Настроения инвесторов и динамика цен на рынке

Введение

Общее отношение инвесторов к динамике рыночных цен.

Рыночные настроения, также известные как внимание инвесторов, – это преобладающее общее отношение инвесторов к ожидаемому изменению цен на рынке. Это отношение формируется под влиянием множества фундаментальных и технических факторов, включая историю цен, экономические отчеты, сезонные факторы, а также национальные и мировые события. Если инвесторы ожидают роста цен на фондовом рынке, то говорят, что настроения бычьи. И наоборот, если рыночные настроения медвежьи, большинство инвесторов ожидают снижения цен. Участники рынка, придерживающиеся неизменных настроений, независимо от рыночных условий, называются соответственно «перманентными быками» и «перманентными медведями». Рыночные настроения обычно рассматриваются как контр-индикатор: то, чего ожидает большинство, часто является хорошей целью для противоположной ставки. Рыночные настроения используются, поскольку считается, что они хорошо предсказывают движения рынка, особенно когда они достигают экстремальных значений. Чрезвычайно медвежьи настроения обычно сменяются более сильным, чем обычно, ростом рынка, и наоборот. Бычий рынок – это устойчивый период либо фактического, либо ожидаемого роста цен, в то время как медвежий рынок описывает ситуацию, когда индекс или акция упала на 20% или более от недавнего максимума на протяжении длительного времени. Мониторинг рыночных настроений осуществляется с помощью различных технических и статистических методов, таких как соотношение растущих и падающих акций, а также сравнение новых максимумов и минимумов. Значительная часть общей динамики отдельных акций объясняется рыночными настроениями. Ситуация на фондовом рынке часто описывается фразой с Уолл-стрит «тренд – твой друг», отражающей принцип, что все акции растут или падают вместе с общим трендом. В последнее десятилетие инвесторы также измеряют рыночные настроения с помощью новостного анализа, который включает в себя анализ тональности текстовых новостей о компаниях и секторах.

Теория внимания инвесторов

Особая нить научной литературы связывает результаты исследований в области поведенческих финансов, изменения в фокусе внимания инвесторов на финансовых рынках и фундаментальные принципы ценообразования активов: Barberis et al. (1998), Барберис и Талер (2003) и Бейкер и Вурглер (2007). Авторы утверждают, что поведенческие модели розничных инвесторов оказывают существенное влияние на доходность рынка. В научной литературе на сегодняшний день известно как минимум пять основных подходов к измерению внимания инвесторов: показатели, основанные на данных финансовых рынков, индексы настроений, полученные в результате опросов, текстовые данные об оценках настроений из специализированных онлайн-источников, поведение пользователей в интернете и неэкономические факторы.

