کمی سازی رفتار معاملاتی در بازارهای مالی با استفاده از ترندهای گوگل

بحران در بازارهای مالی انسان در سراسر جهان تاثیر می گذارد. داده های دقیق بازار در مورد تصمیمات تجاری منعکس کننده برخی از رفتارهای پیچیده انسانی است که منجر به این بحران ها شده است. ما پیشنهاد می کنیم که منابع عظیم داده های جدید ناشی از تعامل انسان با اینترنت ممکن است دیدگاه جدیدی را در مورد رفتار شرکت کنندگان در بازار در دوره های جنبش های بزرگ بازار فراهم کند. با تجزیه و تحلیل تغییرات در حجم پرس و جو گوگل برای عبارات جستجو مربوط به امور مالی, ما پیدا کردن الگوهای است که ممکن است به عنوان "نشانه های هشدار دهنده" حرکت بازار سهام تفسیر. نتایج ما پتانسیل ترکیب مجموعه داده های رفتاری گسترده را برای درک بهتر رفتار جمعی انسان نشان می دهد.

مقدمه

افزایش حجم' داده های بزرگ ' منعکس کننده جنبه های مختلف فعالیت های روزمره ما نشان دهنده یک فرصت جدید حیاتی برای دانشمندان برای رسیدگی به سوالات اساسی در مورد دنیای پیچیده ما ساکن 1,2,3,4,5,6,7 . بازارهای مالی یک هدف اصلی برای چنین تحقیقات کمی 8,9 است . جنبش در بازارهای اعمال اثرات بسیار زیاد در بخت و اقبال شخصی و حوادث جغرافیای سیاسی, تولید توجه علمی قابل توجهی به این موضوع 10,11,12,13,14,15,16,17,18,19 . برای مثال, طیف وسیعی از مطالعات اخیر در مدل سازی بازارهای مالی متمرکز 20,21,22,23,24,25 و در انجام تجزیه و تحلیل شبکه 26,27,28,29 .

مجموعه داده های معاملاتی مالی در هسته خود بی شمار تصمیمات اتخاذ شده توسط فعالان بازار را منعکس می کند. به گفته هربرت سایمون بازیگران تصمیم گیری خود را با تلاش برای جمع کردن اطلاعات 30 شروع می کنند . در دنیای امروز گردهمایی اطلاعات اغلب شامل جستجوی منابع اینترنتی است. اخیرا موتور جستجوی گوگل شروع به دسترسی به اطلاعات جمع شده در مورد حجم پرس و جوها برای عبارات مختلف جستجو و نحوه تغییر این حجم ها در طول زمان از طریق سرویس عمومی در دسترس گوگل ترندز کرده است . در این پژوهش به بررسی امکان جذاب تحلیل دادههای جستجوی گوگل ترندز میپردازیم تا بینش جدیدی در فرایند تجمع اطلاعات پیش از تصمیمات معاملاتی ثبت شده در دادههای بازار سهام فراهم شود.

تحقیقات اخیر نشان داده است که تعداد کلیک بر روی نتایج جستجو ناشی از یک کشور معین با میزان سرمایه گذاری در این کشور ارتباط دارد 31 . مطالعات بیشتر با بهره گیری از ابعاد زمانی داده های گوگل ترندز نشان داده است که تغییرات در حجم پرس و جو برای عبارات جستجو انتخاب اینه تغییرات در تعداد فعلی موارد انفلوانزا 32 و حجم فعلی معاملات بازار سهام 33 . این تظاهرات ارتباط بین حجم معامله بازار سهام و حجم جستجو نیز با استفاده از یاهو تکرار شده است! داده ها 34 . چوی و واریان 35 نشان داده اند که داده ها از گوگل روند را می توان به ارزش های فعلی از شاخص های مختلف اقتصادی مرتبط, از جمله فروش خودرو, ادعاهای بیکاری, برنامه ریزی مقصد سفر و اعتماد مصرف کننده. یک مطالعه اخیر نشان داده است که کاربران اینترنت از کشورهایی که سرانه تولید ناخالص داخلی بالاتری دارند بیشتر از سالهای گذشته به دنبال اطلاعات مربوط به سالهای گذشته هستند 36 .

در اینجا ما نشان می دهد که در مدت زمان ما بررسی روند گوگل داده نه تنها منعکس کننده وضعیت فعلی بازارهای سهام 33 اما همچنین ممکن است قادر به پیش بینی برخی از روند. یافته های ما مطابق با پیشنهاد جذاب است که قطره های قابل توجهی در بازار مالی قبل از دوره های نگرانی سرمایه گذاران است. در چنین دوره, سرمایه گذاران ممکن است برای کسب اطلاعات بیشتر در مورد بازار جستجو, قبل از اینکه در نهایت تصمیم به خرید و یا فروش. نتایج ما نشان می دهد که پس از این منطق در طول دوره 2004 تا 2011 گوگل ترندز حجم پرس و جو جستجو برای شرایط خاص می تواند مورد استفاده قرار گرفته است در ساخت و ساز سود استراتژی های تجاری.

