Предсказание волатильности акций российских компаний с использованием данных социальных сетей

В научной литературе существует противоречие между растущей ролью социальных медиа как источника информации для принятия инвестиционных решений и отсутствием формализованных методов количественной оценки их влияния на волатильность российских акций. Данное исследование направлено на преодоление этого разрыва путем создания модели, которая позволит преобразовать качественные данные из соцсетей в прогнозный фактор рыночной нестабильности. Цель работы — на основе данных социальных сетей методами машинного обучения построить модель с весами настроения и внимания инвесторов для оценки и прогнозирования волатильности акций некоторых российских компаний. В статье рассматриваются компании из разных отраслей экономики: Лукойл, Роснефть, Газпром, Новатэк, Сбербанк, Яндекс и МТС. Для оценки качества построены модели трех видов: 1) базовая модель: модель реализованной волатильности; 2) модель оценки состояния финансового рынка: модель с финансовыми весами; 3) модель настроения и внимания: модель с обработкой тональности новостей из Twitter (X). Исследуемые компании по-разному реагируют на настроения в социальных сетях. Для компании Яндекс информация о настроении и внимании в социальных сетях имеет большую объяснительную силу: факторы внимания и настроения улучшают качество прогноза в среднем по всем методам на 7% относительно модели с финансовыми весами. Для Сбербанка и МТС модель настроения улучшает качество прогноза на 3% в сравнении с моделью оценки состояния финансового рынка. Компании, связанные с нефтедобычей и газодобычей, хуже реагируют на факторы социальных сетей, и при лучшем методе дают прирост качества прогноза в среднем на 2%. Результаты исследования позволяют расширить представления о возможностях машинного обучения для анализа влияния тональности сообщений в социальных сетях на волатильность акций.

1. Аганин, А. Д. (2017). Сравнение GARCH и HAR-RV моделей для прогноза реализованной волатильности на российском рынке. Прикладная эконометрика, 48 63–84.

2. Интерфакс. (2024, 26 декабря). Медиарейтинг компаний 2024 год. SCANИнтерфакс. Дата обращения 26.01.2026, https://scan-interfax.ru/ratings/mediareiting-kompanii-2024-god-2/

3. Интерфакс. (2023, 28 декабря). Медиарейтинг компаний 2023 год SCAN Интерфакс. Дата обращения 26.01.2026, https://scan-interfax.ru/ratings/mediareiting-kompanii-2023-god-2/

4. Интерфакс. (2022, 27 декабря). Медиарейтинг компаний 2022 год CAN Интерфакс. Дата обращения 26.01.2026, https://scan-interfax.ru/ratings/mediarejting-kompanij-2022-god/

5. Интерфакс. (2021, 27 декабря). Рейтинг медиа-заметности компаний 2021 год. SCAN-Интерфакс. Дата обращения 26.01.2026, https://scan-interfax.ru/ratings/rejting-media-zametnosti-kompanij-za-2021-god/

6. Интерфакс. (2020, 28 декабря). Рейтинг медиа-заметности компаний 2020 год. SCAN-Интерфакс. Дата обращения 26.01.2026, https://scan-interfax.ru/ratings/rejting-media-zametnosti-kompanij-2020/

7. 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, 1(53), 53–84. https://doi.org/10.31737/2221-2264-2022-53-1-3

8. Рубцова, Ю. (2012). Автоматическое построение и анализ корпуса коротких текстов (постов микроблогов) для задачи разработки и тренировки тонового классификато а. Инженерия знаний и технологии семантического веба, 1 109–116.

