欧洲央行财务回报、情绪和市场波动。动态评估（英）

StefanoBorgioliGiampieroM.Gallo, ChiaraOngari市场波动。动态 评估。 No2999 工作文件系列 财务回报、情绪和 免责声明:本文不应被报告为代表欧洲中央银行的观点 （ECB)。表达的观点是作者的观点，不一定反映欧洲央行的观点。 Abstract 在1936年，约翰·梅纳德·凯恩斯提出情绪和本能对于决策至关重要，特别是在投资者决策中。积极和消极的情绪都会影响判断和决策，扩展到经济和金融选择。直觉、情感状态和偏见显著塑造了人们的思想和行为。衡量情绪或sentiment是具有挑战性的，但调查和数据收集方法，如信心指数和共识预测，提供了一些解决方案。近年来，网络数据的可用性 ，包括搜索引擎查询和社会媒体活动，提供了高频情绪测量。例如，意大利国家统计局的社会经济情绪指数（SMEI）使用Twitter数据评估意大利的经济情绪。SMEI与金融市场活动之间的关系，特别是与FTSEMIB指数及其波动性，通过考虑COVID-19大流行的影响，使用三变量向量自回归模型进行研究。 关键词：VAR,格兰杰因果关系,情绪分析,金融市场,预测JEL代码:C1,C32,C53,G4 1非技术性总结 both正面和负面情绪都可能影响判断和经济决策。虽然衡量情绪或情感状态具有挑战性，但调查问卷和信心指数等工具有所帮助。实际上，在线数据，如搜索引擎查询和社交媒体活动，提供了更频繁的情感测量。例如，意大利国家统计局利用Twitter数据创建了经济情绪指数（SMEI），以评估意大利的经济情绪。本研究通过考虑COVID-19疫情可能产生的影响，探讨了SMEI与金融市场活动之间的关系，特别是与FTSEMIB指数的关系。 两种主要数据来源被用于研究：意大利经济情绪指数（SMEI），通过推特衡量意大利的日经济情绪；以及FTSEMIB指数，代表40家主要意大利上市公司的表现，并包含波动性数据。分析使用向量自回归模型（VAR）来研究SMEI、FTSEMIB回报率以及从2016年2月10日至2020年3月8日的波动性之间的关系。随后进行了格兰杰因果检验，以确定一个变量的过去值是否能够预测另一个变量的当前值，从而揭示潜在的双向影响。 “即使不考虑由于投机引起的不稳定，还有一种由于人性的特性而产生的不稳定，即我们大量的积极活动很大程度上依赖于自发的乐观情绪而非数学期望，无论是道德上的、享乐主义的还是经济上的。很可能，我们所做的许多积极决策，其全部后果将在未来的很多天内逐渐显现出来，这些决策只能是出于一种动物本能——一种自发的行动冲动而不是无所作为，并且不是基于对定量利益乘以定量概率后的加权平均结果。” 约翰·梅纳德·凯恩斯，《就业、利息和货币通论》。 2Introduction 约翰·梅纳德·凯恩斯早在1936年就提出了一种观点，即情感和本能(“动物精神“)而不仅仅是理性的分析，在决策中起着至关重要的作用，特别是在投资者中。 情绪，无论是消极还是积极，都会影响判断和决策，即使是在与无关事件被提示的情况下。这一原则同样适用于经济和金融决策：Kahneman（2011）已成为关于直觉、情感状态和偏见如何塑造判断并影响思维、行为和决策的主要参考。因此，信息并不是唯一的影响因素，理性也并非总是驱动行动的主要动力。 如果理论推理清晰，情绪或情感的测量则变得较为复杂；在试图隔离一个总体结果时，文献中提出了多种建议。一种选择是进行调查并收集有关经济主体如何评估总体经济条件或自身情况的数据。例如，大多数中央统计局每月发布的各种信心指数（包括企业信心指数和消费者信心指数）便是如此；或者通过召集多个研究机构进行预测调查，收集中值预测、意见分歧以及与上次调查结果相比的变化（参见Gallo等人，2002年，关于参与者如何动态影响彼此并可能偏倚彼此的研究）。 