نظارت بر روایت ها: برنامه ای برای بازار سهام

در این تحقیق ، ما نشان می دهیم که متغیرهای پایگاه داده جهانی رویدادها ، زبان و تن (GDELT) محتوای اطلاعاتی قابل توجهی را منتقل می کنند که می تواند در هنگام مدل سازی بازار سهام آمریکا در یک رویکرد کاملاً کلان اقتصادی بهبود یابد. بر اساس این معیارها ، ما سری زمانی را می سازیم که نشان می دهد و اندازه گیری می کنیم که چگونه برخی از روایاتی که به نظر می رسد در حال جنگ با یکدیگر هستند در محیط فعلی بازار تغییر می کنند. یعنی ما قادر به ارزیابی قدرت دهه 20 ، به دهه 70 ، رکودهای سکولار و روایات اقتصادی پولی هستیم ، اما ما همچنین روایت های موضعی اجتماعی مربوط به جنبه های زیست محیطی یا اجتماعی و همچنین روایت ریسک ژئوپلیتیکی را اضافه می کنیم. ما یک چارچوب محتوای اطلاعاتی را رسمی می کنیم و نشان می دهیم که از جمله سیگنال های کمی که به داستانهای کیفی ترجمه می شوند ، هنگام تعیین حرکت بورس سهام ارزش افزوده ای را به همراه می آورند. در واقع ، در بالای قدرت توضیحی بالاتر از متغیرهای اساسی آنها ، روایت ها می توانند تنوع مدل های استاندارد کلان اقتصادی را بهبود بخشند و کیفیت آنها را ارتقا دهند. به همین ترتیب ، نتایج ما طرفدار نظارت دقیق روایات در بازارهای مالی است.

1. معرفی

"وقایع اقتصادی به طور قابل ملاحظه ای ناشی از گسترش مسری انواع مختلف روایت های اقتصادی است."شیلر (2020a) در پرسش و پاسخ: رابرت شیلر در مورد قدرت روایت ها در یلنوز.

مفهوم روایات اقتصادی توسط شیلر (2017) ابداع شد ، که این زمینه را به عنوان "مطالعه گسترش و پویایی روایت های مردمی ، داستانها ، به ویژه موارد مورد علاقه و احساسات انسان و چگونگی تغییر در طول زمان ، تعریف کرد. نوسانات اقتصادی ". این زمینه مطالعات مرزی ریشه در اقتصاد و دارایی دارد بلکه در روانشناسی و تاریخ نیز وجود دارد. در واقع ، ساختار حافظه شرکت کنندگان در بازار ، مرجع زمانی وقایع گذشته است و درک آنها از نوسانات اقتصادی و مالی آینده را شکل می دهد (Blanqué ، 2010).

در شکل 1 ، جدول زمانی وقایع را ارائه می دهیم که بیشترین تأثیر را بر اقتصاد ایالات متحده در قرن گذشته داشته اند ، که عموماً توسط دانشگاهیان پذیرفته شده است. یک بررسی مختصر از این قسمت ها در جعبه آخرت ارائه شده است. با توجه به محیط اقتصادی فعلی ، که با تورم بالا ، پیشرفت های سریع تکنولوژیکی ، انتظارات رشد بلند مدت خاموش و معکوس سیاست های پولی مشخص می شود ، ما به ویژه در ارتباط موضعی از بازگشت به دهه 70 اطمینان داریم ، 20s ، رکود سکولار و پولیداستان.

شکل 1: CPI ایالات متحده در طول تاریخ اقتصادی اخیر توجه: شاخص قیمت مصرف کننده ایالات متحده (1982/1984 = 100) ، Yoy ٪ تغییرات منبع: بانک شهرک های بین المللی ، موسسه آمندی

روایت ها ناشی از آگاهی عمومی از برخی از رویدادهای مهم بازار یا قسمت ها است. با این حال ، در شرایط خاص ، آنها همچنین می توانند عمداً مورد استفاده قرار گیرند ، همانطور که در شکل 2 نشان داده شده است. به عنوان مثال ، بانکداران مرکزی مدتهاست که روایت هایی را در روند سیاست گذاری خود آورده اند ، نه تنها انتظارات صنعت مالی ، بلکههمچنین افراد عمومی.