Первый подход

Согласно первому подходу, внимание инвесторов можно аппроксимировать с помощью определенных показателей, основанных на финансовом рынке. Согласно Gervais et al. (2001) и Hou et al. (2009), объем торгов является хорошим прокси для настроений инвесторов. Высокий (низкий) объем торгов по конкретной акции приводит к росту (снижению) ее цены. Экстремальная однодневная доходность также привлекает внимание инвесторов (Barber & Odean (2008)). Трейдеры, действующие на основе шума, склонны покупать (продавать) акции с высокой (низкой) доходностью. Whaley (2001) и Baker & Wurgler (2007) Индикатор настроений рынка Acertus (AMSI) включает пять переменных (в порядке убывания веса в индикаторе): отношение цены к прибыли (показатель оценки фондового рынка); динамика цен (показатель психологии рынка); реализованная волатильность (показатель недавнего исторического риска); доходность облигаций с высоким доходом (показатель кредитного риска); и TED-спред (показатель системного финансового риска). Каждый из этих факторов предоставляет оценку настроений рынка с уникальной точки зрения, а вместе они могут предложить более надежный индикатор настроений рынка. Дисконт закрытого паевого фонда (случай, когда чистая стоимость активов паевого фонда не равна его рыночной цене) также рассматривается как возможный показатель внимания инвесторов (Zweig (1973) и Lee et al. (1991)). Исследования показывают, что изменения в дисконтах закрытых паевых фондов тесно коррелируют с колебаниями настроений инвесторов. Brown et al. (2003) исследуют ежедневный приток средств в паевые фонды как возможный показатель внимания инвесторов. Согласно Da et al. (2014) и Vieira (2011). Данные о сделках розничных инвесторов также могут отражать внимание инвесторов (Kumar & Lee (2006)). Исследование показывает, что сделки розничных инвесторов "систематически коррелируют, то есть инвесторы покупают (или продают) акции согласованно". Первичное публичное размещение акций (IPO) компании генерирует большой объем информации, который потенциально может быть использован для оценки настроений инвесторов (Ljungqvist et al. (2006) и Baker & Wurgler (2007)). Авторы в Chemmanur & Yan (2009) приводят доказательства того, что "больший объем рекламы связан с более высокой доходностью акций в год проведения рекламной кампании, но с меньшей доходностью в год, следующий за рекламным годом". Отношение объема эмиссии акций к общему объему новых эмиссий, данные об инсайдерской торговле и другие финансовые показатели представлены в Baker & Wurgler (2007). Индекс потребительского доверия основан на опросе в десять раз большего числа респондентов (5000 домохозяйств). Однако опрос состоит всего из пяти основных вопросов, касающихся бизнеса, занятости и доходов. На вопросы можно ответить только тремя вариантами: "положительный", "отрицательный" или "нейтральный". Для построения индекса оптимизма инвесторов UBS/Gallup опрошено 1000 домохозяйств с общим объемом инвестиций, равным или превышающим 10 000 долларов США. Упомянутые выше индексы настроений, основанные на опросах, показали себя хорошими предикторами для показателей финансового рынка (Brown & Cliff (2005)). Однако, согласно Da et al. (2014). Подводя итог, можно сказать, что индексы настроений, основанные на опросах, могут быть полезны для прогнозирования финансовых показателей. Однако использование таких индексов имеет определенные недостатки и может быть ограничено в некоторых случаях.

According to the first approach, investor attention can be approximated with particular financial market based measures. According to Gervais et al. (2001) and Hou et al. (2009), trading volume is a good proxy for investor sentiment. High (low) trading volume on a particular stock leads to appreciating (depreciating) of its price. Extreme one day returns are also reported to draw investors’ attention (Barber & Odean (2008)). Noise traders tend to buy (sell) stocks with high (low) returns. Whaley (2001) and Baker & Wurgler (2007) The Acertus Market Sentiment Indicator (AMSI) incorporates five variables (in descending order of weight in the indicator): Price/Earnings Ratio (a measure of stock market valuations); price momentum (a measure of market psychology); Realized Volatility (a measure of recent historical risk); High Yield Bond Returns (a measure of credit risk); and the TED spread (a measure of systemic financial risk). Each of these factors provides a measure of market sentiment through a unique lens, and together they may offer a more robust indicator of market sentiment. Closed end fund discount (the case when net asset value of a mutual fund does not equal to its market price) reported to be possible measure of investor attention (Zweig (1973) and Lee et al. (1991)). The studies suggest that changes in discounts of closed end funds are highly correlated with fluctuations in investor sentiment. Brown et al. (2003) investigate daily mutual fund flow as possible measure of investor attention. According to Da et al. (2014), and Vieira (2011)). Retail investor trades data is also reported to be able to represent investor attention (Kumar & Lee (2006)). The study shows that retail investor transactions " are systematically correlated — that is, individuals buy (or sell) stocks in concert". Initial public offering (IPO) of a company generates a big amount of information that can potentially be used to proxy investor sentiment. Ljungqvist et al. (2006) and Baker & Wurgler (2007)). The authors in Chemmanur & Yan (2009) provide an evidence that " a greater amount of advertising is associated with a larger stock return in the advertising year but a smaller stock return in the year subsequent to the advertising year". Equity issues over total new issues ratio, insider trading data, and other financial indicators are reported in Baker & Wurgler (2007) The Consumer Confidence Index has ten times more respondents (5000 households). However, the survey consists of only five main questions concerning business, employment, and income conditions. The questions can be answered with only three options: "positive", "negative" or "neutral". A sample of 1000 households with total investments equal or higher than $10,000 are interviewed to construct UBS/Gallup Index of Investor Optimism. Mentioned above survey based sentiment indexes were reported to be good predictors for financial market indicators (Brown & Cliff (2005)). However, according to Da et al. (2014),). To sum up, survey based sentiment indexes can be helpful in predicting financial indicators. However, the usage of such indexes has specific drawbacks and can be limited in some cases.

