情绪驱动的随机波动率模型：高频文本

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：
《Sentiment-Driven Stochastic Volatility Model: A High-Frequency Textual
  Tool for Economists》
---
作者：
Jozef Barunik and Cathy Yi-Hsuan Chen and Jan Vecer
---
最新提交年份：
2019
---
英文摘要：
  We propose how to quantify high-frequency market sentiment using high-frequency news from NASDAQ news platform and support vector machine classifiers. News arrive at markets randomly and the resulting news sentiment behaves like a stochastic process. To characterize the joint evolution of sentiment, price, and volatility, we introduce a unified continuous-time sentiment-driven stochastic volatility model. We provide closed-form formulas for moments of the volatility and news sentiment processes and study the news impact. Further, we implement a simulation-based method to calibrate the parameters. Empirically, we document that news sentiment raises the threshold of volatility reversion, sustaining high market volatility.
---
中文摘要：
我们提出如何利用纳斯达克新闻平台的高频新闻和支持向量机分类器量化高频市场情绪。新闻随机进入市场，由此产生的新闻情绪表现为一个随机过程。为了刻画情绪、价格和波动率的联合演化，我们引入了一个统一的连续时间情绪驱动随机波动率模型。我们提供了波动矩和新闻情绪过程的封闭式公式，并研究了新闻影响。此外，我们还实现了一种基于仿真的参数标定方法。从经验上看，我们发现，新闻情绪提高了波动性逆转的门槛，维持了市场的高波动性。
---
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
--
一级分类：Quantitative Finance        数量金融学
二级分类：Pricing of Securities        证券定价
分类描述：Valuation and hedging of financial securities, their derivatives, and structured products
金融证券及其衍生产品和结构化产品的估值和套期保值
--

---
PDF下载：
--> Sentiment-Driven_Stochastic_Volatility_Model:_A_High-Frequency_Textual_Tool_for_.pdf (2.3 MB)

2022-6-24 01:33:21 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：波动率模型 波动率 Quantitative Applications QUANTITATIV

情绪驱动的随机波动率模型：经济学家的高频文本工具*Jozef Barunik+Cathy Yi Hsuan ChenJan Vecer§2019年6月4日摘要我们建议如何使用纳斯达克新闻平台的高频新闻和支持向量机分类器量化高频市场情绪。新闻随机到达市场，由此产生的新闻情绪表现为一个随机过程。为了描述情绪、价格和波动率的联合演化，我们引入了一个统一的连续时间段驱动的随机波动率模型。我们提供了波动率矩和新闻情绪过程的封闭式公式，并研究了新闻影响。此外，还实现了一种基于仿真的参数标定方法。

从经验上看，我们发现，新闻情绪提高了波动性逆转的门槛，维持了市场的高波动性。JEL分类：G12、C14、C51、C58、G4关键词：高频文本、情绪、随机波动性、连续时间模型1介绍基于新闻文章、留言板甚至搜索量等媒体内容文本分析的情绪测量在研究人员中广受欢迎（Tetlock，2007；*感谢德意志联邦科学基金会通过IRTG 1792“高维非平稳时间序列”、德国洪堡大学和捷克科学基金会在19-28231X（EXPRO）项目下提供的财政支持。+查理斯大学经济研究所，Opletalova 26，110 00，布拉格，CR和捷克共和国科学院信息理论与自动化研究所，Pod Vodarenskou Vezi 4，182 08，布拉格，捷克共和国（电子邮件：barunik@fsv.cuni.cz)（通讯作者）英国格拉斯哥大学亚当·斯密商学院（电子邮件：CathyYi Hsuan）。Chen@glasgow.ac.uk)§布拉格查尔斯大学-数学与物理学院，索科洛夫斯卡83，布拉格，18675捷克共和国（电子邮件：vecer@karlin.mff.库尼。cz）Antweiler和Frank，2004年）。鉴于之前的研究考虑了低频数据，发布的新闻数量大幅增长，发布时间间隔缩短，人们不禁要问这样一个问题：这种几乎“连续”的新闻馈送是否可以用来衡量市场情绪的“连续”变化。更有趣的是，了解这种高频新闻情绪是否包含有关股价和波动性的财务相关信息。