شکل 2: روند ساخت روایت ها

منبع: موسسه آمندی

یک بررسی کوتاه از رویدادهای مهم اقتصادی ایالات متحده در تاریخ اخیر

Smart (1999) توصیف می کند که چگونه در اوایل دهه 1990 ، روایت "داستان پولی پولی" در بانک کانادا که به مدل طرح ریزی سه ماهه (QPM) تغذیه می شود ، الگویی که به ویژه برای تدوین پیش بینی ها استفاده می شود. در حقیقت ، QPM قصد دارد الگوبرداری از چگونگی عملکرد اقتصاد و چگونگی "بخش های" مختلف "(خانوارها ، بنگاه ها ، دولت ، بازیکنان اقتصادی خارجی و بانک مرکزی) را به دست آورد. با همان روحیه ، امور مالی تجربی برای توضیح قیمت دارایی های آینده به شاخص های عددی روی آورد. به عنوان مثال ، FAMA (1984) نرخ بهره رو به جلو را برای پیش بینی نرخ نقطه یک ماه پیش و حق بیمه خطر طولانی مدت مورد سوء استفاده قرار داد. برای بازار سهام ، چن و همکاران.(1986) با ساخت متغیرهای دولتی که اقتصاد را توصیف می کند ، از سری های اقتصادی استاندارد ، ناشی از سری اقتصادی استاندارد قابل اندازه گیری (تولید صنعتی ، تورم ، حق امتیاز ریسک اعتباری ، ساختار ترم ، شاخص های بازار ، مصرف ، مصرف ، مصرف ، قیمت نفت) ، حساسیت سهام را به "اخبار اقتصادی سیستماتیک" الگوبرداری کرده است. بشردر چارچوب مدلینگ خود ، اخبار در واقع توسط نوآوری های موجود در متغیرهای ایالتی ضبط شد. معیارهای مربوط به ارزیابی سهام نیز برای پیش بینی چشم انداز بازار سهام استفاده شده است (کمپبل و شیلر ، 1998).

از طرف دیگر ، به جای درمان روند بازار به عنوان یک داده (مانند تورم یا اصطلاح ساختار) ، می توان دومی را به عوامل جذب کرد و در نتیجه ، از مجموعه کافی از قیمت دارایی تخمین زده می شود. به همین ترتیب ، حساسیت دارایی از بارهای عامل حاصل می شود. به عنوان مثال ، روزنبرگ (1974) ، با فرض خطی بودن بتا سهام ، وجود مؤلفه های خارج از بازار را بر اساس اصول شرکت ها به نمایش گذاشت. این رویکرد ، که به عنوان مدل سازی چند عاملی نیز شناخته می شود ، به لطف پیشرفت های نظریه قیمت گذاری داوری ، به عنوان راهی برای ارزیابی روند بازار به جای گرفتن مستقیم اخبار اقتصادی ، در دهه 1970 و 1980 به طور گسترده اعمال شد. به طور دقیق تر ، این مدل ها عوامل متداول در بازده مقطعی دارایی ها و همچنین حساسیت هر دارایی به این عوامل را محاسبه می کنند (Barra ، 1998). با این حال ، به نظر می رسد که کاهش ابعاد با عوامل مشترک نیز سازگاری با قدرت محاسبات زمان بود.

در حقیقت ، ابزارهای موجود برای دانشگاهیان و پزشکان به سرعت طی دهه های اخیر تکامل یافته اند. به طور دقیق تر ، بهبود ظرفیت های محاسباتی همراه با در دسترس بودن مجموعه داده های گسترده تر-همچنین به عنوان "داده های بزرگ" شناخته می شود-منجر به ظهور رویکردهای جدید برای ضبط و مدل سازی روند بازار ، در مقایسه با رویکردهای معیار مانند مدل های چند عاملی شد. پردازش زبان طبیعی (NLP) به طور فزاینده ای در امور مالی مورد مطالعه و استفاده قرار می گیرد. در واقع ، استفاده از منابع داده جایگزین ، مانند شبکه های اجتماعی (بولن و همکاران ، 2011) یا رسانه ها و تجزیه و تحلیل احساسات می تواند مدل های فاکتور سنتی را غنی سازد یا حتی در دراز مدت آنها را جایگزین کند. در واقع ، NLP و تکنیک های استخراج متن می توانند برای طیف گسترده ای از پشتیبانی های متنی ، مانند سخنان کنگره (Ash et al. ، 2021) یا ارتباطات بانک مرکزی (Fortes & Le Guendal ، 2020) اعمال شوند ، بلکه انجمن ها (Nassirtoussi etآل. ، 2014).