Третье направление

В рамках третьего направления исследователи предлагают использовать алгоритмы анализа текста и тональности для извлечения информации о настроениях инвесторов из социальных сетей, медиа-платформ, блогов, газетных статей и других релевантных источников текстовых данных (иногда называемых новостным анализом). Ряд публикаций (Barber & Odean (2008) и Ahern & Sosyura (2015)) сообщает о значительном влиянии финансовых статей и сенсационных новостей на поведение цен акций. Неудивительно, что такие популярные источники новостей, как Wall Street Journal, New York Times или Financial Times, оказывают существенное влияние на рынок. Сила этого влияния может варьироваться между разными обозревателями даже внутри одного издания (Dougal et al. (2012) предлагает эффективный метод оценки настроения инвесторов путем подсчета количества "негативных" слов в популярной колонке Wall Street Journal "Abreast of the market"). Zhang et al. (2011) и Bollen et al. (2011) отмечают, что Twitter является чрезвычайно важным источником данных о тональности, который помогает прогнозировать цены акций и волатильность. Распространенный способ анализа влияния данных с микроблоговых платформ на поведение цен акций – это создание специальных индексов отслеживания настроений. Самый простой подход – подсчитать количество "положительных" и "отрицательных" слов в каждом релевантном твите и построить на основе этих данных комбинированный индикатор. Nasseri et al. (2014) сообщает о прогностической силе данных StockTwits (платформа, аналогичная Twitter, специализирующаяся на обмене мнениями, связанными с торговлей) в отношении поведения цен акций. Альтернативный, но более трудоемкий способ – привлечь экспертов для аннотирования большого количества твитов с ожидаемыми движениями акций, а затем построить модель машинного обучения для прогнозирования. Применение методологии исследования событий к настроениям в Twitter демонстрирует значительную корреляцию с кумулятивной аномальной доходностью (Sprenger et al. (2014), Ranco et al. (2015), Gabrovšek et al. (2017)). Karabulut (2013) сообщает, что Facebook является хорошим источником информации о настроениях инвесторов. В целом, наиболее популярные социальные сети, финансовые медиа-платформы, журналы и издания могут быть ценным источником данных о тональности, что обобщено в Peterson (2016). Однако важно отметить, что сбор таких данных относительно сложнее (в большинстве случаев исследователю требуется специальное программное обеспечение). Кроме того, анализ этих данных может потребовать глубоких знаний в области машинного обучения и интеллектуального анализа данных (Hotho et al. (2005)).

Under the third direction, researchers propose to use text mining and sentiment analysis algorithms to extract information about investors’ mood from social networks, media platforms, blogs, newspaper articles, and other relevant sources of textual data (sometimes referred as news analytics). A thread of publications (Barber & Odean (2008), and Ahern & Sosyura (2015)) report a significant influence of financial articles and sensational news on behavior of stock prices. It is also not surprising, that such popular sources of news as Wall Street Journal, New York Times or Financial Times have a profound influence on the market. The strength of the impact can vary between different columnists even inside a particular journal (Dougal et al. (2012) suggests a successful measure of investors’ mood by counting the number of "negative" words in a popular Wall Street Journal column "Abreast of the market". Zhang et al. (2011) and Bollen et al. (2011) report Twitter to be an extremely important source of sentiment data, which helps to predict stock prices and volatility. The usual way to analyze the influence of the data from micro blogging platforms on behavior of stock prices is to construct special mood tracking indexes. The easiest way would be to count the number of "positive" and "negative" words in each relevant tweet and construct a combined indicator based on this data. Nasseri et al. (2014) reports the predictive power of StockTwits (Twitter like platform specialized on exchanging trading related opinions) data with respect to behavior of stock prices. An alternative, but more demanding, way is to engage human experts to annotate a large number of tweets with the expected stock moves, and then construct a machine learning model for prediction. The application of the event study methodology to Twitter mood shows significant correlation to cumulative abnormal returns (Sprenger et al. (2014), Ranco et al. (2015), Gabrovšek et al. (2017)). Karabulut (2013) reports Facebook to be a good source of information about investors’ mood. Overall, most popular social networks, finance related media platforms, magazines, and journals can be a valuable source of sentiment data, summarized in Peterson (2016). However, important to notice that it is relatively more difficult to collect such type of data (in most cases a researcher needs a special software). In addition, analysis of such data can also require deep machine learning and data mining knowledge (Hotho et al. (2005)).