9. Ahmed, H. J. A., Hassan, A., & Nasir, A. M. (2005). The relationship between trading volume, volatility and stock market returns: A test of Mixed Distribution Hypothesis for a Pre and Post crisis on Kuala Lumpur Stock Exchange. Investment Management and Financial Innovations, 3(3), 146–158

10. Antweiler, W., & Frank, M. Z. (2004). Is all that talk just noise? The information content of internet stock message boards. The Journal of Finance, 59(3), 1259–1294

11. Aouadi, A., Arouri, M., & Teulon, F. (2013). Investor attention and stock market activity: vidence from France. Economic Modelling, 35 674–681

12. Audrino, F., Sigrist, F., & Ballinari, D. (2020). The impact of sentiment and attention measures on stock market volatility. International Journal of Forecasting, 36 2), 334–357

13. Caporin, M., & Poli F. (2017). Building news measures from textual data and an application to volatility forecasting. Econometrics, 5(3)

14. Chan, J. Y. L., Bea, K. T., & Leow S. M. H. (2023). State of the art: a review of sentiment analysis based on sequential transfer learning. Artificial Intelligence Review, 56 749–780. https://doi.org/10.1007/s10462-022-10183-8

15. Corsi. F., Audrino, F., & Reno, R. (2012). HAR Modeling for Realized Volatility Forecasting. In Handbook of Volatility Models and Their Applications, New Jersey, USA: John Wiley & Sons, Inc 363–382

16. Da, Z., Engelberg J., & Gao P. (2011). In search of attention. The Journal of Finance, 6(5), 1461–1499

17. Da, Z., Engelberg, J., & Gao P. (2015). The sum of all FEARS investor sentiment and asset prices. Review of Financial Studies, 28(1), 1–32

18. Daniel, K., Hirshleifer, D., & Teoh S. H. (2002). Investor psychology in capital markets: evidence and policy implications. Journal of Monetary Economics, 49(1), 139–209

19. Dimpfl, T., & Jank S. (2012). Can Internet Search Queries Help to Predict Stock Market Volatility? Paris December 2012 Finance Meeting EUROFIDAI-AFFI Paper, European Financial Management, Forthcoming

20. Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 25(2), 383–417.

21. Hamid, A., & Heiden, M. (2015). Forecasting volatility with empirical similarity and Google trends. Journal of Economic Behavior & Organization, 117 62–81

22. Hickey, J. M., Di Stefano, P. G., & Vasileiou V. (2021). Fairness by explicability and adversarial SHAP learning. In Joint European Conference on Machine Learning and Knowledge Discovery in Databases, 174–190. https://doi.org/10.1007/978-3-030-67664-3_11

23. Mao, H., Counts, S., & Bollen J. (2011). Predicting financial markets: Comparing survey, news, Twitter and search engine data. Computer Science, 10

24. Obaidi, M., Nagel, L., Specht, A., & Klünder, J. (2022). Sentiment analysis tools in software engineering: A systematic mapping study. Information and Software Technology,151. https://doi.org/10.1016/j.infsof.2022.107018

25. Oliveira, N., Cortez, P., & Areal, N. (2013). On the predictability of stock market behavior using StockTwits sentiment and posting volume. In: L. Correia, L. P. Reis, & J. Cascalho (Eds.), Progress in artificial intelligence. Berlin, Heidelberg: Springer Berlin Heidelberg 355–365

26. Revathy, G., Alghamdi, S., Alahmari, S., Yonbawi, S., Kumar, A., & Haq, M. (2022). Sentiment analysis using machine learning: Progress in the machine intelligence for data science. Sustainable Energy Technologies and Assessments, 53. https://doi.org/10.1016/j.seta.2022.102557

27. Shulyak, E. (2022). Macroeconomic Forecasting Using Data from Social Media. Russian Journal of Money and Finance, 81(4), 86–112

28. Tseng, K. C. (2006). Behavioral finance, bounded rationality, neurofinance, and traditional nance. Investment Management and Financial Innovations, 3(4), 7–18

29. Wankhade, M., Rao, A. C. S., & Kulkarni, C. (2022). A survey on sentiment analysis methods, applications, and challenges. Artificial Intelligence Review, 55 5731–5780. https://doi.org/10.1007/s10462-022-10144-1