一种非线性影响：社交媒体的因果效应证据

相似文件 换一批

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：
《A nonlinear impact: evidences of causal effects of social media on
  market prices》
---
作者：
Th\\\'arsis T. P. Souza and Tomaso Aste
---
最新提交年份：
2016
---
英文摘要：
  Online social networks offer a new way to investigate financial markets\' dynamics by enabling the large-scale analysis of investors\' collective behavior. We provide empirical evidence that suggests social media and stock markets have a nonlinear causal relationship. We take advantage of an extensive data set composed of social media messages related to DJIA index components. By using information-theoretic measures to cope for possible nonlinear causal coupling between social media and stock markets systems, we point out stunning differences in the results with respect to linear coupling. Two main conclusions are drawn: First, social media significant causality on stocks\' returns are purely nonlinear in most cases; Second, social media dominates the directional coupling with stock market, an effect not observable within linear modeling. Results also serve as empirical guidance on model adequacy in the investigation of sociotechnical and financial systems.
---
中文摘要：
在线社交网络通过对投资者集体行为的大规模分析，提供了一种研究金融市场动态的新方法。我们提供的经验证据表明，社交媒体和股市之间存在非线性因果关系。我们利用了由与DJIA索引组件相关的社交媒体消息组成的广泛数据集。通过使用信息论的方法来应对社交媒体和股票市场系统之间可能存在的非线性因果耦合，我们指出了线性耦合结果的惊人差异。得出了两个主要结论：第一，社交媒体对股票收益率的显著因果关系在大多数情况下是纯非线性的；其次，社交媒体主导着与股市的定向耦合，这是线性建模中无法观察到的效果。研究结果还可以作为社会技术和金融系统调查中模型充分性的经验指导。
---
分类信息：

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
--
一级分类：Computer Science        计算机科学
二级分类：Computers and Society        计算机与社会
分类描述：Covers impact of computers on society, computer ethics, information technology and public policy, legal aspects of computing, computers and education. Roughly includes material in ACM Subject Classes K.0, K.2, K.3, K.4, K.5, and K.7.
涵盖计算机对社会的影响、计算机伦理、信息技术和公共政策、计算机的法律方面、计算机和教育。大致包括ACM学科类K.0、K.2、K.3、K.4、K.5和K.7中的材料。
--
一级分类：Physics        物理学
二级分类：Data Analysis, Statistics and Probability        数据分析、统计与概率
分类描述：Methods, software and hardware for physics data analysis: data processing and storage; measurement methodology; statistical and mathematical aspects such as parametrization and uncertainties.
物理数据分析的方法、软硬件：数据处理与存储；测量方法；统计和数学方面，如参数化和不确定性。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Computational Finance        计算金融学
分类描述：Computational methods, including Monte Carlo, PDE, lattice and other numerical methods with applications to financial modeling
计算方法，包括蒙特卡罗，偏微分方程，格子和其他数值方法，并应用于金融建模
--

---
PDF下载：
--> A_nonlinear_impact:_evidences_of_causal_effects_of_social_media_on_market_prices.pdf (894.51 KB)

2022-5-12 10:58:29 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：社交媒体 非线性 social media Applications Quantitative

非线性影响：社会媒体对市场价格因果影响的证据，？？Tomaso Aste1，2伦敦大学学院计算机科学系，伦敦高尔街，WC1E 6BT，英国系统风险中心，伦敦经济和政治科学学院，伦敦，WC2A 2AE，英国。摘要在线社交网络通过对投资者集体行为的大规模分析，提供了一种调查金融市场动态的新方法。我们提供的经验证据表明，社交媒体和股票市场存在非线性因果关系。我们利用了广泛的数据集，这些数据集由与DJIA索引组件相关的社交媒体消息组成。通过使用信息论的方法来应对社交媒体和股票市场系统之间可能存在的非线性因果耦合，我们指出了结果在线性耦合方面的显著差异。得出了两个主要结论：第一，社交媒体对股票回报的显著因果关系在大多数情况下都是纯非线性的；其次，社交媒体主导着与股市的定向耦合，这是线性建模中无法观察到的影响。研究结果还可以作为社会技术和金融系统调查中模型充分性的经验指导。关键词：金融市场、复杂系统、社交媒体、非线性因果关系、信息理论1简介投资者的决策不仅受到公司基本面因素的影响，还受到个人信仰、同行影响以及新闻和互联网信息的影响。理性和非理性投资者的行为及其与市场效率假说的关系[1]在经济学和金融文献[2]中已被大大削弱。