در رابطه با این - صرفاً کمی - بررسی ویژگی های کلیدی برای رسمی سازی و پیش بینی تحولات بازار ، مفهوم روایت پدیدار شد و محبوبیت خود را به دست می آورد (Roos & Reccius ، 2021). به تازگی ، Shiller2 در ادامه مفهوم روایات را در کتاب خود (شیلر ، 2020a) بررسی کرده و چندین نمونه و مطالعات موردی را ارائه می دهد که دیدگاه واضح تری از تفسیر وی از روایات دارد. با وجود این ، این مفهوم کاملاً رسمی نیست و تحقیقات بیشتری برای همگرایی به سمت تعریف کاملاً پذیرفته شده لازم است. با این حال ، به نظر می رسد که خط بین برداشت کیفی روایات و حجم یا لحن مرتبط با مباحث-که می توانند با استفاده از تکنیک های استخراج متن استخراج شوند-بسیار نازک است. از نظر عملی ، شیلر (2020b) در طولانی ترین گسترش ایالات متحده ، مطالعه موردی را انجام داد. او کلمات کلیدی را با روایت های اقتصادی فرض شده مرتبط کرد. وی سپس کلمات کلیدی اصلی خود را (افسردگی بزرگ ، رکود سکولار ، پایداری ، حباب مسکن ، اقتصاد قوی ، صرفه جویی بیشتر) در یک پایگاه داده خبری و روزنامه که از سال 1989 97 میلیون مقاله جمع کرده است (در زمان نوشتن) جستجو کرد. از نظر نظریه پردازی و تعریف ، در بررسی خود در مورد افزایش آگاهی از روایات در اقتصاد ، Roos و Reccius (2021) الزامات را برای تعریف روایت های اقتصادی جمعی پیشنهاد می کنند. برای واجد شرایط بودن ، روایتی باید داستانی باشد که در هنگام ظهور و گسترش در تعامل اجتماعی توسط اعضای یک گروه به اشتراک گذاشته شود. آنها همچنین به روایت نیاز دارند تا اقدامات را به عوامل اقتصادی پیشنهاد دهند.

در این مقاله ما پیشنهاد می کنیم روایات را به عنوان داستانهای پراکنده تعریف کنیم که اغلب با توجه به شباهت های آنها از نظر اصول کلان اقتصادی ، تاریخ اقتصادی قرن گذشته را تکرار می کنند. با توجه به پویایی بازار اخیر ، ما هدف ما اندازه گیری اهمیت غرش 20s ، رکود سکولار ، به دهه 70 و روایات پولی در محیط اقتصادی فعلی است. این انتخاب چهار روایت اقتصادی توسط اصول پارسیمونی و ارتوگنوت 3 محدود شد. با این حال ، ما همچنین موضع گیری را برای پاسخگویی به چالش های اصلی قرن بیست و یکم ، تقویت مجموعه فوق الذکر با استرس اجتماعی و یک روایت محیطی می دانیم. ما همچنین شامل یکی از موارد مربوط به خطر ژئوپلیتیکی هستیم. در واقع ، مضامین اساسی این روایات ، مانند آب و هوای شدید ، فرسایش انسجام اجتماعی یا رویارویی ژئوکنومیک به عنوان برخی از بزرگترین خطرات طی یک دهه آینده درک می شوند (مجمع جهانی اقتصاد ، 2022). به این ترتیب ، این سری زمانی مبتنی بر یک برداشت ساده و کیفی از روایت ها است. از نظر اندازه گیری ، در مقاله ما سه معیار را انتخاب کردیم که معتقدیم پروکسی های قابل قبول روایت هستند. یعنی ما از یک اندازه گیری حجم استفاده می کنیم (چگونه یک داستان ویروسی می رود) و یک شاخص مربوط به لحن (خواه داستان با احساسات مثبت یا منفی همراه باشد). ما همچنین یک متریک "صدای وزنی شمارش" ایجاد می کنیم ، که هر دو را ترکیب می کند.

