文摘
本文调查的动态在线互关联关系情绪并返回基于MF-DCCA全球主要股票市场的方法。我们每天使用的幸福(DHS),索引通过文本分析来自Twitter发布在线人气的一个代理。通过将全球金融市场划分为发达国家和发展中国家,我们能够测试异构股市表现和情绪之间的关系在不同的经济发展水平。实证结果表明,金融市场存在一个幂律互关联关系和网络情绪在一些发达国家和发展中国家,而发展中国家更加稳定的关系。此外,我们应用滚动窗口捕捉动态演化特征分析,发现随着时间的推移有很强的一致性的关系。我们的工作提供了一个更微妙的角度来测试网络情绪之间的关系和金融市场表现和丰富现有的文献。
1。介绍
投资者行为在金融市场不能完全解释经典金融理论的假设下完全理性的人。行为金融理论以人类行为偏差包括投资者有限关注(1- - - - - -3)和情感行为考虑,指导人员检查情绪和金融市场表现之间的关系。各种代理提出精确捕捉情绪的目的,包括封闭式基金折价(4,5],指数从金融和市场指标[6],指标所产生的文本分析通过财经报纸(7)或社会媒体(8,9]。与他人相比,情绪指标,基于社会媒体的信息,是外生金融市场,可以获得在高频率,使其实际在情绪的研究。
媒体情绪和股市之间的交互活动开始以来吸引广泛关注Tetlock [7)发现,《华尔街日报》内容的情感取向的功能预测股市,董事会的动作和高媒体悲观主义揭示了股票市场价格下行压力。Alanyali [8)做了一个类似的研究基于金融时报》记者问题。随着现代技术的快速发展,社会媒体不仅报纸还包含网络社交平台,使捕捉社会媒体情感通过互联网搜索引擎数据成为可能。各种在线代理曾代表情绪,而这些情绪代理可以基于Facebook帖子(9,10),谷歌搜索(11,12),或百度搜索指数(13,14]。特别是,博伦et al。15]分析日常Twitter的文本内容,发现信心指数来自Twitter与道琼斯工业平均指数。另一个广泛使用的基于Twitter帖子人气指标是每天幸福指数(DHS),索引提取10%的微博使用文本分析。国土安全部来源于全球社交媒体Twitter与数以百万计的成千上万的用户,和世界各地的大量用户确保使用DHS在线测量情绪的合理性。与金融市场的信心指数提取相比,国土安全部提供了更广阔的视野的情绪。事实上,最近的一串文件记录情绪之间的联系代理严格外生金融市场和股票回报,包括体育比赛(16),早上阳光(17,电视节目18),甚至太阳黑子和星星19]。与此同时,国土安全部严格外生金融市场,避免了内源性以后可能出现的问题。现有文献使用国土安全部作为情绪代理主要集中在情绪和股市表现之间的线性关系20.- - - - - -22)或领先-落后格兰杰因果关系在发达的金融市场23]。这些研究方法的缺点在捕捉与情绪变化和非线性关系和股市表现。迫切需要更多的仿真模型来生成更普遍的和准确的情绪。
全球化的加深不仅能使来自不同国家的人共享相同消息通过社交媒体,但也使全球金融市场相互联系(24- - - - - -27)更强烈。因此,它是非常重要的”来形容网络人气和金融市场之间的相关性表现在全球视角和进一步研究的异质性情绪和不同市场之间的关系。在本文中,我们调查在线人气和回报之间的互相关全球主要金融市场。具体来说,我们选择每天幸福(DHS)作为外生代理在线人气和特征之间的非线性关系情绪通过MF-DCCA动态和股票市场回报,已被证明是在模拟实际金融市场的多重分形特征。
我们的研究可能导致现有文献在两个方面:一方面,我们之间的动态关系描述在线使用MF-DCCA情绪和股票市场回报率,和两者之间的互相关在不同波段是杰出的。因此,一个更微妙的角度发现测试情绪和金融市场之间的关系。另一方面,以往的研究主要是利用国土安全部作为情绪代理的美国市场(7)或其他个人市场(9,10]。在这篇文章中,我们将全球股票市场分为次级样本根据经济发展水平和比较异同的互相关网络人气和股市表现之间的关系。
剩下的纸是组织如下。第二节介绍了模型和方法,第三节在这项研究中,描述了数据第四节介绍了实证结果,第五节总结了纸。
2。方法
