Поисковое внимание и дивергенция мнений в объяснении поведения частных инвесторов

В работе тестируется гипотеза значимости метрик дивергенции мнений частных инвесторов — пользователей инвестиционных онлайн-платформ в объяснении доходности акций российского фондового рынка. Обработка текстовых сообщений (база составила более 4,3 млн сообщений по платформам Tinkoff Pulse, SmartLab и MFD) проведена при помощи алгоритмов машинного и глубокого обучения. Статистика поисковых запросов по экономико-политическим и инвестиционным темам введена в модель поиска объясняющих факторов изменения цен акций в качестве прокси внимания частных инвесторов. Цель работы – оценить влияние дивергенции мнений и внимания частных инвесторов на доходность акций обсуждаемых эмитентов на российском фондовом рынке. Методология исследования включает в себя текстовый и эконометрический анализ. Для автоматической разметки текстовых данных используется аугментация тренировочного текстового массива и обучение на его основе моделей машинного и глубокого обучения. Для анализа ценового поведения акций используются два эконометрических способа оценки регрессоров: обобщенный метод моментов и обобщенный метод наименьших квадратов. В результате исследования было обнаружено: 1) дивергенция мнений имеет неустойчивое влияние на доходность акций только в дни обсуждений; 2) только внимание частных инвесторов к экономико-политическим за исключением интереса к инвестиционным темам оказывает влияние на будущее поведение цен акций; 3) в зависимости от уровня волатильности (риска) акций наблюдаются отдельные неустойчивые паттерны взаимосвязи между разногласиями среди пользователей анализируемых платформ с доходностью акций.

1. Галанова, А. В., & Епифанова, Д. И. (2022). Влияние социальных сетей на цены акций производителей одежды. Вестник Московского университета. Серия 6. Экономика, (2), 71–93. https://doi.org/10.38050/01300105202224.

2. Исследование Тинькофф Инвестиций: российский розничный инвестор — кто он такой? https://vc.ru/finance/107104-issledovanie-tinkoff-investiciy-rossiyskiy-roznichnyy-investor-kto-on-takoy.

3. Теплова, Т. В., Соколова, Т. В., Томтосов, А. Ф., Бучко, Д. В., & Никулин, Д. Д. (2022). Сентимент частных инвесторов в объяснении различий в биржевых характеристиках акций российского рынка. Журнал Новой экономической ассоциации, 53(1), 53–84. https://doi.org/10.31737/2221-2264-2022-53-1-3.

4. Федорова, Е. А., Рогов, О. Ю., & Ключников, В. А. (2018). Влияние новостей на индекс нефтегазовой отрасли ММВБ: текстовый анализ. Вестник Московского университета. Серия 6. Экономика, (4), 79–99. https://doi.org/10.38050/01300105201845.

5. Al-Nasseri, A., & Ali, F. M. (2018). What does investors’ online divergence of opinion tell us about stock returns and trading volume?. Journal of Business Research, 86, 166–178. 6 https://doi.org/10.1016/j.jbusres.2018.01.006.

6. Andleeb, R., & Hassan, A. (2023). Predictive eff ect of investor sentiment on current and future returns in emerging equity markets. Plos one, 18(5), e0281523. https://doi.8org/10.1371/journal.pone.0281523.

7. Badawi, S. (2023). Data Augmentation for Sorani kurdish News Headline classifi cationusing back-translation and deep learning model. Kurdistan Journal of Applied Research, 27–34. https://doi.org/10.24017/science/2023.1.4.

8. Chang, Eric Chieh C., & Luo, Yan. (2010). R-Squared, Noise, and Stock Returns. https://ssrn.com/abstract=1572508.

9. Chen, M., Guo, Z., Abbass, K., & Huang, W. (2022). Analysis of the impact of investor sentiment on stock price using the latent dirichlet allocation topic model. Frontiers in Environmental Science, 10, 1068398. https://doi.org/10.3389/fenvs.2022.1068398.

10. Dong, D., Wu, K., Fang, J., Gozgor, G., & Yan, C. (2022). Investor attention factors and stock returns: Evidence from China. Journal of International Financial Markets, Institutions and Money, 77, 101499. https://doi.org/10.1016/j.intfin.2021.101499.7

11. Fan, R., Talavera, O., & Tran, V. (2020). Social media, political uncertainty, and stock markets. Review of Quantitative Finance and Accounting, 55, 1137–1153. https://doi.org/10.1007/s11156-020-00870-4.

12. Farina, V. (2019). The impact of investors’ sentiment divergence on stock market efficiency. The 2nd International Conference on Management, Economics and Finance, 15–17 November. Rotterdam, Netherlands, 1–22.

