سامانه مدیریت نشریات علمی دانشگاه شهید بهشتی

مجیدی زاویه, رضا, حاجی زاده, احسان. (1400). بررسی تاثیر احساسات بر بازدهی سهام: شواهدی از واکنش به مطالب منتشره در فضای مجازی. , 11(36), 57-89. doi: 10.52547/jfmp.11.36.57
رضا مجیدی زاویه; احسان حاجی زاده. "بررسی تاثیر احساسات بر بازدهی سهام: شواهدی از واکنش به مطالب منتشره در فضای مجازی". , 11, 36, 1400, 57-89. doi: 10.52547/jfmp.11.36.57
مجیدی زاویه, رضا, حاجی زاده, احسان. (1400). 'بررسی تاثیر احساسات بر بازدهی سهام: شواهدی از واکنش به مطالب منتشره در فضای مجازی', , 11(36), pp. 57-89. doi: 10.52547/jfmp.11.36.57
مجیدی زاویه, رضا, حاجی زاده, احسان. بررسی تاثیر احساسات بر بازدهی سهام: شواهدی از واکنش به مطالب منتشره در فضای مجازی. , 1400; 11(36): 57-89. doi: 10.52547/jfmp.11.36.57

بررسی تاثیر احساسات بر بازدهی سهام: شواهدی از واکنش به مطالب منتشره در فضای مجازی

