基于网络搜索趋势的股指收盘预测模型

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：
《Predictive modeling of stock indices closing from web search trends》
---
作者：
Arjun R, Suprabha KR
---
最新提交年份：
2018
---
英文摘要：
  The study aims to explore the strength of causal relationship between stock price search interest and real stock market outcomes on worldwide equity market indices. Such a phenomenon could also be mediated by investor behavior and extent of news coverage. The stock-specific internet search trends data and corresponding index close values from different countries stock exchanges are collected and analyzed. Empirical findings show global stock price search interests correlates more with developing economies with fewer effects in south asian stock exchanges apart from strong influence in western countries. Finally this study calls for development in expert decision support systems with the synthesis of using big data sources on forecasting market outcomes
---
中文摘要：
本研究旨在探讨全球股票市场指数中股价搜索兴趣与真实股票市场结果之间因果关系的强度。这种现象也可以通过投资者行为和新闻报道的范围来调节。收集和分析了来自不同国家证券交易所的股票特定互联网搜索趋势数据和相应的指数收盘值。实证结果表明，全球股票价格搜索兴趣与发展中经济体的相关性更高，除了在西方国家的强大影响力外，对南亚证券交易所的影响较小。最后，本研究呼吁开发专家决策支持系统，综合使用大数据源预测市场结果
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：General Finance        一般财务
分类描述：Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--

---
PDF下载：
-->

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：搜索趋势 预测模型 网络搜索 Quantitative relationship

从网络搜索趋势预测股票指数收盘的模型Sarjun R，Suprabha KRPhD Scholar，NIT Karnataka，Mangalore-575025助理教授，NIT Karnataka，Mangalore-575025电子邮件：arjrs123@gmail.com, suprabha@nitk.ac.inAbstract.本研究旨在探讨全球股票市场指数中股票价格搜索兴趣与实际股票市场结果之间的因果关系。这种现象也可以通过投资者行为和新闻报道的广度来调节。收集和分析了来自不同国家证券交易所的股票特定互联网搜索趋势数据和相应的指数收盘值。实证结果显示，全球股票价格搜索兴趣与发展中经济体的相关性更高，除了在西方国家具有强大影响力外，对南亚证券交易所的影响较小。最后，本研究呼吁开发专家决策支持系统，综合使用大数据源预测市场结果。关键词：股票价格、搜索趋势、网络挖掘1简介过去几十年来，大数据的使用几乎在每个科学领域都在演变。大数据研究是指通过收集和分析来自不同来源的数据来解决特定问题，包括调查、访谈等主要方法，以及公共网站、机器日志、传感器数据等次要来源，我们试图展示一些有见地的资产，使用公共网络数据在股市参与者中进行知情决策。世界上大多数股票市场都是高度复杂、随机和非线性的系统，随着时间的推移，其规模保持不变（Palsson et al.2017）。

准确预测甚至建模这样一个系统是极具挑战性的，但这也是金融、经济和计算领域正在进行的高度研究课题之一（Junqué等人，2013）（Chang和Ramachandran，2017）。Google trends和Algorithm等数据挖掘工具可以从公共互联网趋势中提取有关经济指标的预测信息（Choi和Varian，2012）。类似的特定领域数据管理自动化工具已被证明在空间任务领域是可行的（Arjun等人，2012年）。推荐系统的好处实际上足以产生利润，这对投资者、市场、公司和构成这种环境的其他利益相关者来说意义重大（Dimpfl和Jank，2016年）。公共网络数据趋势的附加信息甚至低估了分析师的预测，与用于管理决策支持的常规专家系统相比具有更高的准确性和稳定性（Attigeri et al.2015）。因此，我们利用搜索趋势数据的预测能力来预测股市指数，使其接近印度的实际交易。本文探讨了两个研究问题。研究问题1：全球股价搜索是否会长期影响股市指数收盘？研究问题2：股价搜索兴趣对股市指数xclose的估计预测有多大的预测力？2文献综述Choi et al.（2012）展示了如何使用搜索引擎数据预测经济指标的近期值。在这里，包含相关GoogleTrends变量的简单季节性自动回归综合移动平均模型（ARIMA）比排除这些预测因子的模型表现好5%-20%。Preis等人。