周我们主要遵循的基本原理(27),使用MF-DCCA(多重分形去趋势互相关分析)模型假设网络人气和股票市场之间的动态关系。MF-DCCA模型是一种前沿的方法测量非线性和不稳定的相关性。本研究分支是源于28),提出了DEA模型,逐步成为使用最广泛的非线性分析方法。后续研究继续优化DEA模型(29日- - - - - -31日]。Podobnik和斯坦利32)创造性地运用DEA的远程互相关分析两个非平稳的系列和构建一个名为DCCA的新方法。在此基础上,周(27)添加多重分形函数法在DCCA和MF-DCCA求婚。MF-DCCA具有拟合非线性和多重分形在金融市场时间序列之间的互相关和已广泛应用32- - - - - -38]。
对于任意两个均等机会的长度N , , ,有五个主要步骤构建MF-DCCA算法。步骤1。构造两个累积差分序列配置文件: 在哪里和分别是时间序列的平均值。步骤2。分和成 不重叠的片段的长度相等 。值得注意的是,往往是难以维护的整数倍数 ,这将导致部分序列,小于的终结吗通过计算被丢弃 。为了解决这个问题,我们执行相同的分割过程从最终再次向前,最后得到2不重叠的部分包含在原始时间序列的所有信息。步骤3。对于每个部分,评估当地的趋势与最小二乘法,然后计算原始时间序列之间的差异和拟合多项式去趋势协方差。对部分 , 的闪回片段 , 步骤4。取平均值的去趋势方差来获得的问订单波动函数。对于任何 , 对于任何 , 值得注意的是,MF-DCCA退化时常规DCCA方法 。第5步。画一个双对数图设置为y轴和随着x轴,并观察在不同尺度的趋势。具体来说,存在一个幂律关系互相关以下表格如果两个系列的远程互关联: 在标度指数为每一个问可以通过观察获得的双对数图的斜率与通过普通的最小二乘法。
显示,这两个系列波动向相反的方向。相反,当 ,有一个积极的两个序列之间的互相关;也就是说,当一个序列波动的正方向,另一个也将在同一方向波动。如果没有明显的互关联关系存在 。如果 ,DCCA MF-DCCA崩溃,指数相当于广义赫斯特指数。
3所示。数据
我们使用每日幸福指数(DHS)从Twitter中提取作为在线代理情绪依照先前的文献[20.- - - - - -23]。国土安全部使用亚马逊的土耳其机器人服务由政治和自然语言文本分析算法(国土安全部的更多细节,请参阅http://hedonometer.org/index.html)。国土安全部传达每天10%的Twitter信息近5000万条短信。大规模真实社交数据确保国土安全部的权威在线测量的情绪。我们从9月10日获得国土安全部指数th,2008年8月31日圣,2019年。
我们使用市场规模和交易量作为选择代表的基础金融市场在这个研究。实证样本包括世界前20名股市每日数据指标,覆盖亚洲、欧洲和美国主要证券交易所。其中20指数S & P500纳斯达克,道琼斯工业平均指数和其他四个指标都来自美国。我们选择这两个排名最高的指标,标普500和NASDAQ市场代表为了解决指数之间的多重共线性。与此同时,我们将上证综合指数从样本,因为Twitter是禁止的在中国大陆和国土安全部不能有效反映当地的中国大陆的网络人气。我们最后的样品,因此,包含11总共10个国家的股票市场指数(本文中使用的所有股票市场数据来自YAHOO !财务:http://finance.yahoo.com)。发达市场包括美国(S & P500和纳斯达克)、英国(FTSE),德国(DAX),法国(FCHI),日本(日经指数)和韩国(综合),和发展中国家包括巴西(BVSP)、墨西哥(MXX),印度(BSE)和印度尼西亚(JKSE),分别。的时间间隔从9月10日th,2008年8月31日圣、2019和非同步时间数据排除在每组保证可比性。表1礼物每日汇总统计每个金融市场指数的回报率(%)在我们最后的样本,而图1描述了国土安全部的趋势。
这个表显示了我们的情绪indicator-DHS的描述性统计和11个全球主要市场指数的回报,包括美国(S & P500和纳斯达克),英国(FTSE),德国(DAX),法国(FCHI),日本(日经指数)和韩国(综合),和发展中国家包括巴西(BVSP)、墨西哥(MXX),印度(BSE)和印度尼西亚(JKSE),分别。的意思是代表每个变量的平均值,而Std.代表标准偏差。我们也报告每个变量的四分位数。数据是用百分比表示。
4所示。实证结果
4.1。互相关检测
需要验证是否有互相关网络情绪与股票市场回报之间使用前MF-DCCA动态互相关分析。在先前的研究[29日,30.,34,35),我们使用统计测试,定量测量之间的互关联网络人气和股票市场的回报。互相关的统计之间的时间序列和被定义为 他们互相关函数如下所示:
根据Podobnik和斯坦利(29日),互相关统计大约是分布与的自由度。零假设的测试是没有两个系列之间的互相关。换句话说,如果统计比卡方检验的临界值,零假设被拒绝,表明两个系列地阐述。
图2展示了股市回报之间的互相关测试结果和在线情绪由国土安全部在发达国家,而图3展品的测试结果在发展中国家。横轴表示自由度后的自然对数,纵轴是统计 。整行标有圈的互相关统计在线人气和相应的金融市场。实线代表的临界值分布与自由度在5%的显著性水平显示为比较。我们的自由从1到1500。
(一)
(b)
(c)
(d)
(e)
(f)
(一)
(b)
(c)
(d)
结果在图2表明,在美国,日本和德国,互相关统计数据这四个金融市场都是啤酒比临界值不管自由度,提出一个重要的网络人气和金融市场之间的互相关返回在这些国家。其他两个发达国家,韩国和英国、互相关统计数据非常接近甚至低于临界值的分布在5%显著水平下很大的自由度。实证结果表明,在发达国家,网络人气和股票市场回报之间的关系是异构的。当涉及到发展中国家,我们可以看到,在图3,互相关统计都高于临界值。总之,网络人气和金融市场回报之间的互相关是更强大的发展中国家与发达国家的相比。实证结果提供一个补充Zhang et al。21)通过分析不同金融市场之间的动态相关性和情绪在发展中国家和发达国家,分别。此外,相比之下,Da et al。11,12),我们关心的是互相关而不是线性网络人气和股市表现之间的关系。
4.2。MF-DCCA
在互相关的考验、韩国、英国和法国不能拒绝零假设;没有足够的证据证明,有一个重要的金融市场回报之间的互相关和在线情绪以国土安全部指数衡量。其他七个国家拒绝零假设,确认一个重要金融市场回报之间的互相关和在线的情绪。基于统计数据的互相关测试提供了一个线索互相关定性的存在。在本部分中,我们试着测试的互关联定量估算使用MF-DCCA方法互相关指数。
在这篇文章中,切割长度的范围被设置为 (是金融市场返回序列的长度在每组),和波动函数将从10−到10。相应的网络人气序列属于群序列时 ;否则,它属于大帮序列。图4显示的双对数图与作为 对金融市场和投资者情绪的波动函数在两个发达国家(左)和发展中国家(右侧)。8可以看出所有曲线属于金融市场整体呈现一个明显的线性趋势,尽管与不同的区间长度的变化波动 。实证结果表明,金融市场之间存在显著的幂律互相关和在线的情绪。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
在图4,金融市场的波动函数返回和在线情绪在不同的国家显示了一个相对稳定的趋势 ,在那之后,这一趋势显著改变。是“跨界”定义为Podobnik et al。32]。我们使用交叉划分两个序列之间的互相关(当短期关系 )(当和长期的关系 )。具体地说,在发达国家,互相关的“跨界”的市场回报之间的关系(S & P500(美国)、纳斯达克(美国),Nikkei225(日本),和达克斯(德国)和在线情绪发生在约245天,255天,95天,102天,分别。在发展中国家,“跨界”之间的互相关的回归BVSP(巴西),JKSE(印度尼西亚),MXX(墨西哥),BSE(印度)和在线人气约为79天,96天,61天,161天,分别。
我们进一步构建标度指数之间的波动函数返回的每个金融市场和在线情绪在不同的时间长度和不同的顺序 ,为了探索不同国家市场的异质性。表2显示扩展互关联指数的平均值在发达国家和发展中国家不同的顺序为长期 和短期 。5所示,当 , 都大于0.5在不同国家,证明金融市场回报之间的强阳性互相关和在线的情绪。换句话说,金融市场的回报往往在同一个方向变化在线情绪由国土安全部。然而,同样值得注意的是,在我们的示例中,上下比例指数发达国家比发展中国家小。此外,在发达国家,接近0.5 在短期内(当 ),这意味着金融市场之间的协同度和网络人气很低。
进一步研究金融市场之间的互关联系数的多重分形性质和在线情绪,我们计算的多重分形程度在不同波段:
越大是,多重分形的程度就越大。最后三排表2显示两者之间的交叉在顺序不同 。总的来说,金融市场之间的互相关的分形程度和在线情绪发展中国家显著大于发达国家。实证结果表明,金融市场回报之间的关系和网络情绪更稳定的发达国家,而他们有较弱的互关联关系与发展中国家相比。很容易得出结论,尽管金融市场的回报之间的互相关和在线情绪在发展中国家更强,波动性也更大,更不稳定的关系。
