Событийный анализ. Выбор предсказательной модели - Реферат

бесплатно 0
4.5 91
Методология и результаты событийного анализа. Выбор пиков, событийного окна и периода оценки вокруг пика. Проверка статистической значимости. Методология построения предсказательной модели. Описание используемых факторов. Модели для компаний и групп.

Скачать работу Скачать уникальную работу

Чтобы скачать работу, Вы должны пройти проверку:


Аннотация к работе
Однако, в противовес модели экономического человека и ГЭР возникли поведенческие теории в экономике и финансах, в рамках которых поведение агента не всегда является рациональным. Наиболее признанными авторами в поведенческой теории экономики и финансов являются Канеман Д. и Тверски А., в работах которых были сформулированы различные типы отклонений от рационального поведения, которые могут приводить к аномалиям на рынках финансов. Благодаря технологическому прогрессу, в особенности в мобильных и интернет технологиях, социальные сети различного типа получили обширное распространение и стали важной и, главное, нормальной частью рутинной жизни людей. Именно в связи с рутинностью использования социальных сетей пользователи этих сервисов активно используют социальные сети не только для общения с другими людьми, но также для потребления и создания новой, важной информации. Благодаря тому, что все публикации свободно доступны публике (если автор не скрыл свои публикации), а также то, что твиты (публикации в сети Твиттер) хранятся долгое время на серверах и доступны для скачивания, возможно построение алгоритмов анализа настроений в режиме реального времени.Кейнс (Keynes, J. M., 1923) утверждал, что инвесторы получают прибыль на финансовых рынках не по причине того, что они обладают уникальной способностью "переигрывать" рынок, но изза того, что они готовы нести риски, связанные с конкретными инвестициями. Так, если модель ГЭР построена на модели случайного блуждания, инвестор может случайным образом "переигрывать" рынок, и в 50 % случаев прибыль может быть выше рыночной случайным образом. Иными словами, рынок достаточно быстро корректирует цену актива таким образом, чтобы свежедоступная публичная информация была заложена в цену и не могла бы использоваться в целях извлечения абнормальных доходностей. Однако, в рамках данной работы больший интерес представляют другие волны критики ГЭР, основанные на поведенческих финансах и на попытках объяснить рыночные аномалии (эффект размера, эффект низкого мультипликатора P/BV, эффект января, эффект разворота, эффект дней недели, эффект "собак Доу" и др.). Основная проблема использования аномалий в качестве потенциального доказательства неэффективности рынка заключается в том, что, во-первых, данные эффекты наблюдаются, как правило, только в краткосрочном периоде, а также в том, что сами эффекты слабы и зачастую исчезают, если переопределить понятие "нормальной доходности", относительно которой и тестировались аномалии.Данные, используемые в данной работе можно разделить на две группы: финансовые данные и данные, отражающие настроения рынка на основе социальных сетей и поисковых запросов. Финансовые данные включают в себя ежедневные котировки акций, индекса S&P 500, данные по волатильности цен акций и значений выбранного индекса, а также общие объемы торгов. Вторая группа данных включает в себя количество положительных, отрицательных и нейтральных по тональности и настроению публикаций о компании в Твиттере, общее количество публикаций о компании в Твиттере, а также объем поисковых запросов о компании в Google. Первый позволяет выгрузить твиты по ключевым словам (в случае данной работы ключевым словом является название компании, ее биржевой тикер, название ключевых продуктов компании). Однако, данные подход имеет ограничения: он позволяет выгрузить твиты только опубликованные в течении последних 7 дней, а также ограничивает количество запросов в рамках 15 минутного окна, позволяя выгружать лишь случайную подвыборку из общих доступных твитов.Сфера применений событийного анализа в финансах достаточно широка: данный метод применяется для оценки эффективности сделок слияний и поглощений, для анализа эффекта сплитов на цену акций, для оценки избыточной и недостаточной реакции на новости и т.д. В таком случае, экстремальные значения тональности твитов будут отражать какое-либо событие, касающееся компании, которое, в свою очередь, ведет к "ненормальному", "эмоциональному" поведению участников рынка и, как следствие, к появлению абнормальных доходностей или убытков.

План
Содержание

Введение

Глава 1. Обзор существующей научной литературы

Глава 2. Используемые данные

Описание данных

Тестируемые гипотезы

Глава 3. Методология и результаты событийного анализа

Выбор пиков, событийного окна и периода оценки вокруг пика

Построение модели для получения уравнения для нормальных доходностей на оценочном периоде

Экстраполяция модели с оценочного периода на событийного окно для получения нормальных доходностей; получение абнормальной доходности (AR) и кумулятивной абнормальной доходности (CAR) для компаний

Проверка статистической значимости AR и CAR

Глава 4. Методология построения предсказательной модели

Описание используемых факторов

Выбор предсказательной модели

Глава 5. Результаты прогнозирования

Индивидуальные предсказательные модели для компаний

Предсказательные модели для групп компаний

Заключение

Список литературы

Вы можете ЗАГРУЗИТЬ и ПОВЫСИТЬ уникальность
своей работы


Новые загруженные работы

Дисциплины научных работ





Хотите, перезвоним вам?