2013年，试图通过使用debtas指数搜索关键词来分析金融市场的后效应，以证明2008年危机中已经存在潜在市场崩溃的信息。Dimpfl和Jank（2016）使用每日搜索查询数据来衡量个人对股票市场的兴趣，发现投资者对股票市场的关注度在市场高波动时上升。此外，搜索查询构成了未来波动性的信息来源，基本上可以实时使用。Bali等人（2017年）的一项研究表明，伴随波动性冲击的异常新闻流（无论是正面还是负面新闻）的计数预测了未来的低回报。正如Palsson等人（2017）所引用的，股票市场的动态由无数相互影响的组成部分组成，其内部细节过于复杂或难以建模。Liet al.2015证明了宏观新闻发布的时机和方式与外汇波动性之间的关系，这对于中央银行至关重要。他们还强调量化各个宏观经济数据发布带来的市场影响、价格变化的方向和幅度。还建议使用大数据源，供金融监管机构和市场利益相关者使用。Liu和Yeh（2017）在其研究onUS markets数据中得出结论，基于神经网络的业绩预测模型评估，超额回报率可以比年化回报率更精确地预测，总风险比系统风险更精确。

Corea（2016）对三家主要科技公司（苹果、Facebook、谷歌）进行了为期两个月的调查，调查推特平台是否反映了投资者的情绪，并指出负面情绪对股价有负面影响（这是理所当然的），而负面推特的发布量的增加对股票价格。与任何推特相关的平均情绪在预测方面与预期不相关，而发布量具有更大的预测能力。他们还发现，在社交媒体上具有较高影响力的个人可以通过其帖子和观点有效地影响股票走势，尽管其影响力极低。Hence总结了早期的工作，我们合成了具有两个变量的模型。Corea 2016、Li et al.2015、Choi et al.2012和Preis et al.2013、Bali et al.2017、Dimpfl和Jank，2016研究的全球股价搜索受欢迎程度作为自变量。此外，在印度资本市场的框架内，对建议变量的实证研究也较少。3概念图图1。研究的概念框架图1显示了研究中建筑的概念映射。4方法本研究采用定性推理的三角法。本文提出了以下假设：零假设，H：全球股票价格搜索兴趣与印度股票市场指数（indexclose）之间不存在显著关系。替代假设H1a：全球股票价格搜索兴趣与印度股市指数密切相关。5数据5.1。

抽样框架和汇总统计：股指数据——研究的抽样框架为2012年至2017年。这样一个示例窗口是因为谷歌趋势数据可以在五年期的数据集中获得。此外，它还部分覆盖了相应年份的财政月份。股票指数：在当前的研究中，选择了基于最高市值的国别指数。这样的选择是在搜索查询数据返回这些特定索引值的信息时完成的。美国-道琼斯工业平均指数（DJIA）、印度-孟买证券交易所（BSE30）、新加坡-海峡时报指数（STI）、香港-恒生指数（HSI）、加拿大-多伦多证券交易所（TSX），这些都是各自国家的基准指数。图3显示了总体指标性能。图3图3:2017年所选主要股指收盘指数点的表现（来源：https://www.google.com/finance)互联网搜索模式数据：使用的抽样框架为2012年3月1日2017年3月1日。网络搜索查询和趋势数据是从GoogleTrends收集的。用户搜索查询股市指数数据，获取价格和位置信息。使用的关键字是“股价”。图3显示了全球层面的股价搜索流行程度。图2：随时间变化的利息（来源：https://trends.google.com)谷歌趋势算法（GoogleTrends algorithm）：谷歌趋势（GoogleTrends）提供了一个按地理位置和类别列出的谷歌查询量索引。Google Trends data不会报告给定搜索词的原始查询级别。而是报告一个查询索引。查询索引从查询共享开始：给定地理区域中searchterm的总查询量除以该区域在某个时间点（Choi和Varian）的查询总数。

然后对查询共享数字进行规范化，使其在2004年1月1日从0开始。稍后日期的数字表示2004年1月1日与查询份额的偏差百分比。操作定义：随时间变化的兴趣（IOT）：数字代表给定区域和时间内相对于图表上最高点的搜索兴趣。值100是该术语的最受欢迎程度。值为50意味着这个词的流行程度是这个词的一半。同样，0分意味着这一术语的受欢迎程度不到顶峰的1%。Choi和Varian于2012年记录了计算兴趣值的算法。表1：搜索价格高的国家的人口分布IOT值表G：所有类别国家股票价格：（2004年1月1日-2017年9月13日）新加坡美国ScanadaHong Kong Gindiajapan在数据水平上，我们将大部分变量作为顺序量表处理。表1和分析中排除了受欢迎程度较低的国家（如日本等）。5.2分析和方法非参数相关性分析全球股票价格搜索兴趣和因变量作为BSE指数，使用正向选择方法进行回归分析。回归6结果与讨论在这里，全球股票价格搜索人群对BSE 30收盘指数显示出皮尔逊相关值。764和基于非参数的Pearman相关值（.792），两者在。01（99%置信水平）进行双尾假设检验。另一个值得注意的事实是，印度是唯一一个以搜索量为基础，与全球趋势有显著相关性的亚洲国家。数据集和结果支持这样的证据，即在线搜索量的全球股价搜索兴趣在统计学上与美国、印度和加拿大的实际股市指数收盘有一定的关联。

