ارزیابی ریسک سیستمی در بازارهای مالی با استفاده از شبکه های موضوعی پویا

ریسک سیستمیک در بازارهای مالی اشاره به شکست یک سیستم مالی با توجه به رویدادهای جهانی, فجایع, و یا حوادث شدید, منجر به بی ثباتی مالی بزرگ و زیان. این مطالعه یک رویکرد شبکه مبحث پویا را پیشنهاد می کند که ترکیبی از مدل سازی موضوع و تجزیه و تحلیل شبکه برای ارزیابی ریسک سیستمیک در بازارهای مالی است. ما از تخصیص دیریشله نهفته برای تحلیل معنایی مقالات خبری استفاده میکنیم و مباحث استخراج شده به عنوان ورودی برای ساخت شباهتهای موضوعی در طول زمان عمل میکنند. نتایج ما نشان می دهد که چگونه موضوعات مرتبط هستند به طوری که ما می توانیم هر گونه رفتار غیر طبیعی با نوسانات در بازارهای مالی مرتبط. نتایج ما همچنین نشان می دهد که رویکرد پیشنهادی دی تی ان می تواند نشانه ای از (الف) حرکت غیر طبیعی در میانگین صنعتی داو جونز باشد و (ب) زمانی که بازار به تدریج از چنین رویدادی بهبود می یابد. از نقطه نظر مدیریت ریسک عملی این تجزیه و تحلیل می تواند به صورت روزانه هنگامی که داده های جدید وارد می شوند انجام شود تا ما بتوانیم از معیارهای محاسبه شده برای پیش بینی ریسک سیستمیک در زمان واقعی در بازارهای مالی استفاده کنیم.

مقدمه

خطر سیستمیک است که معمولا همراه با شکست سیستم با توجه به رویدادهای جهانی, فجایع, و یا حوادث شدید. در بازارهای مالی, ریسک سیستمیک را می توان با کاهش همزمان قیمت اکثر یا همه نهادهای سیستم به دلیل سقوط در مقیاس بزرگ نشان داد, در مقابل خرابی چند نهاد 1,2,3 . به عنوان کسب و کار و موسسات مالی امروزه در یک جهان پیچیده و پویا عمل, ارتباط خود را تا حد زیادی تسهیل انتشار ریسک سیستمیک. در فروش 4,5 بازار سهام 2015-2016 و در مواجهه با کووید-19 کشورها افزایش قابل توجهی در خطر سیستمیک 6,7 نشان داده اند . راه های مختلفی برای اندازه گیری ریسک سیستمیک وجود دارد; در میان این اقدامات شاخص نوسانات کبو تبادل گزینه های شیکاگو انجمن است, همچنین به طور گسترده ای به عنوان ویکس شناخته شده 8 , طراحی شده است که به تصرف خود در سطح خطر و ترس در بازار و برای تولید پیش بینی 30 روز پیش از نوسانات بازار 9,10 . تحقیقات پیش از این نشان داده بود که عدم اطمینان و ریسک گریزی بالاتر در بازارهای مالی در طول چندین بحران مالی در گذشته مانند بحران مالی در سال 1997 و سقوط برادران لیمن در سال 2008 11 . با این حال, با وجود کاربرد گسترده ای از و پژوهش در ویکس, برخی از محققان استدلال کرده اند که شاخص ممکن است نوسانات درک نکردن 12 . با توجه به اینکه ویکس از شاخص اس اند پی 500 مشتق شده است, همچنین استدلال شده است که ویکس باعث نوسانات تحقق یافته در شاخص نمی شود: به عبارت دیگر نگاه به جلو نیست 13 . ریسک سیستمیک با استفاده از روش های مختلف مورد مطالعه قرار گرفته است, از جمله تجزیه و تحلیل شبکه 14,15,16,17,18,19 , روش های مکانی-زمانی 20 , روش های یادگیری ماشین 21 , و تغییرات در همبستگی متقابل 22 . در این مقاله یک رویکرد شبکه مبحثی پویا از طریق ترکیب دو تکنیک-مدل سازی موضوعی و تحلیل شبکه-برای ارزیابی ریسک سیستمی در بازارهای مالی و همچنین نشان دادن اینکه چه زمانی بازار پس از وقوع یک رویداد مهم به تدریج بهبود می یابد پیشنهاد می شود.

