结合社会和经济因素预测未来股市结构

Aste，《非线性影响：社会媒体对市场价格因果影响的证据》，ArXiv e-printsarXiv:1601.04535。[23]psychsignal网站（2015年10月）。统一资源定位地址https://www.psychsignal.com【24】J.-P.Onnela、A.Chakraborti、K.Kaski、J.Kert\'esz、A.Kanto，《金融市场中的资产树和资产图》，《2003年物理学脚本》（T106）（2003）48。统一资源定位地址http://stacks.iop.org/1402-4896/2003/i=T106/a=011【25】Onnela，J.-P.，Kaski，K.，Kert\'esz，J.，基于相关性的金融网络中的聚类和信息，欧洲。物理。J、 B 38（2）（2004）353–362。内政部：10.1140/epjb/e2004-00128-7。统一资源定位地址https://doi.org/10.1140/epjb/e2004-00128-7【26】F.Battiston，V.Nicosia，V.Latora，《多重网络的新挑战：度量和模型》，欧洲物理杂志专题226（3）（2017）401-416。内政部：10.1140/epjst/e2016-60274-8。统一资源定位地址http://dx.doi.org/10.1140/epjst/e2016-60274-8【27】E.Cozzo、M.Kivel¨a、M.D.Domenico、a.Sol'E-Ribalta、a.Arenas、S.G'omez、M.a.Porter、Y.Moreno，《多重网络中的三元关系结构》，《新物理杂志》17（7）（2015）073029。统一资源定位地址http://stacks.iop.org/1367-2630/17/i=7/a=073029【28】J.Faraway，《用R扩展线性模型：广义线性、混合效应和非参数回归模型》，CRC出版社，2006年。【29】A.Barab'asi，M.P'A3sfai，《网络科学》，剑桥大学出版社，2016年。统一资源定位地址https://books.google.co.uk/books?id=ZVHesgEACAAJ[30]D.Luenberger，《投资科学》，牛津大学出版社，2014年。统一资源定位地址https://books.google.co.uk/books?id=YMSeDAEACAAJ[31]J.Campbell、J.Campbell、A.Lo、A.MacKinlay、J.Champbell、A.Lo、A.MacKinlay、P.Lo、O.Campbell，《金融市场计量经济学》，普林斯顿大学出版社，1997年。统一资源定位地址https://books.google.co.uk/books?id=lkeKhnqUHx8CAppendixA.1.

所选公司的股票代码AAPL、AMZN、NFLX、MSFT、GS、GOOGL、BAC、JPM、IBM、DIS、GILD、INTC、YHOO、WMT、GE、XOM、SBUX、CSCO、WFC、NVDA、PCLN、JNJ、MCD、NKE、BA、VZ、ES、PFE、KO、CVX、CAT、MU、MRK、CELG、易趣、MS、CRM、FCX、QCOM、TGT、HD、CHK、BMY、AMGN、PG、HPQ、ORCL、FSLR、WFM、COST、BIIB、PEP、EA、AXP、永利、CMCSA、CL、AIG、道指、NEM、MA、BBY、COP、LOW、TWX、ADBE、HAL、LLY、UNH、LUV、MMM、CVS、，MO、FDX、DD、ED、KR、MON、UTX、ABT、SLB、百胜、MCO、AMAT、EXPE、AET、DE、GPS、UPS、VLO、CBS、HAS、COH、ALL、WDC、JWN、TXN、PM、UNP、EOG。A、 2。使用扩展窗口训练集的预测结果在本节中，我们使用在扩展窗口（而非滚动窗口）中训练的模型报告结果，初始开始日期和结束日期分别为2012年5月9日和2014年10月9日。测试期为2014年9月17日至2017年8月25日。图7：使用扩展窗口训练集的链接预测结果。金融网络链路预测中样本外性能高的证据。模型在扩展窗口中接受培训，初始开始和结束日期为2012年5月9日。和2014年10月9日。测试期为2014年9月17日至2017年8月25日。曲线图显示了模型的性能结果（AUC），用于预测时间t+h时金融网络中的边缘，并使用最新的信息t进行了训练。面板a）显示了在预测h的样本外边缘时获得的性能∈ （1、5、10、15、20）个交易周。面板B）显示性能改善（AU C*) 与一个简单的基准相比，该基准假设相关性结构是时不变的，即GF（t+h）=GF（t）。图8：使用扩展窗口训练集的链接预测结果。时滞对样本外预测性能的影响。面板A）显示了整个金融网络样本外边缘预测的平均性能（AUC）。

面板B）显示了性能改进（AUC*) 针对一个天真的基准，该基准假设相关结构是时不变的，即GF（t+h）=GF（t）。错误条表示标准错误。图9：使用扩展窗口训练集的链接预测结果。证明社交媒体结构在时间边缘变化数量方面不如金融市场结构稳定。我们观察到，金融网络中近40%的优势在20个交易周后发生了变化，而社交媒体结构在同一时间段内改变了50%以上的优势。时间t的网络是根据从时间t开始的126个交易日的扩展窗口估计的相关结构构建的，该窗口随1个交易周的时间步长移动。金融网络衡量股票收益的共同变动，而社交网络衡量意见在同一股票上的共同变动。误差条表示标准误差。