印度BSEstock市场也与道琼斯工业平均指数（DJIA）美国指数（0.916）密切相关。现在，无论全球搜索人气是否影响印度股市疯牛病指数，双变量回归分析表示R平方，观察次数R=0.583，N=60，自由度df=58。假设存在线性关系，则从全球层面的股票价格搜索大众信息中得出的BSE指数的确定系数为57.6%。α=时，双尾试验的t值16.525>12.706（t临界值）。05显著性，因此替代假设H1A被接受，无效被拒绝。尽管从长期来看，似乎有证据表明全球股票价格搜索在指数收盘时的受欢迎程度会产生影响，但由于估计的标准误差S.E=2624.05，短期预测的预测能力作为模型受到限制。有趣的是，印度只是在发展经济，而香港和新加坡在全球股票价格搜索趋势和指数交换之间没有显著的相关性，即使在抽样期间有大量的搜索量。7结论我们可以得出结论，根据观察到的全球股票价格搜索兴趣的增加，美国、印度和加拿大交易所指数收盘值的影响高于其他国家。此外，新加坡STI指数和香港HSI指数显示出完美的相关性R=1.000，这一结果需要进一步研究。更多的定性分析可以揭示所有这些国家的投资者行为、经济因素等原因，而开发利用这些搜索趋势信息的专家系统非常重要。

这提高了分析师预测市场波动的置信区间，减少了预测市场波动的误差估计，尤其是在印度。目前的研究打算将上述初步结果的发现扩展到减少误差残差，并将附加变量的非线性捕捉到模型中，如（Attigeri et al.2015）和（Ho and Wang，2016）所示。因此，利用这些搜索趋势信息开发预测未来股指走势的人工神经网络模型仍然是进一步的实证研究工作。参考文献1。Arjun，R.、Shahim，M.M.和Kumar，G.S.（2012年7月）。运载火箭遥测数据管理集成环境。数据科学与工程（ICDSE），2012年国际会议（第171-174页）。IEEE。内政部：10.1109/ICDSE。2012.62818942.  Attigeri GV，MM MP，Pai RM，Nayak A.股市预测：大数据方法。在2015年11月1日召开的2015-2015年国际工程技术委员会第10次会议上（第15页）。IEEE。巴厘岛TG、Bodnaruk A、Scherbina A、TangY。不寻常的新闻流和股票回报的横截面。管理科学。2017年5月1日。Chang V，Ramachandran M.《金融建模与预测即服务》。网格计算杂志。2017:1-9.5.  Choi H，Varian H.预测谷歌趋势的现状。经济记录。2012年6月1日；88（s1）：2-9.6。Corea，F.（2016）。推特能代表投资者的情绪吗？技术部门的情况。大数据研究，4,70-74.7。Dimpfl T，Jank S.互联网搜索查询能帮助预测股市波动吗？。欧洲金融管理。2016年3月1日；22(2):171-92.8.  Ho KY，Wang WW。利用新闻情绪预测股价走势：人工神经网络方法。2016年天然神经网络建模（第395-403页）。

斯普林格国际出版公司。9.Junquéde Fortuny E、Martens D、ProvostF。大数据预测建模：越大越好吗？。大数据。2013年12月1日；1(4):215-26.10. Li，W.，Wong，M.C.，&Cenev，J.（2015）。外汇市场宏观新闻发布的高频分析：文献调查。大数据研究，2（1），33-48.11。Liu，Y.C.，&Yeh，I.C.（2017）。利用混合设计和神经网络建立选股决策支持系统。神经计算与应用，28（3），521-535.12。Palsson MS、Gu M、Ho J、Wiseman HM、Pryde GJ。通过使用量子处理器对内存较少的随机过程进行实验建模。科学进步。2017年2月1日；3（2）：e1601302.13。Perlin MS、Caldeira JF、Santos AA、Pontuschka M.我们能基于谷歌的搜索查询预测金融市场吗？。预测杂志。2017年7月1日；36(4):454-67.14. Preis T、Moat HS、Stanley HE。使用谷歌趋势量化金融市场的交易行为。科学报告。2013年4月25日；3： srep01684。