然而，直到最近，在线系统提供的大量数据才为大规模调查投资者在金融市场的集体行为铺平了道路。非线性相关性测试在金融计量经济学中非常重要，因为它对模型充分性、市场效率和可预测性都有影响[3]。我们将社交媒体作为投资者对股市集体关注的一种手段，提供了经验证据，表明社交媒体对市场价格的影响是非线性的。之前的研究已经调查了在线表达的观点和集体注意力对市场走势的预测能力。新闻可能是人们探索得最多的信息来源，尤其是在电子传输服务和机器可读新闻出现之后。搜索引擎[9,16–21]和维基百科[22]的使用是将调查扩展到更广泛类型的在线系统的例子。除此之外，社交媒体和微博平台作为现实世界集体智慧和情感的代表，发挥着越来越重要的作用。它们不仅模仿现实世界中的点对点关系，还提供了一个细粒度的实时信息渠道，包括故事、事实和集体观点的变化。然而，这种信息流在多大程度上反映了金融动态，这是一个在大辩论中相对新颖的话题[9、15、19、23–34]。最近的发展表明Twitter作为金融市场信息渠道的重要性。一个例子是美国证券交易委员会根据《公平披露条例》允许官方公司通过Twitter进行披露[35]。一些研究证据还表明，Twitter可以描述和预测财务动态。

Bollen等人（2011）[23]是最早也是最有影响力的著作之一，作者在其中使用情绪分析预测DJIA指数的变动。后来，在为欧洲中央银行（European CentralBank）撰写的一份报告中，同一作者[19]表明，Twitter的集体意见不仅对股票回报具有预测力，而且实际上在搜索量（谷歌趋势）变化之前就有了预测力，这是一个众所周知的趋势？？通讯作者：T。Souza@cs.ucl.ac.uk.predictor经济指标。此外，Zheludev等人（2014）[24]表明，Twitter可以包含关于证券回报的具有统计意义的提前期信息，最显著的是标准普尔500指数的未来价格。Sprenger等人（2014）[25]提出了一种方法，量化推特消息在市场中的影响，并识别不同类型的公司特定事件。Ranco等人（2015）[26]的后续研究在分析推特峰值、股票超额收益和盈利公告识别之间的联系时，强化了这些结果。这些最近的研究提供了证据，表明从社会技术系统收集的外部信息可能有助于描述金融动态。然而，目前的文献对股票回报的可预测性呈现出好坏参半的结果。一方面，一些研究表明，利用新闻和社交媒体可以预测价格变动[4,5,19,23]。另一方面，其他研究报告的微弱结果[24,26]表明，社交媒体分析单独使用时的能力较低。此外，在不同的研究中使用特殊的函数形式和假设，很难对社会技术系统和股票市场之间关系的性质得出一般性结论。我们利用信息论的框架，以非参数的方式研究社会媒体与股票收益之间的因果关系。

