新颖、热门的商业新闻及其对股市的影响

3（a）显示RTRS新闻文章的自动余弦相似性函数，关键词为“GM.N”、“IBM.N”、“PFE.N”、“AAPL.O”和“YHOO.O”（PFE.N和AAPL.O代表P Fizer Inc.和Apple Inc.，其中.O代表纳斯达克）。这些函数几乎是常数，Sa(t） =0.3，至少T≤ 200分钟。之后，功能会慢慢衰退，直到大约t=5×10分钟≈ 1年，是Sa(（t）≈ 0.02分t=1年。图3。（a） 自动余弦相似性函数，（b）通用汽车、IBM、PFE、AAPL和YHOO新闻文章的交叉余弦相似性函数。虚线遵循指数幂律-0.35.衰变遵循幂律，Sa(（t）∝ T-0.35小时≤ T≤ 10分钟。这些结果表明，新闻内容往往会被记住几个月。接下来，我们将关注新闻文章在横截面方向上的相似性。功能Sc(t） ，表示RTRS在时间t的新闻与其他通讯社在时间t的新闻之间的余弦相似性的平均值+t、 为了方便起见，本文通篇称之为交叉余弦相似函数。图3（b）显示了关键词为“GM.N”、“IBM.N”、“PFE.N”、“AAPL.O”和“YHOO.O”的文章的交叉余弦相似性函数。与自动余弦相似性函数相比，这些函数急剧衰减，并且(（t）≤ 0.03分|t|≥ 60分钟。周围观察到一个相似峰t=0，Sc(（t）≈ 0.3. 该值几乎与自动正弦相似性函数相同T≤ 200分钟，表明多家通讯社倾向于同时报道类似的新闻。V.新颖性和话题性检测投资者寻求预测不久的将来会发生什么，并根据这种预测买卖证券。因此，区分预期新闻和意外新闻很重要。

在本节中，我们首先介绍一篇新闻文章的新颖性度量，并使用首字母和后续新闻文章检查该度量所识别的新颖新闻文章。另一方面，即使一条特定的消息是出乎意料的，市场反应也会因该消息对投资者的重要性而有所不同。我们假设一篇新闻文章吸引了很多注意力，因此如果它同时被多家新闻机构报道，并被许多从这些机构获取新闻的投资者阅读，那么它就会成为高度热门的话题。基于这个假设，我们接下来为一篇新闻文章创建话题性度量。我们还可以通过提醒和标题来检查这项措施是否捕捉到了时事新闻文章。关于共同话题的新闻文章经常使用共同的词语。通过应用这一特征，我们通过计算在文章之前报道的语言相似的新闻文章的数量来确定在时间t的新闻文章的新颖性，如下所示：11月（at）=X0<T≤τSIM（at，at-t） （7）当时间t和t的新闻文章- 不存在于新闻数据集中。当Nov（at）接近0时，新奇度较高。在本文中，我们将最大时滞τ设置为一周，此时自余弦相似性函数约为0.1（图3（a））。我们使用RTRS为通用汽车、IBM和PFE提供的后续文章，检查noveltyNov（at）是否发现了包含在我们的新闻数据集中的新新闻文章。图4显示了Nov（at）的平均值，该平均值受以下次数的制约。该条件平均值与随访次数成比例增加。在图4中，我们比较了警报和标题跟踪的条件平均值。除了最初的新闻，警报的新颖性高于头条新闻。接下来，通过应用图中交叉余弦相似函数的结果。