فروش بازار سهام 2015-2016 تا حدودی به نگرانی بازار در مورد کند شدن اقتصاد جهانی نسبت داده شد. این فروش همچنین تا حدودی با پایان کاهش کمی در ایالات متحده (ایالات متحده) در سال 2014 ایجاد شد بحران بدهی مستقل اروپا و کاهش قیمت کالاها, باعث تعدیل و تلاطم قابل توجهی در بازارهای سهام در 2015-2016. بیماری کروناویروس 2019 (کووید-19) توسط سازمان بهداشت جهانی (سازمان بهداشت جهانی) در 11 مارس 2020 به عنوان یک بیماری همه گیر جهانی اعلام شد. تا پایان اکتبر 2021 بیش از 240 میلیون مورد کووید-19 و 4.8 میلیون مرگ ناشی از ویروس وجود داشته است که انتظار می رود این تعداد همچنان در حال افزایش باشد 23 . جهان شده است به طور قابل توجهی تحت تاثیر این بیماری همه گیر و بازارهای مالی در میان کسانی که ثبات تضعیف شده است. تعداد قابل توجهی از مطالعات انجام شده است که همه نشان می دهد که کووید-19 نوسانات را در بازارهای مالی مختلف در سراسر جهان 24,25,26,27 ایجاد کرده است . فروش بازار سهام 2015-2016 و کووید-19 نمونه هایی از ریسک سیستمیک هستند که در امور مالی به این خطر اشاره دارد که یک رویداد شوک یا شکست باعث خرابی کل سیستم شود. ما علاقه مند به استفاده از روش دی تی ان ما برای مطالعه ریسک سیستمیک در طول فروش بازار سهام 2015-2016 و پاندمی کووید-19 هستیم.

تحقیقات انجام شده است برای استخراج بینش از اطلاعات متنی: برای مثال, برای توضیح نوسانات غیر طبیعی در بازارهای مالی از طریق اخبار 28 , به پیش بینی استرس بازار و نوسانات 29,30 , به منظور بهبود دقت و صحت پیش بینی در مدل های نوسانات سری زمانی 31 , و به ارتباط جستجوهای اینترنتی با جنبش های بعدی در قیمت سهام 32 . تجزیه و تحلیل احساسات راه دیگری برای استفاده از اطلاعات متنی است: به عنوان مثال استفاده از فیدهای توییتر برای پیش بینی میانگین صنعتی داو جونز (دی جیا) 33 و استفاده از پست ها در ویبو برای پیش بینی حرکت قیمت سهام چین 34 . این مطالعات نشان می دهد که اطلاعات متنی قدرت پیش بینی خاصی را در بازارهای مالی فراهم می کند. از سوی دیگر برخی مطالعات از تحلیل شبکه برای به تصویر کشیدن روابط بین موجودیت های مختلف استفاده کرده اند 35 . در ابتدا, تجزیه و تحلیل شبکه عمدتا در زمینه علوم اجتماعی به کار گرفته شد 36 , اما در حال حاضر به زمینه های دیگر مطالعه تمدید شده است: مثلا, در زمینه پزشکی به درک انتقال بیماری های عفونی 37 , روابط بین ژنتیک و بیماری های انسانی 38 , و فعل و انفعالات مواد مخدر هدف 39 و در زمینه مالی برای ارزیابی خطر سیستمیک و اثرات سرایت در بازارهای مالی 40 . با توجه به جهانی همه گیر تعداد فزاینده ای از مطالعات ساخته شده اند استفاده از تجزیه و تحلیل شبکه برای پیش بینی و تجسم همه گیر خطر 41,42,43,44 و نفوذ خود را در بازار مالی اتصال 45,46,47 .

اگرچه اخبار مالی در زمان واقعی به راحتی در دسترس است اما تحقیقات ترکیبی از اطلاعات متنی و تجزیه و تحلیل شبکه برای پیش بینی بازارهای مالی محدود است. برخی از رویکردهای مشابه قبلا پیشنهاد شده است. یک مطالعه, مثلا, استفاده از روش مدل سازی موضوع برای ارزیابی تغییر زمانی در موضوعات استخراج شده با استفاده از اخبار ژاپنی 48 ; در این مقاله اما مقالات گروه بندی شده توسط ماه قبل از تجزیه و تحلیل به طوری که شبکه ممکن است پاسخگو به اندازه کافی برای تشخیص هر گونه تغییرات ناگهانی و یا بالقوه سیستمیک خطر در بازار به خصوص در مورد یک رویداد بی سابقه ای مانند جهانی همه گیر. مقاله دیگری پیشنهاد ترکیب دو روش تحلیلی: در این مطالعه, اسناد معنایی مورد تجزیه و تحلیل قرار گرفت و یک شبکه شباهت متعاقبا ساخته شد 49 ; با این حال, پژوهش به طور عمده در چشم انداز تجسم متمرکز و در نتیجه با بازارهای مالی برای پیش بینی نوسانات بازار همبستگی نداشت. با توجه به شکاف موجود در ادبیات, این مقاله در نظر دارد به دو سهم. ابتدا امکان کمی سازی ویژگی های توپولوژیکی موضوعات استخراج شده را به صورت پویا بررسی می کند. ما یک روش پنجره نورد را برای دستیابی به نتایج توپولوژیک به روز شده در هنگام تهیه مقالات جدید اتخاذ کردیم; به این ترتیب ما می توانیم به طور مداوم پیگیری و درک کنیم که چگونه شبکه ها متصل هستند و بنابراین هر گونه الگوهای غیر طبیعی را بلافاصله تشخیص می دهیم. دوم, نتایج ممکن است به عنوان یک شاخص خدمت, در بالای دیگر شاخص های مالی موجود, که ویژگی های توپولوژیکی می تواند ریسک سیستماتیک و فرصت در بازارهای مالی در مواجهه با یک تغییر فوق العاده ای و یا رویداد توضیح.