我们检测方向和动力耦合，同时不假设系统之间存在任何特定类型的相互作用。据我们所知，我们的研究结果提供了第一个实证证据，表明社交媒体和股市不仅存在显著的提前期耦合，而且还受到非线性互动的支配。2数据分析对道琼斯工业平均指数（DJIA）的30个组成部分进行分析，我们在2012年3月31日至2014年3月31日的两年期间对其进行了监测。之所以选择这些股票，是因为它们在股票市场上具有代表性（完整的公司名单见SupportingInformation SI.A.1）。我们考虑了两种时间序列数据流：（i）以每日股价给出的市场数据，以及（ii）基于1767997条推特消息的社交媒体数据分析。设P（t）为t日资产的收盘价，作为财务变量，我们考虑股票的每日对数回报率：R（t）=对数P（t）- 对数P（t）- 1).我们将Twitter数据分析视为对股票的集体意见的代表。由于数据挖掘[36]本身不在本研究范围内，我们在PsychSignal提供的Twitter数据分析的基础上进行分析。com[37]。PsychSignal的自然语言处理（NLP）采用了一种复杂的基于语言的情感挖掘方法，能够提取交易员在在线对话中使用的细微金融语言并对其打分。我们将与一家公司相关的每日乐观推文总数作为社交媒体timeseries SM（t）。图1显示了所选公司的看跌和看涨信息量。如果一家公司的股票代码被称为现金标签，即其名称前面带有美元符号，例如思科系统公司的$CSCO。在Twitter上，现金标签是指上市证券的标准方式。

参见支持信息。A.2了解Twitter数据分析的更多详细信息。3社交媒体与股票回报：线性和非线性因果关系我们研究了Granger（G-因果关系）概念下社交媒体与股票回报之间因果推理的特征【38，39】。我们检验了社交媒体不会导致股票回报的零假设。首先，我们在线性向量自回归框架下用标准的G-因果检验来验证这一假设。该线性模型通过BDS测试[40]针对误判进行测试，BDS测试是一种非参数方法，能够有效检测非线性[41]。其次，我们在可能的非线性动力学相互作用中发现了重大的因果关系。这是一个没有假定任何先验类型的互动的过程。我们认为转移熵（TE）是非参数因果关系的度量。自Schreiber（2000）[42]引入TE以来，TE被认为是非线性系统因果关系分析的重要工具[43]。它自然地检测方向和动态信息[44]。这一指标可以解释为社交媒体与股票滞后收益未来结果之间的信息流动t、 受股票回报的最新信息控制。图1：推特上的熊市和牛市消息数量，其中提到了一个股票指数的股票部分。与非参数分析一致，我们通过随机排列测试估计了显著性。如果无效假设被拒绝，则有证据表明存在非线性因果关系，否则我们认为不存在显著的因果关系。对滞后进行假设检验从1个交易日到10个交易日。我们应用Bonferroni校正来降低由于多个假设测试导致的I型（假阳性）错误的概率。无花果

2显示了社交媒体与股票回报之间的显著因果关系，考虑到两种情况：非线性（TE）和线性G-因果关系。线性分析发现只有三只股票具有显著的因果关系：英特尔公司、耐克公司和迪士尼公司。非线性分析发现其他几只股票具有显著的因果关系。除了3只具有显著线性因果关系的股票外，其他8只股票呈现纯非线性因果关系。在图3中，我们展示了通过交互滞后聚合的具有显著因果关系的股票数量。社交媒体和次日股票回报之间的因果关系呈现出线性和非线性情况之间惊人的差异。从线性G-因果关系可以看出，社交媒体和一只股票的次日走势之间存在显著的因果关系。相反，非线性测量表明，10家公司在这方面存在显著的因果关系。延迟时间越长，这个数字就越低。这些结果表明，线性约束忽略了社交媒体对股票回报的因果关系，尤其是在第二天或短期内。在线性约束下获得的低水平因果关系与文献中类似研究的结果一致，在文献中发现，股票收益率与社交媒体情绪分析之间的因果关系较弱[6,29]，至少单独考虑时是如此，预测力很小或没有预测力[26]，而且对于大多数股票[24]而言，没有关于股票走势的重要提前期信息。相反，非线性分析的结果揭示了更高水平的因果关系，表明线性约束可能忽略了社会媒体和股市之间的关系。参见支持信息SI。C表示获得的整套p值。社会化媒体→ 股票回报率高。