نتایج

ما عملکرد مجموعه ای از عبارات جستجو 98 را تجزیه و تحلیل می کنیم. ما شامل شرایط مربوط به مفهوم بازارهای سهام, با برخی از شرایط پیشنهاد شده توسط سرویس مجموعه گوگل, یک ابزار است که شناسایی کلمات کلیدی معنایی مرتبط. بنابراین مجموعه اصطلاحات مورد استفاده خودسرانه انتخاب نشده است زیرا ما عمدا برخی از تعصبات مالی را معرفی کردیم. ما استراتژی خود را بر اساس تغییرات در حجم جستجو با اشاره به اصطلاح بدهی توضیح می دهیم که یک کلمه کلیدی با ارتباط معنایی واضح با جدیدترین بحران مالی و به طور کلی اصطلاحی است که در تحلیل های ما بهترین عملکرد را داشته است.

به کشف رابطه بین حجم از نمایش داده شد جستجو برای یک عبارت خاص و به طور کلی جهت معامله گر تصمیم گیری های ما در تجزیه و تحلیل قیمت بسته شدن p(t) از میانگین صنعتی داو جونز (DJIA) در اولین روز معاملاتی هفته t . ما با استفاده از Google Trends برای تعیین چگونه بسیاری از جستجوهای n(t – 1) انجام شده است برای یک واژه برای جستجو های خاص مانند بدهی در هفته t – 1 که در آن گوگل را تعریف می کند هفته به پایان روز یکشنبه نسبت به تعداد کل جستجوهای انجام شده در گوگل در آن زمان. در می یابیم که داده های حجم جستجو با گذشت زمان به دلیل روش استخراج گوگل کمی تغییر می کنند. برای هر عبارت جستجو, بنابراین ما بیش از سه تحقق از سری زمانی حجم جستجو خود را به طور متوسط, بر اساس سه درخواست داده های مستقل در هفته های متوالی. تنوع داده های گوگل در طول تاریخ های مختلف دسترسی برای نتایج ما بی اهمیت است و می توان نشان داد که داده ها با رویدادهای دنیای واقعی گزارش شده سازگار هستند (نگاه کنید به شکل. س1 در اطلاعات تکمیلی).

به کمی تغییرات در جمع آوری اطلاعات رفتار ما با استفاده از تغییر نسبی در حجم جستجو: Δn(t Δt) = n(t) − N(t − 1 , Δt) با N(t − 1 , Δt) = (n(t − 1 ) + n(t − 2 ) + ... + n(t − Δt))/Δt که در آن t اندازه گیری در واحد های هفته. در شکل. 1, ما به تصویر می کشد تغییرات حجم جستجو نسبی برای مدت بدهی و رابطه خود را به قیمت بسته شدن دی جیا.

داده های حجم جستجو و حرکت بازار سهام.

سری زمانی قیمت های بسته شدن پ (تی) میانگین صنعتی داو جونز (جیا) در اولین روز معاملاتی در هر هفته تی دوره از 5 ژانویه 2004 تا 22 فوریه 2011 را پوشش می دهد. کد رنگ مربوط به تغییرات نسبی حجم جستجو برای بدهی عبارت جستجو است که 3 هفته طول می کشد. داده های حجم جستجو محدود به درخواست کاربران محلی در ایالات متحده است.

در شکل. 2, عملکرد استراتژی گوگل ترندز بر اساس بدهی عبارت جستجو توسط یک خط ابی به تصویر کشیده, در حالی که خطوط چین نشان می دهد انحراف استاندارد از بازگشت تجمعی از یک استراتژی که ما شاخص بازار خرید و فروش در یک نامربوط, شیوه ای تصادفی ('استراتژی سرمایه گذاری تصادفی'). انحراف استاندارد از شبیه سازی 10000 تحقق مستقل از استراتژی سرمایه گذاری تصادفی حاصل شده است. شکل. 2 نشان می دهد که استفاده از استراتژی گوگل ترندز بر اساس مدت جستجو بدهی و ارگت = 3 هفته ارزش نمونه کارها را 326 درصد افزایش داده است. عملکرد استراتژی های گوگل ترندز بر اساس سایر عبارات جستجو که ما تجزیه و تحلیل می کنیم در شکل های اس 3-اس 100 در اطلاعات تکمیلی نشان داده شده است .

عملکرد تجمعی یک استراتژی سرمایه گذاری بر اساس داده های گوگل ترند.