3（b），我们通过计算与原始新闻内容相似的新闻文章的数量来确定给定通讯社k的时间t的新闻文章的主题性，但其他通讯社发送的新闻文章的数量如下：t op（at，k）=Xj6=k，j∈KSIM（at，k，at，j），（8）当新闻数据集中的新闻文章at，kand at，jexist时，其中k={k，···，kl}是一组新闻机构。当T op（at，k）较大时，局部性较高。由于时事新闻实际上是由多家新闻机构同时报道的，我们认为时间t前后的30分钟时间段等于时间t。30分钟时的交叉余弦相似函数小于0.05，如下图所示。3（b）。我们检查时事新闻文章是否被时事性T op（at，k）捕捉到，并将警惕性与标题进行比较。表二显示了通用汽车、IBM和PFE的TRS警报和标题的主题性T op（at，k）的平均值。警惕的话题性超过了标题。图4。通用汽车、IBM和PFE的警告和标题后续新闻文章的新颖性平均值。表II通用汽车、IBM、PFE、AAPL和YHOO的RTRS新闻顶级人才平均数（at，k）。GM IBM PFE AAPL YHOOALERT 0.696 0.863 0.969 0.778 0.778一线0.175 0.171 0.245 0.106 0.119VI。新闻的新颖性和话题性对市场反应的差异利用新闻的新颖性N ov（at）和话题性T op（at，k），我们研究了对新颖性和话题性新闻的日内市场反应。图5显示了市场活动（即波动性）(t） i，交易数量hN(t） 一、交易量(t） 我用等式定义。（2） 报告了“AAPL.O”警报前后APL库存的变化。当十一月（在）≥ hNovi，市场活动在报告警报后不久急剧增加t=0。

当11月（日）出现新的警报之前，市场已经对之前的警报和头条作出了反应。我们研究了市场反应与新闻（即警告和标题）话题性之间的关系。如图6所示，当T op（at，k）≥ 市场反应强烈；当T op（at，k）<hT opi时，市场倾向于避免对新闻文章做出反应。新闻报道三分钟后回复的大小（即hV）(t） |0≤ t<3i，hN(t） |0≤ t<3i，hV-ol(t） |0≤ t<3i）与其新闻主题（at，k）成正比。七、结论我们观察到，股票市场对RTRS电子交易平台上显示的警报有强烈响应。另一方面，没有一只股票对大多数新闻报道的头条做出了很好的回应。这些结果表明，我们需要衡量新闻的重要性，以预测市场对它的反应。在本文中，我们主要关注一个指标图5。AAPL股票的市场活动围绕着“AAPL.O”的高、低新贵。实线显示了当新警报N ov（at）高于平均值时的市场活动。虚线表示11月（at）警报的新颖性低于平均水平时的市场活动。图6。（a） 通用汽车股票的市场活动围绕着“GM.N”的高、低话题新闻。实线显示了当新闻T op（at，k）的话题性高于平均水平时的市场活动。虚线表示当新闻的主题性（at，k）低于平均水平时的市场活动。（b） 通用汽车、IBM、PFE、AAPL和YHOO在新闻发布后的三分钟内，报道了话题性和市场活动平均值之间的关系。

对于IBM、PFE、AAPL、YHOO，市场活动表示交易数量、交易量和波动性的平均值。衡量某篇新闻文章的新颖程度，以及衡量某篇新闻文章获得投资者关注程度的指标。根据语言相似性，将一篇新闻文章与之前报道的其他新闻文章进行比较，从而得出新颖性度量。另一方面，我们说，如果一篇新闻文章同时被其他新闻机构报道，并被许多从这些机构获取新闻的投资者阅读，那么它会引起很多关注，因此是高度热门的话题。一篇新闻文章的话题性度量是通过计算与原始新闻文章内容相似但由其他新闻机构发布的新闻文章的数量来获得的。为了检查这些指标是否捕捉到了新的或主题新闻文章，我们观察到后续新闻的新颖性低于初始新闻，并证实了警报的主题性超过了警戒线。我们发现了日内市场对新奇新闻和时事新闻的反应特征。对于具有高度新颖性的新闻文章，市场活动（即交易数量、交易量、波动性）在新闻文章被报道后迅速增加。另一方面，对于一篇新颖性较低的新闻文章来说，在报道之前，市场活动已经在过去类似的新闻的基础上有所增加。基于新闻的市场活动的增加与其话题性成正比。通过这些结果，我们可以实证地将价格变动与特定新闻联系起来，为有效的市场假说找到令人信服的支持性证据。外部冲击会触发或破裂金融泡沫。