为了了解高频新闻情绪的演变和动态，我们建议使用机器学习技术对纳斯达克新闻平台的高频新闻情绪进行量化，并向经济学家介绍一种新的基于高频文本的情绪测量方法。其次，我们建议将情绪测量建模为一个随机过程，并通过在数据上校准情绪驱动的随机波动率模型，记录新闻情绪如何影响波动率和价格动态。第三，我们提供了明确的分析时刻，允许从理论上研究情绪和波动性的非平凡相关性。从早期开始，情绪及其在金融市场中的作用就一直吸引着研究人员的注意。凯恩斯（1936）认为，由于投资者的“动物精神”（animalspirits），市场可能会剧烈波动，这可能会以与基本面无关的方式影响价格。几十年后，（De Long et al.，1990）正式确定了投资者情绪在金融市场中的作用，认为基于情绪的不知情噪音领导者的决策会导致嘈杂的交易、错误定价和过度波动。Baker和Wurgler（2006）对噪音交易者短期内可能影响股市这一日益增长的共识进行了准确的调查。又过了十年，量化投资者情绪及其对股市影响的文献已经发展成多条线索。正如Baker和Wurgler（2006）所述，情绪通常使用基于市场的某些变量来衡量，但基于市场的措施的缺点是，它是除投资者情绪Daet al.（2014）之外的许多经济力量的均衡结果。反过来，可以使用基于调查的指标，包括密歇根大学消费者情绪指数或AAII投资者情绪调查，但这些指标仅在较低频率下可用。

最近，媒体内容的文本分析在这方面变得流行起来。Tetlock（2007）利用《华尔街日报》的每日内容发现，与投资者情绪低落相关的高度媒体悲观主义导致价格下行压力和波动上行压力。Antweiler和Frank（2004年）研究了来自留言板的150多万条信息，发现这对市场未来的波动性有重大影响。Da等人（2014年）基于谷歌搜索结果构建了一个情绪指数，并将情绪与短期回报和波动性增加联系起来。值得注意的是，人们不应将新闻情绪理解为投资者情绪的同义词。这两种情绪很可能存在格兰杰因果关系（Tetlock，2007），但并不完全相同。新闻情绪是一种量化的新闻基调，可能会触发行为偏差代理人的反应。如今，新闻文章，尤其是标题，以一种引人入胜的方式来吸引读者的注意力，并吸引读者对信息的渴求。如今，这种令人兴奋的新闻主要存在于新闻平台上，一方面，投资者有意做出过度反应，另一方面，后续新闻逐渐平衡了偏颇的新闻基调。随着时间的推移，新闻情绪可能会从过度悲观/乐观恢复到应该保持的水平。另一种情况是，新闻传播缓慢（Hong等人，2000年），而（Hong和Stein，1999年）的渐进式信息差异模型正好符合这一阵营。尤其是负面新闻，Diffe只会逐渐交叉使用投资大众，导致对新闻的反应不足。综上所述，新闻情绪的随机性类似于均值回复过程，导致情绪效应，导致市场价格与其基本面之间出现短期背离。

通过分析高频新闻情绪动态，了解投资者行为。我们有助于将新闻演变描述为一个均值回复的Ornstein-Uhlenbeck过程，并在高频背景下将其形式化。我们在资产定价和数学金融研究中向经济学家介绍了新闻随机学。例如，不确定性下的决策依赖于生成概率分布的条件信息集，因此，新闻从外部进入定价机制，并控制波动率的随机性。不完整的信息呈现了一种指向不确定性和风险下决策的情况。正如Andersen等人（2002）指出的那样，经典的连续时间模型无法充分解释股价的潜在动态演化。虽然越来越多的文献证实了新闻和后续情绪行为对资产定价和波动性的作用，但一个可能的创新是量化新闻过程，并将其纳入价格和波动性过程。从我们的分析中可以获得一些见解。首先，高频新闻情绪可以为有充分证据证明的新闻短期效应以及对资产价格和波动性的影响提供更深入的实证证据。其次，我们描述了新闻生命周期的特征，即当新闻被充分披露和分析时，从过度乐观/悲观的语气恢复到合理的水平。阐明模型应该能够反映现实的规格是很有用的。

我们对新闻演变进行建模并在高频数据上进行校准，以评估现实中新闻语调反转的速度。第三，我们通过比较传统随机波动率模型（Heston，1993）与情绪驱动随机波动率（SSV）模型在塑造资产价格实际演变方面的表现，验证了所提出的框架。第四，我们给出了该过程的理论性质，并给出了矩、余矩和关联的闭合形式公式。这些效应使我们能够从理论和分析上衡量情绪如何影响波动性。最后，我们得出结论，外生的新闻情绪随机性超过了波动性逆转的阈值，产生了延迟的逆转和延长的波动性。驱动感觉和波动过程的两个独立布朗运动之间的瞬时相关性为负，类似于杠杆效应，尽管不明显。2012年1月3日至2017年1月12日，我们对纳斯达克新闻平台上发布的所有541750条新闻进行支持向量机（SVM）分类，以量化情绪得分。此外，我们通过每隔15分钟平均每15分钟发布的单个新闻的情感得分来计算总情感得分。高频新闻显示美国- 塑造新闻量和U- 形状情感得分，类似于一个发现良好的U- 塑造交易量。在参数校准方面，我们采用了Kristensen和Shin（2012）提出的非参数模拟最大似然估计，这为SSV模型的一般类别提供了一个合适的估计。本文的结构如下。第2节详细介绍了高频新闻、文本分析工具和量化新闻情绪。