ما از فروش بازار سهام 2015-2016 و کووید-19 به عنوان موارد استفاده برای نشان دادن رویکرد ما با استفاده از تمام مقالات خبری ایالات متحده از رویترز بین 1 ژانویه 2015 و 31 دسامبر 2016 و بین 1 ژانویه 2019 و 30 سپتامبر 2020 استفاده کردیم. پس از تمیز کردن داده ها, ما با باقی مانده بودند 2,123,284 مقالات اخبار و 290,771 کلمات منحصر به فرد. نتایج نشان داد که شبکه های موضوعی به طور قابل توجهی کمتر در اواسط ماه مه و نوامبر 2015 چند ماه قبل از سقوط دی جیا در اوت 2015 و ژانویه 2016 در جریان فروش بازار سهام و در اواسط و اواخر مارس 2020 و پس از زمانی که کووید - 19 به عنوان یک بیماری همه گیر جهانی اعلام شد. پس از برگزاری نمایشگاه یک الگوی غیر طبیعی در مارس و مه 2015, اتصال به شبکه نشان داد تک به تک تدریجی به سطح نرمال. در ماه مارس 2020 پس از برگزاری یک الگوی غیر طبیعی برای بیش از یک هفته اتصال به شبکه بازگشت به سطح اولیه خود را. این ممکن است نشان دهنده افزایش اعتماد سرمایه گذاران به بازار مالی باشد که با افزایش تدریجی دی جیا چند ماه یا چند روز بعد منعکس شد. نتایج همچنین نشان داد که امکان کمی و تجسم تاثیر اصطلاحات به ویژه اصطلاح نوظهور کروناویروس در اواسط ماه مارس سال 2020 در مورد استفاده ما در مورد شبکه های شباهت موضوع در دوره های زمانی مختلف.

شکل 1 طراحی این تحقیق را با شش مرحله اصلی خود نشان می دهد. مرحله 1 شامل جمع کردن مقالات خبری مورد علاقه برای تجزیه و تحلیل است. در مرحله 2, مقالات ورودی تمیز شد, لماتیزه, و حال عبارات تکرار حذف; سپس با استفاده از یک روش پنجره کشویی در مرحله پردازش شد 3. هر زیرمجموعه مقاله در مرحله 4 به صورت معنایی مدل سازی شد و نتایج با ساخت شبکه های شباهت موضوعی در مرحله 5 مورد تجزیه و تحلیل بیشتر قرار گرفت. در مرحله 6 نتایج نهایی را تجسم و با شاخصهای مالی مقایسه کردیم.

نتایج

پس از فرایند تمیز کردن متن استاندارد, لماتیشن, و حذف عبارات تکرار, مقالات خبری توسط یک پنجره کشویی از قطعه قطعه شد 7 روز با یک گام از 1 روز برای بازیابی اخبار پویا برای دریافت \(م_ت\) اسناد در زمان تی . هر بخش از اسناد به صورت معنایی با استفاده از مدل تخصیص دیریشله نهفته مورد تجزیه و تحلیل قرار گرفت و تعداد موضوعات روی \(ک=80\) 50 تنظیم شد . این مباحث که هر کدام با کلماتی در پیکره و ماتریسهای احتمال موضوع-کلمه مربوطه نشان داده میشوند به عنوان ورودی برای تشکیل دی ان ای عمل میکنند. ما از شباهت بین \(\بتا _\) و \(\بتا _\) برای بررسی ویژگی های توپولوژیکی اخبار مالی در طول زمان استفاده کردیم . ویژگی های توپولوژیک با استفاده از داده های شبکه ای خلاصه شده است که می تواند بینش در مورد تکامل بازار مالی و تنوع بازار و ریسک سیستماتیک در بازارهای مالی را فراهم کند. شرح مفصلی از ساخت و ساز دی ان ای را می توان در بخش "روش ها" یافت. نتایج در بخش های زیر نمایش داده شده و تجسم می یابند.