考虑不同波段(问< 0或问> 0),分形的程度小的波段(问< 0)发展中国家的金融市场和网上情绪显著低于大波段(问> 0)。这补充显示,在发展中国家,金融市场之间的互相关和在线情绪更稳定在小波段。
这一发现是符合大多数研究除了Zhang et al。40),他的工作证明,从长远来看,互联网活动和中国市场波动之间的关系是更准确。这可能部分是由于中国的区别和样本国家在金融市场的组成以及互联网发展水平。
4.3。滚动窗口的讨论
格雷奇和Mazur39)认为,指数在给定的时间取决于时间窗长度。排除时间窗口长度的影响,我们重做实证测试使用MF-DCCA基于滚动窗口。MF-DCCA实际捕获基于滚动窗口的动态演化特征互关联关系各国的金融市场和网上的情绪由国土安全部。王et al .(2010)后,我们一年(大约250个交易日)为时间间隔和1个交易日为一步滚动窗口的大小。数据5和6互相关的结果是金融市场回报之间的关系通过滚动窗口测试和在线人气。
(一)
(b)
(c)
(d)
(一)
(b)
(c)
(d)
从数据可以看出,金融市场回报之间的互关联关系和网络人气节目强一致性随着时间的推移,和这一发现适用于所有国家。此外,互关联关系下降迅速,短期大幅下滑的全球金融市场在2015年底。的标度指数一些国家甚至低于临界值,这表明金融市场回报之间的互关联关系和网络人气会受到宏观经济环境的影响,甚至改变了由正转负。
表3显示的统计特征动态金融市场回报之间的互相关和在线情绪在不同的国家。总的来说,标度指数指数的平均值都大于0.5不管国籍,给一个线索,金融市场和全球网络人气一般表现出积极的互相关。此外,的标准差发展中市场通常比发达国家市场;这意味着发展中国家金融市场倾向于波动越来越容易受到网络的影响情绪,这在发达国家情况已经有所改善。Zhang et al。20.)关注测试是否存在情绪之间的线性或非线性格兰杰因果关系和主要金融市场回报,他们在美国找到一个强大的关系,但在中东和北非,只存在单向格兰杰因果关系模式从国土安全部市场回报。与他们不同,我们发现证据表明,发展中国家倾向于网上更强烈的情绪波动;这可能是因为我们关注动态相关性,而张et al。23是关心因果关系情绪和金融市场表现之间的关系。
5。结论
在本文中,我们研究金融市场回报之间的互相关和在线人气基于MF-DCCA方法。我们选择代表金融市场包括发达国家和发展中国家在不同地区和计算市场指数的回报,和日常幸福指数(DHS)是作为一个代理变量申请在线情绪。
我们首先发现金融市场回报之间不存在通用的互相关和在线情绪在发达国家;具体地说,我们不能找到一个互相关金融市场回报之间的关系和网络人气在韩国和英国。然而,我们的研究表明,金融市场存在一个幂律互关联关系和网络情绪在一些发达国家和发展中国家代表巴西和印度在我们的示例中,和互相关的关系比发达国家。
我们进一步设置不同的时间间隔长度和重新测试的互关联关系,发现无论是长期还是短期内,有一个显著的积极的金融市场回报之间的互相关和在线人气;即金融市场回报往往变化方向相同网络人气一样每日衡量幸福指数(DHS)。值得注意的是,发达国家的金融市场回报之间的互相关和在线短期软弱的情绪。此外,我们研究了不同分形下互相关度从−10到10。实证结果表明,金融市场之间的互相关和在线情绪在发达国家更稳定。
最后,我们执行滚动窗口分析捕捉互关联关系的动态演化特征。我们发现金融市场之间的互关联关系和网络人气有很强的一致性,但互关联关系发展中国家的金融市场和网上情绪波动更加剧烈。
我们的研究结果证实网络人气和全球金融市场之间的依赖,我们也建议异构人气和市场表现之间的关系在不同的经济体。5所示,新兴发展中国家金融市场大幅波动,显示一定程度的动荡与发达国家相比。底层机制解释这可能归因于市场成熟程度,监管有效性和金融市场参与者的素质。这就需要一个跨学科的分析从更全面的角度。我们把这些问题留给未来的研究。
数据可用性
在国土安全部可以获得更多细节http://hedonometer.org/index.html。本文中使用的所有股票市场数据来自YAHOO !金融(http://finance.yahoo.com)。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作得到了国家自然科学基金(71532009和71532009)。