衡量金融情绪以预测金融不稳定：一种新方法

为了得到一个单一的统计数据，基于信念叙事的基本理论，我们从兴奋统计数据中减去焦虑统计数据。  我们明显地指出，这种相对情绪分数的增加是由于兴奋的增加和/或焦虑的减少。举例来说，也可以关注特定的概念，例如“流动性”。该研究将只分析包含“流动性”一词的文章。许多不同的指标可以用来衡量兴奋和焦虑列表中任何一个词与“流动性”这个词的接近程度。例如，包含“流动性”一词的任何特定文章都可以计算这些词的净余额。或者，仅当单词与“liquidity”在同一句话中，或者在“liquidity”的指定字符数范围内时，才可以计算这些单词的数量。考虑到所分析的数据库的大小，无需控制这些单词的可能含义，例如“not Answeer”。然而，我们确实明确检查了如果“不”存在，结果是否会受到影响。在算法文本搜索中，有一些标准方法可以检测单词的接近程度。我们发现，理论上的先验知识，即否定没有区别，并没有被证据所否定。鉴于这篇论文主要是关于经济学而非计算机科学，可以从作者那里获得详细信息。这种方法的简单性是有意为之的。它非常清楚地说明了我们测量什么以及如何测量，并允许我们使用一系列统计技术来处理相关关系。3.

结果和讨论3。1初始概览图1显示了通过分析上述路透社新闻源数据库获得的RSS系列。概括地说，这个系列测量了兴奋词和焦虑词的数量之间的差异，除以文章总数。数据每天都有，图1中的数据是从1996年1月到2014年6月的时间到每月的汇总。然后用平均值0和标准偏差1对序列进行归一化。图1美国整体相对情绪变化（“动物精神”）。该系列是汤姆森路透社新闻提要中“兴奋”和“焦虑”字数之差除以文章总数，然后再除以常态。Nyman等人（同前）提供了RSS系列提高对美国现实经济理解能力的详细分析。应特别注意的是，它会导致诸如贝克等人（同前）的经济政策不确定性指数和美国季度GDP增长等系列的格兰杰因果关系，但没有证据表明反向因果关系。在这里，我们展示了RSS系列的初始可信度，展示了它改善美国实际GDP增长提前一个季度预测记录的潜力。专业预测员调查是美国最古老的宏观经济预测季度调查。这项调查始于1968年，由美国统计协会和国家经济研究局进行。费城联邦储备银行于1990年接管了这项调查。

关于提前一个季度实际GDP增长的普遍预测数据可用athttp://www.philadelphiafed.org/research-and-data/real-time-center/survey-ofprofessional-forecasters/.Stark（2010）中对预测的历史准确性进行了讨论，包括HGDP和其他经济变量。随着时间的推移，普遍的预测是公正的。然而，它们只能解释季度实际GDP增长总体差异中相对较小的一部分。我们在文献中证实了这一发现，根据1996年第二季度至2014年第三季度t-1季度对t季度的预期，对t季度的季度实际GDP增长进行回归。表1：美国实际GDP（DLGDP）季度增长的实际值与上一季度（SPF）因变量预测的结果的回归：DLGDPSPF 1.123***（0.292）常数-0.430（0.804）观测值74R2 0.170调整后R2 0.159。误差2.469（df=72）F统计量14.770***（df=1；72）注：*p<0.1**p<0.05***p<0.01我们现在将第1季度的RSS测量值添加到等式（1）中。表2：美国实际GDP（DLGDP）季度增长的实际值与上一季度的预期结果（SPF）和相对情绪变化序列（RSS）因变量的回归：DLGDPSPF 0.829***（0.304）RSS 0.765**（0.299）常数0.325（0.829）观测值74R2 0.240调整后的R2 0.219剩余标准。

误差2.379（df=71）F统计量11.231***（df=2；71）注：*p<0.1**p<0.05***p<0.01 RSS变量从零开始具有统计显著性，经调整的R平方从不含RSS的方程中的0.159增加到包含RSS时的0.219，增量效应为38%。如果表1中使用的是最新的GDP（而不是最新的GDP）结果，那么表1中使用的是最新的GDP（而不是最新的GDP）结果。3.2 RSS、克利夫兰和圣路易斯金融压力指数的格兰杰因果关系我们使用1996年1月至2014年9月期间的月度数据，报告上述整个RSS系列与CFSI和STLFSI之间格兰杰因果关系的测试结果。我们使用Toda和Yamamoto（1996）中描述的方法。总之，在研究任意两个序列之间的格兰杰因果关系时，如下所示：1。使用增强的Dickey Fuller（Said and Dickey 1984；p值从Banerjee等人1993年的表4.2第103页中插值）和Kwiatowski-Phillips-Schmidt-Shin（1992）测试检查两个系列的积分顺序。设m为所求积分的最大阶数。2.使用水平形式的数据指定VAR模型——无论在步骤1中发现什么——确定用标准方法使用的滞后数。我们使用Akaike信息标准3。检查VAR的稳定性（我们使用OLS-CUSUM图，见附录）。测试残差的自相关性。如果发现了自相关，增加标签的数量，直到它消失。我们使用多元Portmanteau和Breusch-Godfrey检验来检验序列相关误差。设p为随后使用的滞后数5。将每个变量的m个额外滞后添加到VAR6。

