新闻共现、注意力溢出和回报可预测性

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：
《News Co-Occurrence, Attention Spillover and Return Predictability》
---
作者：
Li Guo and Lin Peng and Yubo Tao and Jun Tu
---
最新提交年份：
2018
---
英文摘要：
  We examine the effect of investor attention spillover on stock return predictability. Using a novel measure, the News Network Triggered Attention index (NNTA), we find that NNTA negatively predicts market returns with a monthly in(out)-of-sample R-square of 5.97% (5.80%). In the cross-section, a long-short portfolio based on news co-occurrence generates a significant monthly alpha of 68 basis points. The results are robust to the inclusion of alternative attention proxies, sentiment measures, other news- and information-based predictors, across recession and expansion periods. We further validate the attention spillover effect by showing that news co-mentioning leads to greater increases in Google and Bloomberg search volumes than unconditional news coverage. Our findings suggest that attention spillover in a news-based network can lead to significant stock market overvaluations, and especially when arbitrage is limited.
---
中文摘要：
我们检验了投资者注意力溢出对股票收益可预测性的影响。使用一种新的测量方法，即新闻网触发注意力指数（NNTA），我们发现NNTA对市场回报率的预测为负，每月样本内（外）R平方为5.97%（5.80%）。在横截面上，基于新闻共现的多空投资组合每月产生68个基点的显著阿尔法。在经济衰退和经济扩张期间，研究结果对替代性注意力指标、情绪测量、其他基于新闻和信息的预测指标的纳入非常可靠。我们进一步验证了注意力溢出效应，表明新闻联名比无条件新闻报道更能增加谷歌和彭博社的搜索量。我们的研究结果表明，在一个以新闻为基础的网络中，注意力溢出会导致股市大幅高估，尤其是在套利有限的情况下。
---
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
--

---
PDF下载：
--> News_Co-Occurrence,_Attention_Spillover_and_Return_Predictability.pdf (868.58 KB)

2022-5-31 06:00:16 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：预测性 注意力 Econophysics Quantitative Applications

新闻共现、注意力溢出与回报可预测性*新加坡管理大学林鹏+巴鲁学院陶玉波新加坡管理大学涂俊§新加坡管理大学2018年11月*新加坡管理大学李光建商学院。新加坡斯坦福德路50号，178899。电子邮箱：李国。2014@pbs.smu.edu.sg.+巴鲁克学院/纽约大学齐克林商学院。纽约州纽约市伯纳德·巴鲁克路1号，10-225号，邮编：NY10010。电子邮件：linpeng@baruch.cuny.edu.电话：（646）312-3491新加坡管理大学经济学院。新加坡斯坦福德路90号，178903。电子邮箱：yubo。陶。2014@phdecons.smu.edu.sg.§我们感谢智达、谢春林（讨论者）、徐南希（讨论者）、乔丽达·帕帕克罗尼（讨论者）以及2018年SMU金融夏令营、2018年中国国际金融会议和2018年金融管理协会年会的与会者提出了非常有帮助的意见。通讯作者。新加坡管理大学李光中商学院，新加坡斯坦福路50号，178899。电子邮件：tujun@smu.edu.sg.电话：（65）6828-0764。Tu Jun承认这项研究是由Sim Kee Boon金融经济研究所的研究资助的。通常的免责声明适用。本文的前一版本以“基于媒体网络的投资者关注度：市场溢价的有力预测”为题进行了传播。新闻共现、注意力溢出和回报可预测性摘要我们考察了投资者注意力溢出对股票回报可预测性的影响。使用一种新的测量方法，即新闻网触发注意力指数（NNTA），我们发现NNTA对市场回报率的预测为负，样本月外Rof为5.97%（5.80%）。在横截面图中，基于新闻共现的多空投资组合产生了68个基本点的显著月度阿尔法。

在经济衰退和经济扩张期间，研究结果对替代性注意力指标、情绪测量、其他基于新闻和信息的预测指标的纳入非常可靠。我们进一步验证了注意力外溢效应，表明与无条件新闻报道相比，新闻联名会导致谷歌和彭博搜索量的更大增长。我们的发现表明，在以新闻为基础的网络中，注意力外溢可能导致股市大幅高估，尤其是在套利有限的情况下。JEL分类：G11、G12、G41。关键词：投资者关注度；网络收益可预测性；卖空约束；媒体报道；新闻语调；异质信念。在众多关于股市收益可预测性的研究中，大多数都是关于基于信息的预测因素，通常采用硬信息（例如Goyal和Welch（2008）中的基本经济变量），最近转向软信息（例如Tetlock（2007）中的新闻音调）。然而，如果没有投资者的关注，信息本身就无法影响股价。鉴于投资者注意力已被证明是近期文献中股票回报最重要的驱动力之一，令人惊讶的是，缺乏对投资者注意力对市场溢价预测影响的调查。在本文中，我们构建了一个新的基于注意的预测因子，即新闻网络触发延迟（NNTA）指数，用于预测市场股票溢价。有证据表明，注意力对投资者来说是一种稀缺资源，尤其是对个人投资者而言。因此，投资者对证券的认识可能有限（Merton（1987）），他们可能只关注自己知道或持有的股票的相关信息，而很少关注其他股票。