Четвертая дорога

Четвертый источник информации о внимании инвесторов – это поведение домохозяйств в интернете при поиске информации. Этот подход подтверждается результатами работы Саймона (1955), который пришел к выводу, что люди начинают процесс принятия решений со сбора релевантной информации. Общедоступные данные об объемах поисковых запросов для большинства интернет-сервисов доступны с 2004 года. С тех пор многие авторы продемонстрировали полезность этих данных для прогнозирования внимания инвесторов и доходности рынка (Da et al. (2014), и Curme et al. (2014)). Большинство исследований используют сервис Google Trends (GT) для получения данных об объемах поиска и анализа внимания инвесторов. Полезность данных интернет-поиска также была подтверждена на основе данных Yahoo! Corporation (Bordino et al. (2012)). Применение данных интернет-поиска дает перспективные результаты в решении различных финансовых задач. Авторы работы Kristoufek (2013b) рассматривают применение данных GT в задаче диверсификации портфеля. Предлагаемая в статье процедура диверсификации основана на предположении, что популярность конкретной акции в интернет-запросах коррелирует с ее рискованностью. Автор отмечает, что такая процедура диверсификации позволяет значительно повысить доходность портфеля. Da et al. (2014) исследуют прогностическую силу данных GT для двух наиболее популярных показателей волатильности: реализованной волатильности (RV) и индекса волатильности рынка CBOE (VIX). Оба исследования показывают положительную и значимую зависимость между данными интернет-поиска и показателями волатильности. Bordino et al. (2012) выявили способность данных интернет-поиска прогнозировать объемы торгов на фондовых рынках США. Согласно Bordino et al. (2012). Растущую роль данных интернет-поиска признают в прогнозировании цен на криптовалюты (например, Bitcoin) (Kristoufek (2013a)). Данные Google Trends также являются хорошим предиктором ежедневных потоков средств паевых инвестиционных фондов (Da et al. (2014)) (Moat et al. (2013) и Kristoufek (2013a) обсуждают влияние спортивных событий на торговое поведение инвесторов. Авторы приводят убедительные доказательства аномально отрицательной доходности акций после поражений в крупных футбольных соревнованиях. Эффект потерь также наблюдается после международных матчей по крикету, регби и баскетболу. Однако Abudy, Mugerman и Shust (2022) задокументировали положительную реакцию фондового рынка после победы на конкурсе песни Евровидение. Этот положительный эффект зафиксирован в стране-победительнице. Авторы объясняют это структурой соревнования: в отличие от спортивных турниров, которые подчеркивают проигрыш, структура конкурса песни Евровидение подчеркивает победителя. Kaplanski & Levy (2010) исследуют влияние негативных новостей (авиакатастроф) на цены акций. Авторы заключают, что негативные новости (например, об авиакатастрофе) могут привести к значительному снижению доходности акций (особенно для небольших и рискованных акций). Akhtari (2011) и Hirshleifer & Shumway (2003) представили доказательства того, что количество солнечного света в определенный день влияет на поведение трейдеров. Авторы заключают, что "эффект солнечного света" статистически значим и устойчив к различным спецификациям модели. Влияние температуры на доходность акций обсуждается в Cao & Wei (2005). Согласно результатам исследования, существует отрицательная зависимость между температурой и доходностью акций во всем диапазоне температур (то есть доходность выше, когда погода холодная). Сезонное аффективное расстройство (САР) также известно как предиктор настроения инвесторов (Kamstra et al. (2003)). Это ожидаемый результат, поскольку САР учитывает информацию о погодных условиях. Некоторые исследователи идут еще дальше и выявляют зависимость между фазами луны и доходностью фондового рынка (Yuan et al. (2006)). Согласно Dichev & Janes (2001): "доходность в течение 15 дней вокруг новолуния примерно вдвое превышает доходность в течение 15 дней вокруг полнолуния". Даже геомагнитная активность, как сообщается, оказывает влияние (отрицательно коррелированное) на доходность акций (C. Robotti (2003)). Подводя итог, можно сказать, что неэкономические события оказывают значительное влияние на поведение трейдеров. Инвестор может ожидать высокую доходность рынка в солнечный, но прохладный день, в течение пятнадцати дней вокруг новолуния, при отсутствии значительной геомагнитной активности, предпочтительно на следующий день после победы в важном спортивном соревновании. В большинстве случаев такие данные следует рассматривать как дополнительный инструмент при оценке внимания инвесторов, а не как полностью независимый.