执行瓦尔德测试，零为自变量的第一个p滞后系数等于0。如果这一点被否定，我们就有证据表明从独立变量到因变量之间存在格兰杰因果关系。我们使用统计程序R进行分析，附录中记录了用于执行上述Toda Yamamoto程序的各种软件包。表3：平稳性的增强Dickey Fuller和Kwiatowski-Phillips-Schmidt-Shin检验可变ADF p值KPSS p值水平-2.91 0.195 2.32<0.01RSS差异-6.95<0.01 0.025>0.1CFSI水平-2.95 0.175 0.649 0.018CFSI差异-8.24<0.01 0.044>0.1STLFSI水平-2.81 0.236 0.623 0.02STLFSI差异-5.57<0.049>0.1注：*p<0.1**p<0.05***p<0.01注：ADF测试的滞后顺序为6，KPSS测试的截断滞后参数为3。ADF测试中的零假设是存在单位根，因此我们希望拒绝变量为平稳的整数，KPSS中的零是平稳的，因此我们不拒绝零。表3证实了Manamperi（同前）的结果，即变量在水平形式上是非平稳的。所有变量都是I（1）。在决定VAR模型中的滞后长度方面，我们检查了变量对（RSS、CFSI）和（RSS、STLFSI）。在每种情况下，我们都包含一个恒定但无趋势，并测试从1到20的滞后。AIC值的完整细节见附录中的表3a。对于（RSS、CFSI）而言，AIC最小化为5个滞后，而对于（RSS、STLFSI）而言，AIC最小化为4个滞后。在选择了适当的滞后数后，我们使用经验波动过程图（我们在Ploberger和Kramer（1992）之后将其表示为OLS-CUSUM）来检查参数稳定性。

图表见附录，稳定性没有问题。下一步是测试两个VAR模型的自相关残差。在另一种情况下，没有自相关的无效假设被拒绝。表4:VARmodelsVAR模型Portmanteau d.f.Breusch Godfrey d.f.CFSI/RSS 46.17 44 23.83 20STLFSI/RSS 43.36 48 13.02 20残差无自相关的零假设的卡方检验最后，我们报告了RSS系列和每个财务压力指数之间格兰杰因果关系的沃尔德检验。表5：金融压力指数和一般相对感觉转移指数之间格兰杰因果关系的瓦尔德检验Chi Sq d.f.p值CFSI->RSS 9.7 5 0.086*RSS->CFSI 16.3 5 0.0061***STLFSI->RSS 3.4 4>0.5RSS->STLFSI 24.5 4 6e-05***注：*p<0.1**p<0.05***p<0.01 CFSI与RSS之间的格兰杰因果关系证据较弱，但RSS与CFSI之间因果关系测试中的p值要小一个数量级。没有证据表明STLFSI与RSS之间存在因果关系，也没有证据表明RSS与TSLFSI3之间存在因果关系。3流动性RSS的格兰杰因果关系、克利夫兰和圣路易斯金融压力指数我们通过构建基于“流动性”一词的RSS度量进一步说明了该方法的潜力。我们再次分析汤森路透新闻，这次只分析出现“流动性”一词的文章。我们使用“流动性”一词旁边的100个字符作为度量。

这意味着，只有出现在“流动性”一词两侧100个字符以内时，兴奋和焦虑列表中的单词才被计算在内。使用这一指标，在我们能够获得数据的最初几年，数据相当稀少。因此，我们从1999年1月开始进行这项分析，到2014年9月再次结束。如第3.2节所述，可根据作者的要求获得完整的结果。在这里，我们只报告第3.2节的相关最终表格，即Ranger因果关系的Wald检验。表6：金融压力指数和相对情绪转移指数之间格兰杰因果关系的瓦尔德检验，重点是“流动性”方向Chi Sq d.f.p值CFSI->RSSLIQ 0.6 2 0.76RSSLIQ->CFSI 5.7 2 0.058**STLFSI->RSSLIQ 0.7 2 0.71RSSLIQ->STLFSI 11.5 2 0.0032***注：*p<0.1**p<0.05***p<0.01使用以流动性为重点的RSS测量的结果在质量上与表5的结果非常相似。然而，克利夫兰指数与用这种方法定义的RSS之间没有因果关系。表6中的结果说明了如何修改基于汤森路透新闻提要中所有相关情感词计数的一般RSS测量，并将其更多地集中在可能与所研究的具体问题更直接相关的概念上。”例如，流动性可能是看待金融压力问题的一种更为集中的方式，而不是更为笼统的衡量标准。但很明显，在这方面还有很多事情要做。4.结论这里的结果是说明性的，并不意味着是确定的。