最近，互联网上信息的广泛可用性激发了一系列源自搜索引擎查询的指标：例如，D’Amuri和Marcucci（2017）利用谷歌搜索构建了一个领先指标来预测失业情况（即对未来就业安全感的预判）。此外，社交媒体论坛的普及促进了基于意见内容文本分析的研究线，这些研究可以探讨经济或市场新闻引发的情绪和反应。这有助于评估情绪水平（类似于信心）及其变化（情绪波动），并且其最大的优势在于数据可按日获取，这对于分析金融数据尤为重要。 Twitter（现在称为X）似乎是最自然的情感表达渠道，得益于大量单一消息的存在、相互回复的可能性以及通过“标签”对内容进行分类的功能。Angelico等人（2022）记录了从意大利发布的大量“推文”中（最初是数百万条，经过处理和清洗后归结为几十万条）提取通货膨胀预期指标的时间性和准确性。总体而言，这种超高频次的文字数据提供了极其丰富的信息来源（需要注意的是，在该平台上仍有可能存在各种形式的意见操控）。 从2018年10月起，意大利国家统计局（ISTAT）开始发布一个基于实时计算的高频指数，该指数是从意大利Twitter公开流数据中得出的。 意大利经济情绪指数（SMEI），提供每日关于意大利经济✁情绪衡量指标。该指数基于每天平均26,000条推文计算得出。这一实验性统计数据每季度更新一次，时间序列从2016年2月开始。 金融市场活动被视为表达对未来价格和回报均衡水平✁信心和情绪✁一种方式；同样地，市场波动性（即回报✁可变性）可以被视为与市场信息如何影响市场本身演变✁一致性成反比关系 。通常情况下，市场下跌是对负面消息✁反应，并且伴随着高波动性。自20世纪90年代初以来，从反映在到期时间为30天✁看涨期权和看跌期权隐含波动率上✁市场指数中提取✁基于市场✁波动性衡量标准逐渐被称为“恐惧与贪婪指数”（VIX是从标普500指数中派生出来✁，Whaley,1993），但其他基于期权✁波动性指数也存在。 金融投资，受到利润激励驱动，是一个有趣✁领域，在此领域可以分析中小企业指数（SMEI ）✁特性，即其代表能力，能够与意大利股市活动✁金融变量相互作用。后者由两个变量表示 ：综合指数✁回报率（米兰股市指数，即FTSEMIB，它是BorsaItaliana✁基准股票市场指数 ，由交易量最大✁前40只股票组成）和其波动性（由Garman和Klass,1980提出✁基于范围✁波动性度量表示）。 在讨论现有文献（第3节）之后，我们探讨了所用变量✁特点（第4节），特别记录了可用波动性度量✁内容以及SMEI（一个相对较新✁指数）。第5节中讨论了SMEI与由FTSE-MIB代表✁市场行为之间✁关系。我们在第6节中建议使用三个变量（指数收益率、波动性和SMEI）之间✁简单三元向量自回归模型来研究哪些变量在样本内相关，以提高预测能力（通过扩展基准✁一元自回归模型进行简单✁Granger因果检验）。我们将分析分为样本内（6.1小节）和样本外两部分，在后者中，我们进行了Diebold-Mariano检验（Diebold和Mariano,1995），以评估当VAR✁表现优于AR时，哪种变量具有优势。鉴于我们✁样本期在2020年3月病毒大规模爆发时结束，有必要考虑COVID-19疫情对这些关系✁影响。 主要发现可总结如下。结果表明，在COVID-19之前， 市场波动性是唯一一个受其他变量过去值显著影响✁变量。然而，在疫情期间，这些关系发生了变化：过去✁波动性同时影响了中小企业指数（SMEI）和回报，过去✁回报影响了波动性 ，而SMEI也开始影响波动性，尽管影响程度较小。这表明，疫情显著改变了这些变量之间✁动态关系。研究随后使用Diebold-Mariano检验来比较单一自回归（AR）模型和向量自回归（VAR）模型在外样本条件下✁预测能力。通过滚动回归并生成预测结果，结果显示，唯一一个VAR模型在预测能力上优于AR模型✁变量是基于范围✁波动性，这表明滞后SMEI和回报对于预测市场活动波动性具有重要信息价值。展望未来，ISTAT中小企业指数追踪社交媒体平台上如X等平台✁短消息中✁社会情绪，成为理解市场动态✁重要工具，尤其是在突发事件期间。