چشم انداز مدیریت مالی
مقاله 3، دوره 11، شماره 36، دی 1400، صفحه 57-89    اصل مقاله (2.69 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.52547/jfmp.11.36.57
نویسندگان
رضا مجیدی زاویه1؛ احسان حاجی زاده* 2
1کارشناسی مهندسی صنایع، دانشگاه صنعتی امیرکبیر، تهران، ایران.
2استادیار، گروه مدیریت سیستم و بهره‌وری، دانشگاه صنعتی امیرکبیر، تهران، ایران
چکیده
با توجه به رشد روزافزون شبکه­های اجتماعی در سال­های اخیر، سرمایه­گذاران در بازارهای مختلف علاوه بر بررسی و تحلیل اطلاعات کلاسیک بازار، به اخبار و اطلاعات منتشره در شبکه­های اجتماعی نیز توجه می­کنند. با بررسی و ارزیابی میزان ارتباط اخبار و اطلاعات منتشره در  شبکه­های اجتماعی و تغییرات قیمت سهام می­توان به میزان تاثیرگذاری این اطلاعات بر قیمت سهام پی برد و از طریق آن روند آینده را پیش بینی نمود.
در این مقاله با استفاده از روش­ تحلیل احساسات و متن‌کاوی، به بررسی میزان اثرگذاری افکار و احساسات عمومی ناشی از اخبار در اینترنت و فضای مجازی بر قیمت سهام پرداخته می­شود. اطلاعات استفاده‌شده در این پروژه شامل مطالب منتشرشده در شبکه اجتماعی توییتر پیرامون سهام و همچنین داده­های واقعی قیمتی سهام 5 شرکت برتر بورس آمریکا است. با استفاده از روش ارائه‌شده، احساسات کلی در مورد یک متن برآورد شده و امتیازی کلی برای آن در نظر گرفته می‌شود. سپس با استفاده از روش‌های بک­تستینگ و با اتخاذ استراتژی­های مختلف معاملاتی، تاثیر این احساسات در روند قیمتی سهم بررسی خواهد شد و بازدهی به‌دست آمده، با و بدون اثردهی آنالیز احساسات، مقایسه خواهد شد. طبق نتایج این پژوهش، بازدهی استراتژی‌های مبتنی بر آنالیز احساسات به طور قابل توجهی بیشتر از روش‌های تحلیل تکنیکال هستند.
کلیدواژه‌ها
بازدهی سهام؛ تحلیل احساسات؛ متن کاوی؛ استراتژی معاملاتی؛ بک تست
عنوان مقاله [English]
Investigating the impact of sentiments on stock returns: evidence from reactions to social media content
نویسندگان [English]
Reza Majidi Zavieh1؛ Ehsan Hajizadeh2
1BSc in industrial engineering, Amirkabir University of Technology, Tehran, Iran.
2Assistant Prof, Department of Management Systems, Amirkabir University of Technology, Tehran, Iran.
چکیده [English]
Due to the increasing growth of social networks in recent years, investors in various markets, in addition to reviewing and analyzing classic market information, also pay attention to news and information published on social networks. By examining and evaluating the relationship between news and information published on social networks and changes in stock prices, it is possible to understand the impact of the information on stock prices and predict the future trend.In this article, using the methods of sentiment analysis and text mining, the impact of public thoughts and feelings caused by news on the Internet and cyberspace on stock prices is examined. The information used in this research includes content published on the social network Twitter about stocks and real stock price data of the top 5 companies on the US stock exchange. Using the presented method, general feelings about a text are estimated and a general score is considered for it. Then, using back testing methods and adopting different trading strategies, the impact of these emotions on the share price trend will be examined and the obtained results will be compared with and without the effect of emotion analysis. According to the results of this study, the effectiveness of strategies based on sentiments analysis is significantly higher than technical analysis-based methods.
کلیدواژه‌ها [English]
Stock Returns, Sentiment analysis, text mining, Trading Strategy, backtesting
مراجع
  1. Alanyali, M., Moat, H. S., & Preis, T. (2013). Quantifying the relationship between financial news and the stock market. Scientific reports, 3(1), 1-6.
  2. Birz, G., & Lott Jr, J. R. (2011). The effect of macroeconomic news on stock returns: New evidence from newspaper coverage. Journal of Banking & Finance, 35(11), 2791-2800.
  3. Bollen, J., Mao, H., & Pepe, A. (2011). Modeling public mood and emotion: Twitter sentiment and socio-economic phenomena. Proceedings of the international AAAI conference on web and social media,
  4. Bollen, J., Mao, H., & Zeng, X. (2011). Twitter mood predicts the stock market. Journal of computational science, 2(1), 1-8.
  5. Bordino, I., Battiston, S., Caldarelli, G., Cristelli, M., Ukkonen, A., & Weber, I. (2012). Web search queries can predict stock market volumes. PloS one, 7(7), e40014.
  6. Bordino, I., Kourtellis, N., Laptev, N., & Billawala, Y. (2014). Stock trade volume prediction with yahoo finance user browsing behavior. 2014 IEEE 30th International Conference on Data Engineering,
  7. Chan, W. S. (2003). Stock price reaction to news and no-news: drift and reversal after headlines. Journal of Financial Economics, 70(2), 223-260.
  8. Cutler, D. M., Poterba, J. M., & Summers, L. H. (1988). What moves stock prices? In: National Bureau of Economic Research Cambridge, Mass., USA.
  9. Da, Z., Engelberg, J., & Gao, P. (2011). In search of attention. The Journal of Finance, 66(5), 1461-1499.
  10. 10. De Oliveira Carosia, A. E., Coelho, G. P., & da Silva, A. E. A. (2021). Investment strategies applied to the Brazilian stock market: a methodology based on sentiment analysis with deep learning. Expert Systems with Applications, 184, 115470.
  11. Graham, M., Hale, S. A., & Gaffney, D. (2014). Where in the world are you? Geolocation and language identification in Twitter. The Professional Geographer, 66(4), 568-578.
  12. Groß-Klußmann, A., & Hautsch, N. (2011). When machines read the news: Using automated text analytics to quantify high-frequency news-implied market reactions. Journal of Empirical Finance, 18(2), 321-340.
  13. https://github.com/cjhutto/vaderSentiment.
  14. Huang, M. Y., Rojas, R. R., & Convery, P. D. (2020). Forecasting stock market movements using google trend searches. Empirical Economics, 59(6), 2821-2839.
  15. Jing, N., Wu, Z., & Wang, H. (2021). A hybrid model integrating deep learning with investor sentiment analysis for stock price prediction. Expert Systems with Applications, 178, 115019.
  16. Kristoufek, L. (2013). Can Google Trends search queries contribute to risk diversification? Scientific reports, 3(1), 1-5.
  17. Lillo, F., Micciche, S., Tumminello, M., Piilo, J., & Mantegna, R. N. (2015). How news affects the trading behavior of different categories of investors in a financial market. Quantitative Finance, 15(2), 213-229.
  18. Mao, H., Counts, S., & Bollen, J. (2011). Predicting financial markets: Comparing survey, news, Twitter and search engine data. arXiv preprint arXiv:1112.1051.
  19. Mao, Y., Wei, W., Wang, B., & Liu, B. (2012). Correlating S&P 500 stocks with Twitter data. Proceedings of the First ACM international workshop on hot topics on interdisciplinary social networks research,
  20. Mohebbi, S., Fadaienejad, M. E., & Hamidizadeh, M. r. (2021). The Proposed Algorithm to Select Appropriate Features for Predicting Tehran Stock Exchange Index. ـJournal of Financial Management Perspective, -. https://doi.org/10.52547/jfmp.2021.220761.1015
  21. Nguyen, V. D., Varghese, B., & Barker, A. (2013). The royal birth of 2013: Analysing and visualizing public sentiment in the UK using Twitter. 2013 IEEE International Conference on Big Data,
  22. Preis, T., Reith, D., & Stanley, H. E. (2010). Complex dynamics of our economic life on different scales: insights from search engine query data. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 368(1933), 5707-5719.
  23. Souza, T. T. P., Kolchyna, O., Treleaven, P. C., & Aste, T. (2015). Twitter sentiment analysis applied to finance: A case study in the retail industry. arXiv preprint arXiv:1507.00784.
  24. Tetlock, P. C. (2007). Giving content to investor sentiment: The role of media in the stock market. The Journal of Finance, 62(3), 1139-1168.
  25. Tetlock, P. C., Saar‐Tsechansky, M., & Macskassy, S. (2008). More than words: Quantifying language to measure firms' fundamentals. The Journal of Finance, 63(3), 1437-1467.
  26. Vega, C. (2006). Stock price reaction to public and private information. Journal of Financial Economics, 82(1), 103-133.
  27. Yaftian, A. H., & Rastegar, M. A. (2020). Designing an Automated Trading System Using Convolutional Neural Network. ـJournal of Financial Management Perspective, 10(31), 153-184. https://doi.org/10.52547/jfmp.10.31.153
آمار
تعداد مشاهده مقاله: 4,317
تعداد دریافت فایل اصل مقاله: 2,774