当同一新闻报道中提到多只股票时，投资者对一只股票的认可就会转移到提到的股票上，从而增加了对所有提到的股票的关注。基于新闻网络的注意力溢出，在存在卖空限制的情况下，可能会导致对好消息的强烈反应，而不是坏消息（Barber和Odean（2008）），这反过来会导致估值过高，随后表现不佳。在本研究中，通过每月汇总市场上所有股票的新闻，我们使用网络分析中的邻接矩阵来制定NNTA指数，以衡量新闻共同发生引发的注意溢出对非股东类型投资者的关注程度。我们预计，NNTA指数越高，总股市的高估程度越高。我们一致发现，我们提出的基于注意力的预测因子NNTA可以预测市场溢价，其显著负系数分别为5.97%和5.80%。

此外，我们的发现在统计上和经济上都具有重要意义，即使我们控制了其他注意力代理、基于新闻的预测和基于信息的预测，包括Goyal和Welch（2008）中使用的经济预测，媒体报道相关的工作包括Kahneman（1973）、Shiller、Fischer和Friedman（1984）、Merton（1987）、Shiller（1999），Barberis和Shleifer（2003）、Peng（2005）、Peng和Xiong（2006）、Gabaix、Laibson、Moloche和Weinberg（2006）、Cohen和Frazzini（2008a）、Hirshleifer、Lim和Teoh（2009）、DellaVigna和Pollet（2009）以及Van Nieuwerburgh和Veldkamp（2009）。继方和佩雷斯（2009）、谷歌搜索指数（Google search index），继乔治·黄（George and Hwang）（2004）之后的52周高点，分析师覆盖率和交易量根据价值权重和基于拉夫兰（Loughran）和麦当劳（McDonald）（2011）字典的新闻语调（Engelberg，2008；Gurun and Butler，2012；Hillert et al.，2014；Solomon et al.，2014；Tetlock et al.，2008）。在我们的实证背景下，NNTA对市场溢价的样本内和样本外预测能力最强。我们还考察了NNTA在衰退和扩张期预测收益方面的表现。结果表明，与其他预测因子相比，NNTA在衰退期和扩张期都获得了更大的正Rs。我们通过预测横向投资组合进一步验证了投资者的注意力渠道，并发现更频繁的新闻同时出现会产生更低的回报。基于异常关联新闻报道的多空组合月回报率为0.68%，统计显著性为1%。传统的风险因素，如Carhart（1997）four factor，Hou et al。

（2015）q-factor和Fama and French（2016）五因素模型无法解释我们的新闻网络引发关注所产生的Alpha。为了获得NNTA的经济解释，我们检查了关联股票对之间的谷歌和彭博搜索量的平均相关性。研究表明，联系更频繁的股票对倾向于享受谷歌和彭博社搜索量更高的相关性。根据Da等人（2011年）的研究，相关搜索活动直接支持了这样一个猜测，即由新闻共现构建的NNTA衡量投资者的注意力。由于投资者的注意力需要异质信念或卖空约束来产生不对称的购买压力（Hong和Stein，2007），我们随后检查了NNTA指数在投资者意见分歧和卖空约束的不同情景下的回报可预测性表现。预期的是，只有当投资者的信念高度分歧且卖空约束严格时，NNTA指数才显示出显著的回报可预测性。我们进一步说明，由于散户投资者对卖空的约束更大，由散户投资者持股比例较高的股票组成的NNTA指数具有更强的收益预测能力。这些结果与直觉一致，即当投资者意见分歧较大且卖空约束更具约束力时，股票错误定价更为严重。我们计算了2004:01-2014:12样本期内谷歌关键词“S&P500”、“SP500”、“S&P500”或“SP500”的搜索查询频率。我们的论文为投资者关注的不同方面提供了新的视角。彭和雄（2006）指出，由于注意力有限，投资者倾向于处理比企业特定信息更多的市场信息，这导致了回报联动现象。彭等人的后续工作。