13. Gómez-Martínez, R., Orden-Cruz, C., & Martínez-Navalón, J. G. (2022). Wikipedia pageviews as investors’ attention indicator for Nasdaq. Intelligent systems in accounting, finance and management, 29(1), 41–49. https://doi.org/10.1002/isaf.1508.

14. Hamraoui, I., & Boubaker, A. (2022). Impact of Twitter sentiment on stock price returns. Social Network Analysis and Mining, 12(1), 28.

15. Hao, J., & Xiong, X. (2021). Retail investor attention and fi rms’ idiosyncratic risk: Evidence from China. International Review of Financial Analysis, 74, 101675. https://doi.org/10.1016/j.irfa.2021.101675.

16. Hsieh, S. F., Chan, C. Y., & Wang, M. C. (2020). Retail investor attention and herding behavior. Journal of Empirical Finance, 59, 109–132. https://doi.org/10.1016/j.jempfin.2020.09.005.

17. John, V., & Vechtomova, O. (2017). Sentiment analysis on financial news headlines using training dataset augmentation. arXiv preprint arXiv:1707.09448. https://doi.org/10.48550/arXiv.1707.09448.

18. Khan, M. F. F., Kanemaru, A., & Sakamura, K. (2022). Sentiment Analysis of Japanese Tweets Using Auto-Augmented Sentiment Polarity Dictionaries and Advanced Word Embedding. In 2022 IEEE 11th Global Conference on Consumer Electronics (GCCE) (p. 462–466). IEEE. https://doi.org/10.1109/GCCE56475.2022.10014185.

19. Kim, K., & Ryu, D. (2020). Predictive ability of investor sentiment for the stock market. Romanian Journal of Economic Forecasting, 23(4), 33–46.

20. Liesting, T., Frasincar, F., & Truşcă, M. M. (2021, March). Data augmentation in a hybrid approach for aspect-based sentiment analysis.In Proceedings of the 36th Annual ACM Symposium on Applied Computing (p. 828–835). https://doi.org/10.48550/arXiv.2103.15912.g

21. Long, S., Lucey, B., Xie, Y., & Yarovaya, L. (2023). “I just like the stock”: The role of Reddit sentiment in the GameStop share rally. Financial Review, 58(1), 19–37. https://doi.8org/10.1111/fire.12328.

22. Ma, J., & Li, L. (2020). Data augmentation for chinese text classifi cation using backtranslation. In Journal of Physics: Conference Series, 1651(1), 012039). IOP Publishing. https://doi.org/10.1088/1742-6596/1651/1/012039.

23. Reschke, F., & Strych, J.-O. (2023). Emojis and stock returns. Review of Behavioral Finance. https://doi.org/10.1108/RBF-09-2022-0215.

24. Sprenger, T. O., Tumasjan, A., Sandner, P. G., & Welpe, I. M. (2014). Tweets and trades: The information content of stock microblogs. European Financial Management, 20(5), 926957. https://doi.org/10.1111/j.1468-036X.2013.12007.x.

25. Szczygielski, J. J., Charteris, A., Bwanya, P. R., & Brzeszczyński, J. (2023). Google search trends and stock markets: sentiment, attention or uncertainty?. International review of financial analysis, 91, 102549. https://doi.org/10.1016/j.irfa.2023.102549.

26. Vozlyublennaia, N. (2014). Investor attention, index performance, and return predictability. Journal of Banking & Finance, 41, 17–35. https://doi.org/10.1016/j.jbankfin.2013.12.010.

27. Wang, G. J., Xiong, L., Zhu, Y., Xie, C., & Foglia, M. (2022). Multilayer network analysis of investor sentiment and stock returns. Research in International Business and Finance, 62, 101707. https://doi.org/10.1016/j.ribaf.2022.101707.

28. Yang, T., Zhuo, S., & Yang, Y. (2023). Investor attention fluctuation and stock market volatility: Evidence from China. Plos one, 18(11), e0293825. https://doi.8org/10.1371%2Fjournal.pone.0293825.

29. Yoshinaga, C., & Rocco, F. (2020). Investor attention: can google search volumes predict stock returns?. BBR. Brazilian Business Review, 17, 523–539. http://dx.doi.org/10.15728/7bbr.2020.17.5.3.

30. Zeitun, R., Rehman, M. U., Ahmad, N., & Vo, X. V. (2023). The impact of Twitter-based sentiment on US sectoral returns. The North American Journal of Economics and Finance, 64, 101847. https://doi.org/10.1016/j.najef.2022.101847.

31. Zhang, X., Li, G., Li, Y., Zou, G., & Wu, J. G. (2023). Which is more important in stock market forecasting: Attention or sentiment? International Review of Financial Analysis, 89, 102732. https://doi.org/10.1016/j.irfa.2023.102732.