سود و زیان برای یک استراتژی سرمایه گذاری بر اساس حجم جستجو مدت بدهی , بهترین عملکرد کلمه کلیدی در تجزیه و تحلیل ما, با ارمت = 3 هفته, رسم به عنوان یک تابع از زمان ( ابی لاین ). این با استراتژی "خرید و نگهداری" (خط قرمز ) و انحراف معیار 10000 شبیه سازی با استفاده از یک استراتژی سرمایه گذاری کاملا تصادفی ( خطوط شکسته) مقایسه می شود. استراتژی گوگل ترند با استفاده از حجم جستجوی بدهی مدت سود 326 درصد به همراه داشت.

ما لیست کامل 98 مورد بررسی را با عملکرد تجاری خود در هنگام استفاده از داده های جستجو برای کاربران ایالات متحده رتبه بندی می کنیم (شکل. 3الف) و هنگام استفاده از حجم جستجو در سطح جهانی تولید (شکل. 3ب). به منظور اطمینان از استحکام نتایج ما, عملکرد کلی یک استراتژی مبتنی بر یک عبارت جستجو داده شده به عنوان مقدار میانگین بیش از شش بازده کسب شده برای ارگت = 1 تعیین می شود. 6 هفته. بازده استراتژی ها به عنوان لگاریتم تغییرات نسبی نمونه کارها و طبق تعریف معمول بازده محاسبه می شود. توزیع ارزش نمونه کارها نهایی ناشی از استراتژی های سرمایه گذاری تصادفی نزدیک به ورود به سیستم عادی است. بازده تجمعی از استراتژی سرمایه گذاری تصادفی, مشتق شده از لگاریتم از این ارزش نمونه کارها, بنابراین یک توزیع نرمال را دنبال, با یک مقدار متوسط_{استراتژی تصادفی}= 0. در اینجا ما گزارش تحقیق, بازده تجمعی از یک استراتژی, در انحراف استاندارد از بازده تجمعی از این استراتژی های سرمایه گذاری تصادفی نامربوط.

اجرای استراتژی های سرمایه گذاری بر اساس داده های حجم جستجو.

(یک) بازده تجمعی از 98 استراتژی های سرمایه گذاری بر اساس حجم جستجو محدود به درخواست جستجو از کاربران واقع در ایالات متحده برای عبارات مختلف جستجو, نمایش داده شده برای کل دوره زمانی مطالعه ما از 5 ژانویه 2004 تا 22 فوریه 2011—دوره زمانی که روند گوگل فراهم می کند داده ها. ما از دو رنگ ابی برای بازده مثبت و دو رنگ قرمز برای بازده منفی برای بهبود خوانایی عبارات جستجو استفاده می کنیم. عملکرد تجمعی برای " خرید و نگه دارید استراتژی "نیز نشان داده شده است, به عنوان یک" استراتژی داو جونز " است, که با استفاده از قیمت بسته شدن هفتگی از میانگین صنعتی داو جونز (دی جیا) به جای گوگل روند داده (دیدن میله خاکستری). ارقام ارایه شده در کنار میله ها نشان دهنده بازده یک استراتژی, ر , در انحراف معیار از میانگین بازگشت استراتژی های سرمایه گذاری تصادفی غیر همبسته است,_{استراتژی تصادفی}= 0. خطوط خط دار مربوط ب ه-3, -2, -1, 0, +1, +2 و +3 انحراف استاندارد از استراتژی های تصادفی. در می یابیم که بازده از گوگل ترند استراتژی تست شده به طور قابل توجهی بالاتر به طور کلی از بازده از استراتژی های تصادفی (_{ایالات متحده}= 0.60; تی = 8.65, دی اف = 97, پ 0.001, یک نمونه تی تست). (ب) تجزیه و تحلیل موازی نشان می دهد که گسترش دامنه تجزیه و تحلیل حجم جستجو به کاربران جهانی بازده کلی حاصل از استراتژی های معاملاتی گوگل ترندز در بازار ایالات متحده را کاهش می دهد (_{ایالات متحده}= 0.60,_جهانی= 0.43; تی = 2.69, دی اف = 97, پ 0.01, دو طرفه زوج تی تست). با این حال, بازده هنوز هم به طور قابل توجهی بالاتر از میانگین بازگشت استراتژی های سرمایه گذاری تصادفی (_جهانی= 0.43; تی = 6.40, دی اف = 97, پ 0.001, یک نمونه تی تست).

در می یابیم که بازده از استراتژی های گوگل ترند ما تست شده به طور قابل توجهی بالاتر به طور کلی از بازده از استراتژی های تصادفی (_{ایالات متحده}= 0.60; تی = 8.65, دی اف = 97, پ 0.001, یک نمونه تی تست).