تجزیه و تحلیل ما بر پایگاه داده جهانی وقایع ، زبان و لحن (GDELT) بنا شده است. در روح تلی و همکاران.(2021) و کنسولی و همکاران.(2021) ، که اضافه کردن نمرات احساسات از GDELT به پیش بینی های کلان اقتصادی را پیشنهاد می کند ، ما نشان می دهیم که معیارهای این مجموعه داده محتوای اطلاعاتی قابل توجهی را برای پیش بینی حرکات در S& P500 نشان می دهد ، هم قدرت توضیحی و هم کیفیت مدل های کلان اقتصادی خالص را افزایش می دهد. اگر به طبقه بندی داده های جایگزین ارائه شده توسط Denev و Amen (2020) مراجعه کنیم ، Gdelt تحت گروه "News" قرار می گیرد. ما از ابرداده سوءاستفاده می کنیم زیرا برخی از متغیرهای gdelt را تحت روایت های موضعی مختلف ، به روشی کیفی جمع می کنیم. متغیرهای اساسی روایت های منتخب ما نیز هنگام پیش بینی جهت بازار سهام آمریکا ارزش افزوده ای را به همراه می آورند. علاوه بر این ، این داستانهای اقتصادی ، اجتماعی و ژئوپلیتیکی قابل کنترل است و اهمیت نسبی آنها ارزیابی می شود. مقاله به شرح زیر ساختار یافته است. بخش 2 پایگاه داده GDELT و معیارهایی را که می توان از آن بدست آورد ، معرفی می کند. بخش 3 محتوای اطلاعاتی از متغیرهای GDELT در مدل سازی بازار سهام ایالات متحده ، در مقایسه با مدل های کلان استاندارد را نشان می دهد. با تکیه بر این نتایج ، بخش 4 جزئیات ساخت روایات را شرح می دهد و چارچوبی را برای نظارت بر تکامل آنها معرفی می کند. بخش 5 برخی از اظهارات نتیجه گیری را ارائه می دهد.

2. پایگاه داده Gdelt

Gdelt Project4 همکاری تحقیقاتی از Google Ides ، Google Cloud ، Google و Google News ، Yahoo! کمک هزینه تحصیلی در دانشگاه جورج تاون ، نظارت بر بی بی سی ، برنامه آکادمی ملی Keck Futures ، گروه Lexisnexis Reed Elsevier ، JSTOR ، DTIC و بایگانی اینترنت (تیلی و همکاران ، 2021). این ابتکار عمل با هدف "ساخت کاتالوگ از رفتارها و اعتقادات در مقیاس اجتماعی انسانی در سراسر کشورهای جهان ، اتصال هر شخص ، سازمان ، مکان ، تعداد ، موضوع ، منبع خبری و رویداد در سراسر کره زمین به یک شبکه عظیم است که ضبط می شودآنچه در سراسر جهان اتفاق می افتد ، زمینه آن چیست ، چه کسی درگیر است و جهان در مورد آن چه احساسی دارد ، هر روز "(Leetaru & Schrodt ، 2013). نقشه مثال در شکل 3 جغرافیای بحث در مورد اعتراضات (نارنجی) ، سایبرتروریسم (بنفش) و ناآرامی (قرمز) را ارائه می دهد. همانطور که توسط شیلر (2020a) در Yalenews ذکر شد ، "اقتصاد روایی به معنای مطالعه روایت های مردمی است که زیربنای تفکر مردم است ، نه فقط تفکر اقتصاددانان" ، بنابراین مجموعه داده های Gdelt مناسب برای ساخت سری روایت ها است.

شکل 3: تصویر از مجموعه داده های Gdelt منبع: https://carto. com/blog/gdelt/ توجه: نارنجی دلالت بر این دارد که به نظر می رسد ذکرهای مربوط به معترض در آخرین ساعت با یک مکان همراه است اما لزوماً این اعتراض نیستدر آن مکان قرار دهید.