（2007）表明，在有限注意力和注意力转移假设下，可以解释时变资产协同运动。在新闻关注度方面，Odean（1999）和Barber and Odean（2008）发现，个人投资者更可能交易吸引他们注意力的股票，因为他们对交易内容的关注有限，尤其是购买股票。Fang和Peress（2009）以及Fang et al.（2014）利用媒体报道作为吸引眼球事件的代理，进一步研究了横截面回报可预测性和共同基金的交易和表现，并发现了个人和机构投资者都受到有限关注的证据。与这些论文不同的是，我们通过medianetwork的形成确定了投资者关注的有效代理。该委托书指出，与股东相比，非股东的交易行为更容易受到卖空约束。因此，在不区分投资者角色的情况下，我们的代理比那些代理更能预测市场溢价。我们还对研究金融媒体在回报可预测性中的作用的文献作出了贡献。在过去的几十年里，研究媒体在金融市场中的作用的文献主要探讨了新闻语调如何预测股价。Tetlock（2007）提出，语言语气，尤其是消极语气，可以预测市场超额收益。Tetlock等人（2008年）通过处理企业特定新闻进一步探讨了横截面回报的可预测性。类似地，Zhang等人（2016年）根据他们提炼的情绪测量记录了一个行业具体情况。Jegadeesh和Wu（2013）进一步改进了Tetlock（2007），采用了基于OLS和Naive Ba的术语权重方案，他们还发现新闻文章的回报率具有显著的可预测性。

与这些侧重于从企业特定新闻中提取信息的研究不同，我们从该数据集中分离出相关新闻，并表明这些新闻拥有预测市场溢价的有价值信息。最后，我们对将网络分析应用于财务研究的文献做出了贡献。Cohen和Frazzini（2008b）以及Menzly和Ozbas（2010）发现，某些个别企业和行业之间的经济联系有助于实现跨企业和跨行业回报的可预测性。根据Hong等人（2007）的理论模型，他们将其结果解释为整个经济相关企业的信息逐渐分化的证据。Rapach等人（2015年）在广泛的行业相互依赖性基础上调查了行业回报的可预测性。与上述文献不同，我们是第一篇构建全市场媒体网络并提供其市场回报可预测性的直接证据的论文。论文的其余部分组织如下。在第1节中，我们回顾了探索金融市场中媒体网络的文献，并为后续分析做出了一些基本假设。在第2节中，我们将展示如何构建一个基于媒体网络的注意力指数的综合度量。然后，我们进行了一些实证检验，并在第3节给出了我们的结果。在第4节中，我们为NNTA提供了经济解释。我们得出结论，第5.1节媒体联系和媒体网络媒体联系从定义上讲，是一种通过新闻故事建立的相互关系，新闻故事可以通过明确提及或隐含影响来实现。明确提及，也被称为媒体共现，是表述两个实体的连通性的最自然的方式。¨Ozg¨ur等人（2008年）首先研究了从路透社新闻的共现网络推断出的社交网络。

研究表明，该网络具有幂律分布的小世界特征，与其他算法相比，它能更好地预测新闻中涉及的人的“重要性”排名。Scherbina和Schlusche（2015）研究了股票回报的交叉可预测性，通过从新闻报道中发现经济联系。他们利用关联股票收益的加权平均值构建了一个关联信号，并发现关联股票相互交叉预测未来的收益，可预测性随着关联新闻的数量而增加。除了明确提及之外，这种联系也可以通过隐含的方式建立，因为我们在本文中所指的相关新闻被定义为提及多个企业的新闻。感染。最著名的渠道之一是产业链。如Cohen和Frazzini（2008b）所示，某些个别企业和行业之间的经济联系对跨企业和跨行业回报的可预测性有重要贡献。Rapach et al.（2015）通过定义行业与回报可预测性之间的联系，扩展了Cohen和Frazzini（2008b）的观点。通过这些行业的相互依赖性，传递某个行业信息的新闻也会渗透到其他行业。由于行业内股票之间的竞争关系，一只股票的好（坏）消息对其竞争对手来说将是坏（好）消息。商业互动是从一家公司到另一家公司传播新闻的另一个重要渠道。基于媒体连接，我们可以通过将连接股票的整个图片作为一个无向图，在每个股票上标记固定的大小或中心度来构建新闻网络。

在网络分析中，所有这些信息都可以通过邻接矩阵或加权邻接矩阵来获取。除了邻接矩阵，我们还需要对新闻到达和网络结构做出一些必要和合理的假设，以简化我们的分析。假设1（随机新闻到达）。关联新闻随机到达，投资者没有关于新闻到达分布的事先信息。在Daley and Green（2012）和Rubin et al.（2017）中，他们假设新闻的到来遵循某种随机过程，或者是先验的意外。这一假设是合理的，因为投资者面临两层随机性。第一层随机性来自特定新闻事件的到来，第二层来自新闻链接。事实上，新闻事件总是不可预测的，即使投资者意识到会发生新闻事件，新闻中提到的股票对投资者来说仍然是神秘的。假设2（多度网络）。关联新闻所吸引的注意力不仅影响直接关联股票，也影响间接关联股票。为了将股票纳入网络结构，相关新闻所吸引的注意力可以通过新闻链接传播。新闻共同提及引起的关注不仅会影响图论和计算机科学，邻接矩阵是用来表示无权重图的方阵。矩阵的元素表示图中的顶点对是否相邻。对于加权邻接矩阵，它是用于表示加权图的平方矩阵，其边用权重标记，以表示节点之间的某种关系，例如距离。矩阵的元素只是边的权重。有直接联系的股票，也有间接联系的股票。