ما عملکرد این عبارات جستجو را با دو استراتژی معیار مقایسه می کنیم. استراتژی خرید و نگهداری با خرید شاخص در ابتدا و فروش در پایان دوره نگهداری اجرا می شود. این استراتژی بازده 16% سود, برابر با افزایش کلی در ارزش دی جیا در دوره زمانی از ژانویه 2004 تا فوریه 2011. ما بیشتر پیاده سازی 'داو جونز استراتژی' با استفاده از تغییرات در پ(تی) به جای تغییرات در حجم جستجو داده ها به عنوان اساس خرید و فروش تصمیم گیری. در می یابیم که این استراتژی همچنین تنها 33 درصد سود با ارگت = 3 هفته یا زمانی که به عنوان میانگین ارزش نسبت به شش بازده کسب شده برای ارگت = 1 تعیین می شود. 6 هفته, 0.45 انحراف استاندارد بازده تجمعی از استراتژی های سرمایه گذاری تصادفی نامربوط (انجیر. 3الاتمتحده و 3ب; همچنین نگاه کنید به شکل. اس 101 در اطلاعات تکمیلی).

نتایج ما نشان می دهد که عملکرد استراتژی گوگل ترند با عبارت جستجو انتخاب شده متفاوت است. ما بررسی می کنیم که این تفاوت ها در عملکرد را می توان تا حدی با استفاده از یک شاخص از میزان اهمیت مالی متفاوت توضیح داد—مفهومی که ما با محاسبه فرکانس هر عبارت جستجو در نسخه اینترنتی فایننشال تایمز از اوت 2004 تا جون 2011 اندازه گیری می کنیم که توسط تعداد بازدیدهای گوگل برای هر عبارت جستجو نرمال شده است (شکل را ببینید. س2 در اطلاعات تکمیلی). در می یابیم که بازده مرتبط با یک عبارت جستجو داده شده است با این شاخص از ارتباط مالی همبستگی (تاو کندال = 0.275, ز = 4.01, نفر = 98, پ 0.001) با استفاده از ضریب همبستگی تاو رتبه کندال 37 .

به طور گسترده ای شناخته شده است که سرمایه گذاران ترجیح می دهند به تجارت در بازار داخلی خود را نشان می دهد که جستجو داده ها برای کاربران ایالات متحده تنها به عنوان مورد استفاده در تجزیه و تحلیل تا کنون باید بهتر جذب اطلاعات تجمع رفتار شرکت کنندگان در بازار سهام ایالات متحده از داده ها برای کاربران گوگل در سراسر جهان. در واقع ما متوجه می شویم که استراتژی های مبتنی بر داده های حجم جستجوی جهانی کمتر از استراتژی های مبتنی بر داده های حجم جستجوی ایالات متحده در پیش بینی حرکات بازار ایالات متحده موفق هستند (_{ایالات متحده}= 0.60,_جهانی= 0.43; تی = 2.69, دی اف = 97, پ 0.01, دو طرفه زوج تی تست).

نتایج تجربی ما تا کنون سازگار با یک فرضیه دو بخشی هستند: یعنی که افزایش کلیدی در قیمت دی جیا توسط کاهش حجم جستجو برای برخی شرایط مالی مرتبط و برعکس قبل شد, که کاهش کلیدی در قیمت دی جیا با افزایش حجم جستجو برای برخی شرایط مالی مرتبط قبل شد. استراتژی معاملاتی ما می تواند به دو بخش استراتژی تقسیم شود: یکی اینکه کاهش حجم جستجو ما را به خرید (یا گرفتن موقعیت طولانی) و دیگری افزایش حجم جستجو ما را به فروش (یا گرفتن موقعیت کوتاه) ترغیب می کند.

به منظور بررسی که هر دو مولفه استراتژی نقش مهمی در نتایج ما بازی, به طوری که ما شواهد برای هر دو بخش از این فرضیه, ما پیاده سازی و تست یک استراتژی که ما را در موقعیت های طولانی پس از کاهش حجم جستجو اما هرگز موقعیت های کوتاه (شکل. 4 الف) و استراتژی دیگری که در پی افزایش حجم جستجو موقعیت های کوتاه مدت را اتخاذ می کنیم اما هرگز موقعیت های طولانی را اتخاذ نمی کنیم (شکل. 4ب). ما دریافتیم که بازده از هر دو مولفه استراتژی روند گوگل به طور کلی بالاتر از بازده از یک استراتژی سرمایه گذاری تصادفی (استراتژی های موقعیت بلند:_{اوسلونگ}= 0.41; تی = 11.42, دی اف = 97, پ 0.001, یک نمونه تی تست; استراتژی های موقعیت کوتاه:_{اوسشورت}= 0.19; تی = 5.28, دی اف = 97, پ 0.001, یک نمونه تی تست).

تجزیه و تحلیل با استفاده از استراتژی هایی که ما فقط موقعیت های طولانی یا کوتاه را با استفاده از داده های حجم جستجوی ایالات متحده انجام می دهیم.