第3节介绍了情绪驱动的随机波动率模型，第4节记录了所提出过程的理论性质，并提供了矩、共矩和相关性的封闭式公式。第5节描述了基于模拟的估计，而第6节使用第5节中的估计技术，对收集到的标准普尔500指数的高频情绪和波动性进行了估计。第7节结束。2来自文本的高频新闻情绪及其量化2.1新闻来源虽然有许多可能的在线新闻来源，但大多数提供商禁止应用自动程序下载部分服务条款（TOS）中的网站。虽然非商业性学术研究使用web scraper主要是合法的，但这些服务条款（TOS）仍然具有约束力（Truyens和Van Eecke，2014）。即使在TOS不是障碍的情况下，也只能获得有限的消息历史记录（例如Antweiler和Frank（2004）使用的关于Yahoo！Finance的消息）。为确保有效的新闻量和频率，我们考虑通过纳斯达克新闻平台提供的新闻文章。与其他来源不同的是，纳斯达克提供了一个平台，供选定贡献者提供新闻和金融文章，包括领先媒体，如路透社、MT新闻专线、RTT新闻，或投资研究公司，如Motley Fool、Zacks或GuraFocus。新闻内容分为几个类别，如股票、经济、世界新闻、政治、商品、技术或基本面分析。在纽约证券交易所、纳斯达克或其他交易所指定的符号中，股票类新闻占很大比例。

时间戳、日期、投稿人、符号、标题和完整文本都是使用自编自动网络刮板提取的，并存储在我们位于柏林洪堡的IRTG 1792研究数据中心。有关更多详细信息，请参阅Zhang等人（2016）。2012年1月3日至2017年1月1日期间，我们总共收集了541750篇文章。图1显示了一段时间内每15分钟交易间隔内发布的文章量。我们发现，新闻发布主要集中在上午9:30至下午4:00的交易时间。m东部时间，或相当于记者和财务分析师的工作时间。我们可以观察到新闻量的上升趋势和出版模式的季节性。盘中新闻通常在开盘时达到顶峰，午餐时下跌，在收盘前再次上涨。上升趋势是NASDAQplatform上贡献者数量不断增加的结果。在2012年或2013年，我们在15分钟的时间间隔内收集了大约10到20篇发表的文章，而文章的数量达到了40篇，或2016.2012 2013 2014 2015 2016 20170102003040506070文章数量图1：15分钟间隔内的新闻到达2.2文本分析自然语言处理技术的快速发展（如词素化、词干、词性）为自动情感分析铺平了道路。注意，在文本分析中，术语感觉和语义定向经常互换使用。在提出的语义定位方法中，“基于词典”的方法是最流行的方法，如哈佛四大词典或Loughran and McDonald（2011）词典。Loughran和McDonald（2011）的一项特别工作是创建用于分析金融文章的词典。

他们提取了121217份10-K报告中5%的所有单词，进一步的工作是聘请专家手动将符合条件的单词分类为积极、消极或中性。句子的整体语义方向可能不同于单个单词的语义方向。重点已从基于词典的方法转向短语/句子结构模型。尽管词汇有助于发现具有更好语义理解的相关词汇，但短语的整体情感强烈依赖于短语的构造方式。我们不应该忽视短语结构中的语境线索。语义取向也取决于语言的特定领域使用。在产品评论等领域，情绪通常用形容词和副词的组合来表达，而金融情绪则倾向于通过使用事件的预期有利或不利方向来表达方向（例如，收入预计会增加）。鉴于这一事实，经济或金融句子本质上具有很强的语义倾向，但在使用其他领域的知识时，可能会被忽略。2.2.1支持向量机分类考虑到前面讨论的情感提取的复杂性，这里应用支持向量机（SVM）方法是因为它能够捕获短语/句子结构信息并适应特定领域的语言使用。收集金融和经济新闻文本作为训练数据集，我们积累特定领域的知识，并使用它们训练学习算法。给定正则化线性模型，训练数据（X，y）。