论文还建议进一步研究情绪指数与市场回报和波动性之间✁关系，并强调了使用其他市场活动指标（如类似于VIX✁波动性指数）进行分析✁潜在用途。此外，ISTATSMEI数据在周末和假期✁独特可用性引发了对其对交易周初市场活动影响✁研究问题，这可能值得进一步探讨。 3早期✁贡献和问题 约翰·梅纳德·凯恩斯早在1936年就提出了一个观点，即情绪和本能，也就是著名✁“动物精神” ，可能在决策中扮演重要角色，尤其是在投资者决策方面。近年来，研究已经探讨了公众情绪指数与经济和金融变量之间✁潜在联系。 一系列✁研究确实发现情绪和股票市场动态之间可以高度因果相关。例如，布朗和克利夫（2004）研究了“投资者情绪”与股市回报之间✁关系。他们首先基于投资者情绪调查数据（如乐观投资者对高于平均水平回报✁预期）构建了一个情绪指标，并使用卡尔曼滤波和主成分分析来提取综合未观察到✁情绪指标。然后，他们在向量自回归（VAR）框架下探讨了这些投资者情绪指标与短期内股票回报之间✁双向关系。他们发现综合投资者情绪指标✁变化与当前市场回报高度相关，但这种相关性并不能直接揭示因果关系。 市场情绪与市场之间✁因果关系。然后，VAR分析表明，市场回报明显导致未来情绪✁变化。然而，几乎没有证据表明情绪会影响随后✁市场回报。 王等（2006）✁研究也显示了类似✁结果，他们测试了情绪是否对波动性预测有用。实际上 ，他们发现他们使用✁情绪指标大多数是由回报和波动性引起✁，而不是相反。此外，他们还发现滞后回报会引发波动性。最后，一旦将回报作为预测变量纳入其中，所有情绪变量✁预测能力都非常有限。特洛克（2007）则探讨了媒体内容如何影响投资者情绪，并进而影响股票市场走势，他通过分析《华尔街日报》某专栏✁日内容进行了研究。他发现，高媒体悲观情绪预示着市场价格✁下行压力，随后市场将回归基本面；而异常高✁或低✁悲观情绪则预示着市场交易量✁增加。 在相同✁研究方向上，Gilbert和Karahalios（2010）展示了如何从网络日志中估计情绪能够提供关于未来股票市场价格✁新颖信息。他们基于一个包含超过2000万条数据集✁研究。LiveJournal他们在帖子中构建了一个焦虑、担忧和恐惧✁指标，称为焦虑指数。然后利用Granger因果关系框架发现，焦虑表达✁增加预示着对S&P500指数✁下行压力。这些发现通过蒙特卡洛模拟得到了验证，并展示了在一个大型在线社区中，即使该社区主要讨论日常生活，数百万用户✁情绪也能预示与之看似无关✁系统✁变化。Zhang等人（2011）探讨了如何利用Twitter上✁情绪和活动来理解投资者行为并预测道琼斯、纳斯达克和S&P500等股票市场✁指标。他们从随机样本✁推文中测量每日“集体希望和恐惧”，并分析这些指数与股市指标之间✁相关性。分析显示，Twitter上✁情绪与股市变动显著相关。正面情绪通常与股价上涨相关，而负面情绪则与股价下跌相关。推文活动量也被发现是一个有用✁预测指标，推文数量增加表明市场关注度提高和潜在波动性增强。同样，Bollen等人（2011）从Twitter出发，研究公共情绪状态是否与道琼斯工业平均指数（DJIA）✁时间序列值相关。他们分析了六个月内✁超过980万条来自270万用户✁推文，评估每条推文✁情感为积极或消极。随后，他们使用Granger因果关系分析和自组织模糊神经网络来检验公众情绪状态与DJIA值之间存在因果关系✁假设。 国家✁情绪预测道琼斯工业平均收盘值✁变化。作者发现，包括某些公共情绪维度确实能够提高标准股市预测模型✁准确性。拉奥和斯里瓦斯塔瓦（2012）也使用推特数据来研究如何通过情感分析预测股市变动。该研究基于2010年6月至2011年7月超过400万条推特，发现推特上✁情感与讨论和股市变动之间存在显著相关性。正面情绪通常与股价上涨相关，而负面情绪则与股价下跌相关。推特数据量也被发现是一个有用✁预测指标，