2：证明社交媒体和股票回报之间的因果关系大多是非线性的。线性实用性测试表明，社交媒体只对3只股票产生了回报。非参数分析表明，在线性情况下被拒绝的股票中，几乎有1/3具有显著的非线性因果关系。在非线性情况下，转移熵用于量化随机排列测试系统之间的因果推断，以进行显著性估计。在线性情况下，在线性向量自回归框架下进行标准线性G-因果关系检验和F-检验。如果BDS测试未拒绝其线性规格，则接受显著的线性G-因果关系。p值通过Bonferroni校正进行调整。显著性在p值<0.05时给出。对于具有非线性因果关系的公司，我们测试了文献中使用的常见函数形式和转换是否能够解释非线性。我们检查了表1中列出的各种功能形式的模型充分性和因果关系重要性，并报告了结果。原始线性函数形式适用于5家公司，但不能解释非线性因果关系。二阶差分使线性函数足以满足VISA公司的要求，但将微软视为误判。GARCH和ARIMA滤波被用于尝试性分离信号和噪声，并将原始时间序列线性化。尽管如此，没有观察到显著的因果关系。其他函数形式的表现并不比绝对值变换的原始线性规范好。众所周知，社交媒体和新闻分析比股票收益率更能预测市场价格的绝对变化[6,24]。这种函数形式代表了股票收益的波动性，因此它比股票收益具有更高的可预测性。

然而，有一半的公司仍然具有无法解释的非线性用途。从得到的结果可以清楚地看出，所发现的非线性既不能完全解释为雷特纳的波动性，也不能通过相关研究中经常采用的朴素变换来解释。这表明非线性因果关系是非平凡的，并且存在一种用常用函数形式无法解释的可预测结构。因此，社交媒体对市场价格的影响可能比相关研究中目前报道的要高，因为常用的函数形式隐藏了显著的因果关系，而非参数分析揭示了这一点。图3：社交媒体对股票收益率的因果关系在第二天主要是非线性的。图中显示了按滞后汇总的具有显著因果关系的公司数量。社交媒体和次日股票收益之间的因果关系呈现出线性和非线性情况之间惊人的差异。非线性分析发现，在第一个滞后中，因果关系要高得多。因此，线性约束可能忽略了社交媒体对股票回报的因果关系，尤其是在下一天。在这两种方法中，进一步的滞后会导致较低数量的重大伤亡。p值通过Bonferroni校正进行调整，以降低由于多个假设测试而产生I型（假阳性）错误的概率。显著性在p值<0.05时给出。表1：发现的非线性非常重要。测试社交媒体和股票回报之间关系中常用函数形式的线性充分性。使用BDS测试进行误检测试。x代表socialmedia时间序列回报的标准线性回归。x和x分别是两个时间序列中的第一个和第二个差异。

f（x，vol）表示社交媒体上的收益回归，由股票的收益率和每日波动率控制。在日志转换中，我们在两个时间序列中应用函数log（1+x）。模块| x |应用于返回时间序列，然后对原始社会媒体数据进行回归。对收益进行GARCH（1,1）和ARIMA（1,1,1）变换，然后回归原始社交媒体时间序列的残差。有关所用功能形式的说明，请参见第6.3节。股票代码x十、xf（x，vol）log（1+x）|x | GARCH（1,1）ARIMA（1,1,1）CSCOo o o o o o oMSFTo o o o o oAXPo o o o o o o摩根大通o o o o o o o国际商用机器公司o o o o o五、oJNJAAPLo: 无误；o：没有误判，且具有显著的G-因果关系。4量化信息流的方向传递熵是一种不对称的度量，即TX→Y6=TY→十、 从而可以量化系统之间的定向耦合。净信息流定义为→Y=T EX→Y- EY T→X.可以将该数量解释为信息流动主导方向的度量，即，正结果表明，与另一个方向相比，主导信息从X流向Y，或者类似地，它表明哪个系统提供了关于另一个系统的更多预测信息[45]。TE在G-因果关系的概念下有一个直观的解释，即社交媒体只有在为股票收益提供比过去股票收益本身更多的信息时，才可能导致（未来）股票收益。事实上，Barnett等人（2009）[46]表明，对于高斯变量，线性G因果关系和转移熵是等价的。这一结果提供了信息论框架和G-因果关系的线性VAR方法之间的直接映射。因此，对于线性因果关系，既可以用一般形式估计TE，也可以用等价形式估计TE。