msueconВестник Московского университета. Серия 6. ЭкономикаLomonosov Economics Journal0130-0105MSUPRESS10.55959/MSU0130-0105-6-61-3-5msuecon-1670Research ArticleФИНАНСОВАЯ ЭКОНОМИКАFINANCIAL STUDIESОценка влияния новостной информации из Telegram на котировки акций нейросетямиTelegram news influence on stocks through neural networkshttps://orcid.org/0009-0000-8430-7744БорисенкоГ. А.BorisenkoG. A.

Москва

Moscow

borisenko.georgiy@bk.ruМГУ им. М. В. ЛомоносоваРоссияLomonosov Moscow State UniversityRussian Federation202611082026613100121Copyright © Борисенко Г.А., 20262026Борисенко Г.А.Borisenko G.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://msuecon.elpub.ru/jour/article/view/1670

Данная работа посвящена анализу влияния новостной информации на краткосрочные колебания акций компании, к которым данная новостная информация относится. В качестве данных временных рядов используются минутные свечи котировок акций крупнейших публичных компаний на Московской бирже, новостная информация получена из популярных Telegram-каналов, посвященных новостям об экономике, бизнесу и инвестициях. Основной целью работы является оценка возможности построения нейросетевых моделей способных предсказывать краткосрочные изменения цен акций после публикации новостей. Для того чтобы сравнить качество предсказания около реальных новостей модели также строятся около синтетических новостей случайные точки во времени, которые симулируют момент выхода новости. Также для того чтобы показать стабильность результатов модели обучались и тестировались на различных подвыборках, полученных методом временной кросс-валидации. Более того, стабильность результатов продемонстрирована за счет использования различных по архитектуре нейросетей: сверточной, рекуррентной, двунаправленной рекуррентной и трансформера. В результате работы выявлено, что для всех компаний и на всех подвыборках, разделенных во времени, в среднем прогнозирование временных рядов около реальных новостей показывает качество хуже, чем прогнозирование в случайной точке, что отчасти подтверждает гипотезу эффективных рынков в слабой форме.

This paper analyzes the impact of news information on short-term fluctuations of share prices of the company related to this news information. Time series data is represented by minute candles of stock quotes of the largest public companies on the Moscow Stock Exchange. News information is obtained from popular Telegram channels dealing with economic investment and business news. The main goal of the work is to assess the possibility of constructing neural network models capable of predicting short-term changes in stock prices after the publication of news. In order to compare the quality of prediction around real news, models are also built around synthetic news random points in time that simulate the moment of news release. Also, in order to show the robustness of results, the models were trained and tested on various subsamples obtained by the method of temporal cross-validation. Moreover, the stability of the results is demonstrated through the use of neural networks with different architectures: convolutional, recurrent, bidirectional recurrent and transformer. The findings reveal that for all companies and on all subsamples separated in time, on average, forecasting time series around real news shows worse quality than forecasting at a random point, which partly confirms the Efficient Markets Hypothesis in its weak form.

