：Twitter情绪预测股市。计算科学杂志2（1），1-8（2011）3。鲍克斯，G.，詹金斯，G.：时间序列分析：预测和控制。时间序列分析和数字处理中的Holden Day序列，Holden Day（1976）4。克罗恩，S.，科佩尔，C.：用情绪指标预测汇率：使用文本挖掘和多层感知器进行实证评估。摘自：金融工程经济学计算智能（CIFEr），2104年IEEE年会。第114-121页（2014年3月）5。卡特勒，D.M.，波特巴，J.M.，萨默斯，L.H.：什么会影响股价？《投资组合管理杂志》15（3），4-12（1989）6。Date，P.，Sidorov，S.P.，Balash，V.：用新闻强度数据增强的Garch型波动率模型。《混沌、复杂性与领导力2012》，第199-207页。Springer Proceedings in Complexity 2014，Springer荷兰（2014）7。diBartolomeo，D.，Mitra，G.，Mitra，L.：股票投资组合风险（波动性）估计使用市场信息和情绪（2009）8。Fama，E.F.：有效的资本市场：对理论和实证工作的回顾。《金融杂志》25（2），383-417（1970），http://dx.doi.org/10.1111/j.1540-6261.1970.tb00518.x9.格兰杰，C.W.：因果关系测试：个人观点。《经济动力学与控制杂志》2329–352（1980）10。