The fourth road is an important source of information about investor attention is the Internet search behavior of households. This approach is supported by results from Simon (1955), who concludes that people start their decision making process by gathering relevant information. Publicly available data on search volumes for most Internet search services starts from the year 2004. Since that time many authors showed the usefulness of such data in predicting investor attention and market returns (Da et al. (2014), and Curme et al. (2014)). Most studies are using Google Trends (GT) service in order to extract search volume data and investigate investor attention. The usefulness of Internet search data was also proved based on Yahoo! Corporation data (Bordino et al. (2012)). The application of Internet search data gives promising results in solving different financial problems. The authors in Kristoufek (2013b) discuss the application of GT data in portfolio diversification problem. Proposed in the paper diversification procedure is based on the assumption that the popularity of a particular stock in Internet queries is correlated with the riskiness of this stock. The author reports that such diversification procedure helps significantly improve portfolio returns. Da et al. (2014) investigate a predictive power of GT data for two most popular volatility measures: realized volatility (RV) and CBOE daily market volatility index (VIX). Both studies report positive and significant dependence between Internet search data and volatility measures. Bordino et al. (2012) reveal the ability of Internet search data to predict trading volumes in the US stock markets. According to Bordino et al. (2012),). An increasingly important role of Internet search data is admitted in cryptocurrency (e. g. Bitcoin) prices forecasting (Kristoufek (2013a)). Google Trends data is also reported to be a good predictor for daily mutual fund flows. Da et al. (2014)) (Moat et al. (2013) and Kristoufek (2013a) discuss the influence of sport events on investors’ trading behavior. The authors report a strong evidence of abnormally negative stock returns after losses in major soccer competitions. The loss effect is also valid after international cricket, rugby, and basketball games. However, Abudy, Mugerman and Shust (2022) document a positive stock market reaction following a victory in the Eurovision song contest. This positive effect is documented in the winning country. The authors attribute this finding to the competition structure: unlike sports tournaments that highlight the loss, the structure of the Eurovision song contest highlights the winner. Kaplanski & Levy (2010) investigate the influence of bad news (aviation disasters) on stock prices. The authors conclude that a bad piece of news (e. g. about aviation disaster) can cause significant drop in stock returns (especially for small and risky stocks). The evidence that the number of sunlight minutes in a particular day influence the behavior of a trader is presented in Akhtari (2011) and Hirshleifer & Shumway (2003). The authors conclude that the "sunshine effect" is statistically significant and robust to different model specifications. The influence of temperature on stock returns is discussed in Cao & Wei (2005). According to the results in the mentioned study, there is a negative dependence between temperature and stock returns on the whole range of temperature (i. e. the returns are higher when the weather is cold). A seasonal affective disorder (SAD) is also known to be a predictor of investors’ mood (Kamstra et al. (2003)). This is an expected result because SAD incorporates the information about weather conditions. Some researchers go even further and reveal the dependence between lunar phases and stock market returns (Yuan et al. (2006)). According to Dichev & Janes (2001): " returns in the 15 days around new moon dates are about double the returns in the 15 days around full moon dates". Even geomagnetic activity is reported to have an influence (negatively correlated) on stock returns (C. Robotti (2003). To sum up, non economic events have a significant influence on trader's behavior. An investor would expect high market returns on a sunny, but cool day, fifteen days around a new moon, with no significant geomagnetic activity, preferably the day after a victory on a significant sport event. In most cases such data should be treated as supplemental in measuring investor attention, but not as totally independent one.

Валютные рынки

Существуют дополнительные индикаторы для измерения настроений, специфичных для рынков Форекс. Хотя рынок Форекс децентрализован (не торгуется на центральной бирже), различные розничные брокерские фирмы Форекс публикуют коэффициенты позиционирования (аналогичные соотношению Put/Call) и другие данные о торговом поведении своих клиентов. Поскольку большинство розничных валютных трейдеров терпят неудачу, показатели настроений на рынке Форекс обычно используются как контр-индикаторы. Некоторые исследователи сообщают, что данные интернет-поиска (например, Google Trends) полезны для прогнозирования волатильности на валютных рынках. Данные интернет-поиска и (соответствующие) данные просмотров страниц Википедии, как сообщается, полезны для прогнозирования цен на криптовалюты (например, Биткойн).