特别是，我们没有尝试开发一个包含情绪数据的索引。然而，研究结果非常清楚地表明，通过纳入经济情绪的时间序列信息，有可能改善当前基于资产价格的金融稳定指数。我们发现，情绪序列在理解两个现有金融稳定指数随时间的演变方面具有前瞻性。一般相对情绪变化序列和基于“流动性”一词的序列都会导致克利夫兰和圣路易斯的金融压力指数。需要再次强调的是，我们用来衡量兴奋和焦虑情绪的词汇是英语中日常使用的词汇，不包含具有更具体经济意义的词汇，也不包含在经济评论中经常使用的词汇。当在一个大的文本数据库中测量情绪时，已经获得了有用的结果，该数据库有意只报道新闻，而不提供意见或情绪。对其他数据库的探索，如经纪人报告，其中包含情感内容，可能会提供加强调查结果的空间。参考贝克，S.R.，布鲁姆，N.，卡内斯·沃伦，B.，戴维斯S.J.，和罗登，J.（2014）。\'为什么美国政策的不确定性自1960年以来有所上升？”《美国经济评论》，104（5）：56-60。DOI:10.1257/Banerjee，A.，Dolado，J.J.，Galbraith，J.W.，和Hendry，D.F.（1993）。协整、误差修正和非平稳数据的计量经济学分析，牛津大学出版社，牛津。查特菲尔德，C.（1995）。\'《模型不确定性、数据挖掘和统计推断》，皇家统计学会期刊A，158419–466 Chong，K.和Tuckett，D.（2014）。

“通过行动和叙事构建信念：基金经理如何管理不确定性以及金融市场运作的后果”，《社会经济评论》，1-26。doi:10.1093/ser/MWU020多明格斯，K.M.和夏皮罗，M.D.（2013）。\'预测大衰退后的复苏：这次不同吗，《美国经济评论》，103（3），147-152。伊利诺伊州吉尔博亚、波斯特维特A.W.和施梅德勒D.（2008）。\'《概率与不确定性非经济建模》，经济展望杂志，22（3），173-88凯恩斯，J.M.（1936）。《就业、利息和货币通论》，麦克米伦，伦敦。Kliesen，K.L.，Owyang，M.T.和Vermann，E.V.（2010）。”《解开多种衡量标准：金融压力指数调查》，圣路易斯联邦储备银行评论，2012年9月/10月，94（5），369-97。科维特科夫斯基，D.，菲利普斯，P.C.B.，施密特，P.和申，Y.（1992）。\'根据单位根的选择检验平稳性的无效假设”，《计量经济学杂志》54（1-3）：159-178。马南普里，N.P.（2013）。\'《美国金融压力指标的比较分析》，mimeoTexas理工大学，德克萨斯州卢伯克，R.，Gregory，D.，Kapadia，S.，Ormerod，P.Tuckett，D.和Smith，R.，（2014）《金融系统中的新闻与叙事：利用大数据进行系统风险评估》。ECBWorkshop on Big Data for Forecast and statistics，法兰克福。4月7日/8日。出现在英格兰银行工作文件系列中。奥纳茨基，A.和威廉姆斯，N.（2003）。\'《建模模型不确定性》，欧洲经济协会杂志，第1卷（5），091087-1122页，W.洛贝格和W.克雷默（1992年）《计量经济学》60（2）：271–285罗默，C.D.和罗默，D.H.（2010）。

“税收变化的宏观经济影响：基于财政冲击新指标的估计”，《美国经济评论》，100763-801。http://www.aeaweb.org/articles.php?doi=10.1257/aer.100.3.763Said，S.E.和D.A.迪基（1984年）未知阶自回归移动平均模型的单位根检验。Biometrik，71599–607Soo，C.（2013）。\'量化动物精神：新闻媒体和住房市场的情绪。什么类型的出版物，来自哪里？\'，罗斯商学院（Ross School of Business）论文编号：T.斯塔克（2010）《专业预测员调查中实时预测的现实评估》，费城联邦储备银行，V.M.（2013年）《金融词汇的情感价值：对损失的焦虑和对收益的兴奋》，社会认知理学硕士论文，伦敦大学学院，H.Y.和山本，T.（1995）《向量自回归中的统计推断与可能的综合过程》，计量经济学杂志，66225-250Tuckett，D.（2011）。关注市场：金融不稳定的情绪金融观，Palgrave MacmillanTuckett，D（2014）不确定性、冲突和分裂状态：宏观审慎政策的一些心理基础。英格兰银行关于不确定性在央行政策中的作用的跨学科研讨会。4月2日。（英国银行网站新闻稿）塔克特，D和尼科利奇，M.（2015）深度不确定性下信念在决策中的作用。（正在审查中）____________________________。社交网络。38 (1) 121 - 133.