нейросетигипотеза эффективного рынкавременные рядысентиментnews informationneural networksefficient market hypothesistime seriessentimentReferencesКравец, Д. А. (2021). Исследование методов прогнозирования стоимости ценных бумаг на основе машинного обучения. Информационно-телекоммуникационные технологии и математическое моделирование высокотехнологичных систем , 218–222.Habr (15.12.2 023). Dobrovinskiy F. LSTM and GRU. Retrieved March 01, 2025, from https://habr.com/ru/companies/mvideo/articles/780774/.Кузнецов, Р. С., & Тумарова, Т. Г. (2023). Прогнозирование котировок акций ПАО Газпром с использованием нейронных сетей LSTM. Вестник Института экономики Российской академии наук, 3 , 84–98. https://doi.org/10.52180/20736487_2023_3_84_98.Kravets, D. (2021). Research on methods of securities price forecasting based on machine learning. Information and telecommunication technologies and mathematical modeling of HighTech systems, 218–222.Хабр (15.12.2023). Добровицкий Ф. LSTM и GRU. Дата обращения 01.03.2025, https://habr.com/ru/companies/mvideo/articles/780774/.Kuznetsov, R., & Tumarova, T. (2023). PAO GAZPROM stock price prediction using lstm neural networks. Vestnik Instituta Ekonomiki Rossiyskoy akademii nauk, 3 , 84–98. https://doi.org/10.52180/2073-6487_2023_3_84_98.Ampomah, E. K., & et al. (2021). Stock market prediction with gaussian naïve bayes machine learning algorithm. Informatica, 45 (2), 243–256. https://doi.org/10.31449/inf.v45i2.3407.Ampomah, E. K., & et al. (2021). Stock market prediction with gaussian naïve bayes machine learning algorithm. Informatica, 45 (2), 243–256. https://doi.org/10.31449/inf.v45i2.3407.Cacciari, I., & Ranfagni, A. (2024). Hands-On Fundamentals of 1D Convolutional Neural Networks A Tutorial for Beginner Users. Applied Sciences, 14 (18). https://doi.org/10.3390/app14188500.Cacciari, I., & Ranfagni, A. (2024). Hands-On Fundamentals of 1D Convolutional Neural Networks A Tutorial for Beginner Users. Applied Sciences, 14 (18). https://doi.org/10.3390/app14188500.Chatfield, C. (2013). The analysis of time series: theory and practice. Springer. https://doi.org/10.1007/978-1-4899-2925-9.Chatfield, C. (2013). The analysis of time series: theory and practice. Springer. https://doi.org/10.1007/978-1-4899-2925-9.Fama, E. F. (1970). Efficient capital markets. Journal of finance, 25 (2), 383–417. https://doi.org/10.2307/2325486.Fama, E. F. (1970). Efficient capital markets. Journal of finance, 25 (2), 383–417. https://doi.org/10.2307/2325486.GitHub (27.06.2018). Alammar, J. The Illustrated Transformer. Дата обращения 01.03.2025, https://jalammar.github.io/illustrated-transformer/.GitHub (27.06.2018). Alammar, J. The Illustrated Transformer. Дата обращения 01.03.2025, https://jalammar.github.io/illustrated-transformer/.Hvid, A. K., & Kristiansen, K. L. (2021). How news affects sectoral stock prices through earnings expectations and risk premia. Danmarks Nationalbank Working Papers, 168 . https://doi.org/10.2866/688016.Hvid, A. K., & Kristiansen, K. L. (2021). How news affects sectoral stock prices through earnings expectations and risk premia. Danmarks Nationalbank Working Papers, 168 . https://doi.org/10.2866/688016.Ioff e, S. (2015). Batch normalization: Accelerating deep network training by reducing internal covariate shift. arXiv preprint. https://doi.org/10.48550/arXiv.1502.03167.Ioff e, S. (2015). Batch normalization: Accelerating deep network training by reducing internal covariate shift. arXiv preprint. https://doi.org/10.48550/arXiv.1502.03167.Khaidem, L., Saha, S., & Dey, S. R. (2016). Predicting the direction of stock market prices using random forest. arXiv preprint. https://doi.org/10.48550/arXiv.1605.00003.Khaidem, L., Saha, S., & Dey, S. R. (2016). Predicting the direction of stock market prices using random forest. arXiv preprint. https://doi.org/10.48550/arXiv.1605.00003.Leković, M. (2018). Evidence for and against the validity of efficient market hypothesi. Economic themes, 5 6 (3), 369–387. https://doi.org/10.2478/ethemes-2018-0022.Leković, M. (2018). Evidence for and against the validity of efficient market hypothesi. Economic themes, 5 6 (3), 369–387. https://doi.org/10.2478/ethemes-2018-0022.Mehtab, S., & Sen, J. (2020). Stock price prediction using convolutional neural networks on a multivariate timeseries. arXiv preprint. DOI: https://doi.org/10.36227/techrxiv.15088734.Mehtab, S., & Sen, J. (2020). Stock price prediction using convolutional neural networks on a multivariate timeseries. arXiv preprint. DOI: https://doi.org/10.36227/techrxiv.15088734.Nabipour, M. P., Nayyeri, H. J., Mosavi, A., Salwana, E., & Shahab, S. (2020). Deep learning for stock market prediction. Entropy, 22 (8), 840. https://doi.org/10.3390/e22080840.Nabipour, M. P., Nayyeri, H. J., Mosavi, A., Salwana, E., & Shahab, S. (2020). Deep learning for stock market prediction. Entropy, 22 (8), 840. https://doi.org/10.3390/e22080840.Pang, X., Zhou, Y., Wang, P., & Lin, W. (2020). An innovative neural network approach for stock market prediction. The Journal of Supercomputing, 7 6 , 2098–2118. https://doi.org/10.1007/s11227-017-2228-y.Pang, X., Zhou, Y., Wang, P., & Lin, W. (2020). An innovative neural network approach for stock market prediction. The Journal of Supercomputing, 7 6 , 2098–2118. https://doi.org/10.1007/s11227-017-2228-y.Suharsono, A., Aziza, A., & Pramesti, W. (2017). Comparison of vector autoregressive (VAR) and vector error correction models (VECM) for index of ASEAN stock price. AIP Conference Proceedings, 1913(1). https://doi.org/10.1063/1.5016666.Suharsono, A., Aziza, A., & Pramesti, W. (2017). Comparison of vector autoregressive (VAR) and vector error correction models (VECM) for index of ASEAN stock price. AIP Conference Proceedings, 1913(1). https://doi.org/10.1063/1.5016666.Volodin, S. N., Kuranov, G. M., & Yakubov, A. P. (2017). Impact of Political News: Evidence from Russia. Scientific Annals of Economics and Business, 64 (3), 271–287. https://doi.org/10.1515/saeb-2017-0018.Volodin, S. N., Kuranov, G. M., & Yakubov, A. P. (2017). Impact of Political News: Evidence from Russia. Scientific Annals of Economics and Business, 64 (3), 271–287. https://doi.org/10.1515/saeb-2017-0018.Wang, C., Chen, Y., Zhang, S., & Zhang, Q. (2022). Stock market index prediction using deep Transformer model. Expert Systems with Applications, 208 , 118–128. https://doi.org/10.1016/j.eswa.2022.118128.Wang, C., Chen, Y., Zhang, S., & Zhang, Q. (2022). Stock market index prediction using deep Transformer model. Expert Systems with Applications, 208 , 118–128. https://doi.org/10.1016/j.eswa.2022.118128.Xie, L., Chen, Z., & Yu, S. (2024). Deep Convolutional Transformer Network for Stock Movement Prediction. Electronics, 13 (21), 4225. https://doi.org/10.3390/electronics13214225.Xie, L., Chen, Z., & Yu, S. (2024). Deep Convolutional Transformer Network for Stock Movement Prediction. Electronics, 13 (21), 4225. https://doi.org/10.3390/electronics13214225.Zhang, J., Ye, L., & Lai, Y. (2023). Stock price prediction using CNN-BiLSTM-Attention model. Mathematics, 11 (9), 1985. https://doi.org/10.3390/math11091985.Zhang, J., Ye, L., & Lai, Y. (2023). Stock price prediction using CNN-BiLSTM-Attention model. Mathematics, 11 (9), 1985. https://doi.org/10.3390/math11091985.

The authors declare that there are no conflicts of interest present.