未来的工作将调查导致泡沫破裂的新颖和时事新闻的特点。确认这项工作得到了JSPS KAKENHIGrant 24710156号的部分支持。参考文献[1]T.Ito和V.V.Roley，“来自美国和日本的新闻：日元/美元汇率的变动？”1987年《货币经济杂志》，第19卷，第255-277页。[2] 陈文思，“股价对新闻和无新闻的反应：头条新闻后的波动和反转”，《金融经济学杂志》，第70卷，223-260页，2003年。[3] C.Vega，“股价对公共和私人信息的反应”，《金融经济学杂志》，第82卷，第103-1332006页。[4] S.DellaVigna和J.M.Pollet，“投资者注意力不集中和周五收益公告”，《金融杂志》，第64卷，第709-749页，2009年。[5] A.M.Petersen、F.Wang、S.Havlin和H.E.Stanley，“金融冲击前后的市场动态：大森定律、生产率和巴斯定律的量化”，Phys。牧师。E、 2010年第82卷，第036114页。[6] A.M.Petersen、F.Wang、S.Havlin和H.E.Stanley，“描述利率变动前后市场动态的数量定律”，Phys。牧师。E、 第81卷，0661212010。[7] G.Mitra和L.Mitra编辑，新闻分析金融手册。威利，2011年。[8] J.G.Rangel，“宏观经济新闻、公告和股市跳跃强度动力学”，《银行与金融杂志》，第35卷，第1263-1276页，2011年。[9] J.E.Engelberg和C.A.Parsons，“金融市场中媒体的因果影响”，《金融杂志》，第66卷，第67-97页，2011年。[10] T.Mizuno，K.Takei，T.Ohnishi和T.Watanabe，“商业新闻中的时间相关性和交叉相关性”，《理论物理进展补编》，第194卷，第181-192页，2012年。[11] J.Elder、H.Miao和S.Ramchander，“油价上涨：经济新闻的作用”，《能源杂志》，第34卷，217237页，2013年。[12] 洛杉矶。

Smales，“非预定新闻到达和高频股市动态：来自澳大利亚证券交易所的证据”，国际商业和金融研究。第32卷，第122-138页，2014年。[13] A.斯托肯迈耶，金融市场和公共信息。KIT Scientic出版社，2014年。[14] V.Filimonov和D.Sornette，“量化金融市场的反应：预测金融崩溃”，Phys。牧师。E、 2012年第85056108卷。[15] V.Filimonov，S.Wheatley和D.Sornette，“通过映射到自激Wkes过程来有效测量自回归条件适应点过程的内生性”，《非线性科学与数值模拟通讯》，第22卷，第23-37页，2015年。[16] D.卡特勒、J.波特巴和L.萨默斯，“什么会影响股价？”《投资组合管理杂志》，第15卷，第4-121989页。[17] G.McQueen和V.V.Roley，“股票价格、新闻和商业状况”，《金融研究评论》，第6卷，第683707页，1993年。[18] M.J.Fleming和E.M.Remolona，“是什么推动了债券市场”，《经济政策评论》，第3卷，第31-50页，1997年。[19] R.Fair，“震撼市场的事件”，《商业杂志》，第75卷，第713-731页，2002年。[20] A.Joulin、A.Lefevre、D.Grunberg和J.P.Bouchaud，“股价上涨：新闻和数量起次要作用”，电子印刷arXiv:0803.17692008。[21]O.Erdogan和A.Yezege，“股票市场没有新闻的新闻”，量化金融，第9卷，第897-909页，2009年。[22]A.N.Bom Fim，“公告前效应、新闻效应和波动性：货币政策和股市”，《银行与金融杂志》，第27卷，第133-151页，2003年。[23]G.Birz和J.R.Lott Jr.，“宏观经济新闻对股票回报的影响：来自报纸报道的新证据”，《银行与金融杂志》，第35卷，第2791-2800页，2011年。[24]太平洋。