بانک اطلاعاتی رویداد GDELT بیش از 300 دسته از فعالیتهای بدنی 5 ، میلیون ها موضوع و احساسات ، در سراسر جهان ، از شورش ها و اعتراضات گرفته تا درخواست های صلح و مبادلات دیپلماتیک ، که به شهر یا کوهستان ارجاع شده است ، در کل سیاره ثبت می کند. قدمت آن به اول ژانویه 1979 باز می گردد و هر 15 دقیقه به روز می شود. ما پرونده های 15 دقیقه ای را به طور روزانه از ژانویه 2019 تا مارس 2022 جمع می کنیم. برای هر ردیف (یا رویداد) پرونده ، می توانیم چندین شناسه مرتبط با چندین مکان را پیدا کنیم. در این مطالعه ، ما روی ایالات متحده تمرکز می کنیم اما داده ها را برای کشورهای G20 نیز محاسبه می کنیم ، که در بخش 4 برای اهداف مصور استفاده می کنیم.

برای دوره ژانویه 2019 تا مارس 2022 ، ما تقریباً 130000 روایت سری زمانی یا "واحد ابتدایی" را استخراج می کنیم. برای بازیابی حجم ، ما تعداد آنها را برای هر شناسه ، در هر مکان (ما کشورها را به عنوان مکان حفظ می کنیم) ، هر روز (یعنی خلاصه کردن پرونده های 15 دقیقه ای) جمع می کنیم. مجموعه داده های Gdelt یک تعصب طبیعی نسبت به ایالت های متحد و چین ارائه می دهد ، و به طور طبیعی حجم اطلاعات بالاتر با این کشورها مرتبط است. تجزیه و تحلیل سری Volume همچنین به ما امکان می دهد تا ارتباط و ارتباط بین مباحث را تشخیص دهیم ، همانطور که در کادر مربوط به طبقه بندی آخرت نشان داده شده است.

گروه بندی بر اساس شناسه ، ما می توانیم مواردی را که بیشترین حجم را در یک روز در روزهای متحد داشتند در طول دوره تجزیه و تحلیل ما در شکل 4 مشاهده کنیم.، و از این رو در بیشتر اخبار وجود دارد. ما به دلیل همه گیر Covid-19 ، شاهد تسلط بر موضوعات مرتبط با سلامت هستیم. شناسه مرتبط با دولت نیز رتبه بسیار بالایی دارد. سرانجام ، جنبه های قومیت از سال 2019 در ایالات متحده موضوعات برجسته ای بوده است و منعکس کننده اعتراضات عمومی ملی پس از مرگ جورج فلوید در دوره نمونه ما است.

شکل 4: 30 حجم روزانه برتر توسط شناسه در ایالات متحده بین سالهای 2019-2021 توجه: ⋆hepdr = آمادگی اضطراری سلامت و پاسخ به فاجعه منبع: Gdelt ، موسسه Amundi. محاسبات نویسندگان

طبقه بندی Gdelt

در میان 23 سری 500 شناسه که برای شرکت های متحد در دوره 2019-2022 استخراج شده است ، می توانیم چندین زیر گروه را تشخیص دهیم. به عنوان مثال ، پیشوند "WB-" شناسه ای را تحت پوشش طبقه بندی بانک جهانی * نشان می دهد و حاوی مباحثی است که به طور بالقوه در تعریف روایت ها سریال مادی است. پیشوندهای "Econ-" یا "Crisislex-" به ترتیب اسناد مربوط به هر دو اقتصادی (تیلی و همکاران ، 2021) یا افراد مرتبط با بحران را نشان می دهند (Olteanu et al. ، 2014 ؛ Temnikova et al. ، 2015). ما اظهار داشتیم که این دسته دوم ممکن است برای شناسایی سیگنال های مربوط به خطر ژئوپلیتیکی به ویژه مرتبط باشد. در حال انجام یک تحلیل همبستگی ، ما شاهد هستیم که با وجود همه در رده بحران ، سری Volume همبستگی های نابرابر را نشان می دهد که نشان می دهد مباحث به طور همزمان برانگیخته نمی شوند و غنای مجموعه داده های ما را برجسته می کنند.