Tetlock，“为投资者情绪提供内容：媒体在股市中的作用”，《金融杂志》，第62卷，1139-1168页，2007年。[25]F.Lillo、S.Micciche、M.Tumminello、J.Piilo和R.N.Mantegna，“新闻如何影响金融市场中不同类别投资者的交易行为”，QuantitativeFinance，第15卷，第213-229页，2014年。[26]I.Bordino，N.Kourtellis，N.Laptev和Y.Billawala，“雅虎金融用户浏览行为的股票交易量预测”，数据工程（ICDE），2014年IEEE第30届国际会议，2014年，第1168-1173页。[27]R.P.Schumaker和H.Chen，“利用突发金融新闻对股市预测的文本分析：AZFintext系统”，ACM信息系统交易（TOIS）27，文章编号12，2009年。[28]J.Bollen，H.Mao和X.Zeng，“推特情绪预测股市”，《计算科学杂志》，第2卷，第1-8页，2011年。[29]G.M.Mian和S.Sankaraguruswamy，“投资者情绪和股市对盈利新闻的反应”，《会计评论》，第87卷，1357-1384页，2012年。[30]R.Hisano、D.Sornette、T.Mizuno、T.Ohnishi和T.Watanabe，“商业新闻中的高质量主题提取解释了异常的金融市场波动，”公共科学图书馆综合版，第8卷，e64846，2013年。[31]G.兰科、I.博尔蒂诺、G.博尔梅蒂、G.卡尔达雷利、F.利洛和M。Treccani，“将新闻情绪与网络浏览数据结合起来预测日内股价”，e-print arXiv:1412.39482014。[32]R.Luss和A.d\'Aspremont，“利用文本分类预测新闻的异常回报”，定量金融，第15卷，999-10122015页。[33]Y.Zhang，J.Callan和T.Minka，“自适应过滤中的新颖性和冗余检测”，第25届国际ACM SIGIR信息检索研究与开发会议论文集，第81-88页，2002年8月。[34]E.加布里洛维奇、S.杜迈斯和E。

Horvitz，“新闻瘾君子：通过分析信息新颖性提供个性化新闻提要”，《第13届万维网国际会议论文集》，第482-490页，2004年。[35]赵立军，张明明，马绍，“新奇检测的本质”，信息检索，第9卷，521-5412006页。[36]吴克伟、蔡福山、陈立群和吴克强，“使用命名实体识别对文本文档进行新颖检测”，载于信息、通信和信号处理，2007年第2007届国际信息技术会议，第1-5页。[37]H.Liang，F.S.Tsai和A.T.Kwee，“检测新业务博客”，信息、通信和信号处理，2009年。ICICS 2009。第七届国际会议，第1-5页，2009年。[38]汤森路透，“路透社新闻范围情绪引擎：样本数据和系统概述指南”，汤森路透白皮书，2008年。[39]汤森路透，“路透社新闻范围情绪引擎：输出图像和文件格式”，汤森路透白皮书，2008年。[40]A.Gross Klussmann和N.Hautsch，“当机器阅读新闻时：使用自动文本分析来量化高频新闻隐含的市场反应”，《经验金融杂志》，第18卷，第321-340页，2011年。[41]S.Phuvipadawat和T.Murata，“twitter上的突发新闻检测和跟踪”，载于《网络智能和智能代理技术》（WI-IAT），2010年IEEE/WIC/ACM国际会议，第3卷，第120-123页，2010年。[42]汤森路透EIKON。[在线]。可访问：http://fifinancial。汤森路透社。com/en/products/tools applications/trading investment tools/eikon trading software。html。（查阅日期：2015年6月1日）[43]道琼斯事实报。[在线]。可供选择：http://new.dowjones.com/products/factiva/.（查阅日期：2015年6月1日）