تجسم شبکه های موضوعی پویا

برای بررسی ساختار شبکه موضوعات نهفته از اخبار مالی نمودارهای شبکه ای را نشان می دهیم که گره های شبکه موضوعات نهفته را نشان می دهند و لبه ها با شباهت 80 موضوع تشکیل می شوند. به عنوان یک تصویر, شکل. در شکل 2 سه ساختار شبکه را در تاریخ های مختلف نشان می دهد. 2 الف-ج به ترتیب پانزدهمین روز ژانویه و مارس و مه 2020 است. اولین قرار قبل از سازمان جهانی بهداشت کووید-19 را در 11 مارس 2020 همه گیر اعلام کرد و دو تاریخ گذشته پس از اعلام است. در شکل ها هر گره نشان دهنده یک موضوع است که اهمیت خود را با اندازه گره منعکس می کند متناسب با تعداد کلمات تولید شده توسط موضوع در کل پیکره یا متناسب با احتمالات موضوع در \(تتا _ ت\). اگر موضوع حاوی کلمه کروناویروس باشد درصد فرکانس درون مبحث از \(\بتا_\) گرفته می شود و با شیب قرمز بر اساس درصد نشان داده می شود.

نمودارهای شبکه در سه تاریخ مختلف. اندازه گره نشان دهنده اهمیت موضوع, است که متناسب با تعداد نشانه تولید شده توسط موضوع در سراسر لاشه کل. مثلا, اندازه 0.2 نشان دهنده این است که حدود 20% از نشانه های انتخاب موضوع من تحت پوشش قرار گرفت . اگر موضوع مربوط به کروناویروس باشد گره با یک شیب قرمز نشان داده می شود که رنگش با توجه به احتمال کلمه موضوع برای ویروس کرونا در \(بتا_\) در محدوده 0 تا 0.1 ترسیم می شود .

در شکل. 2الف, نشان می دهد که شبکه موضوع در 15 ژانویه 2020, مشاهده شده است که موضوعات به طور کلی بسیار متصل شد, بدون هیچ گونه انحراف اصلی گره از خوشه اصلی. در این زمان همه گیری یک موضوع تاثیرگذار نبود بنابراین ما تاثیری از کووید-19 در هیچ موضوعی نمی بینیم و همه گره ها از یک رنگ هستند. از طرف دیگر شکل 2 ب برای شبکه مبحث در 15 مارس 2020 نشان می دهد که ساختار شبکه نسبتا کمتر به هم متصل بوده و برخی از موضوعات مهم (با اندازه گره های بزرگ) به طور محسوسی از خوشه اصلی دورتر بوده اند. این جای تعجب نیست زیرا گره هایی با رنگ های مختلف نشان می دهند که این موضوعات مربوط به ویروس کرونا هستند. با ظهور این جدید همه گیر مربوط به کلمه و رشد ناگهانی نفوذ خود را در اخبار مقالات ساختار شبکه بود و تغییر از شبکه های متراکم در ژانویه سال 2020 به شبکه های با چند خوشه های کوچک در ماه مارس سال 2020 باعث کاهش ناگهانی در اتصال به شبکه به عنوان دیده می شود در شکل. 2ب. حرکت رو به جلو به 15 بیشتر 2020, ما در شکل مشاهده. 2ج که اصطلاح کروناویروس هنوز در موضوعات مختلف وجود داشت اما دیگر تاثیر قابل توجهی در مقالات خبری نشان نداد مانند مارس 2020 اما در عوض با اصطلاحات دیگر ادغام شد. همچنین می توانیم ببینیم که گره های مرتبط با ویروس کرونا در مقایسه با گره های 15 مارس 2020 رنگ های روشن تری دارند که نشان دهنده تاثیر بسیار کمتری در این اصطلاح در موضوعات است. ساختار شبکه به طور کلی شبیه به ژانویه 2020 به نظر می رسد (شکل. 2 الف).

اتصال به شبکه

برای درک اینکه چگونه متصل موضوعات نهفته شد, انجیر. 3 و 4 نشان می دهد دو شبکه ارقام, میانگین درجه ( \(د_ت\) ) و میانگین ضریب خوشه بندی ( \(سی_ت\) ), همانطور که در بخش "روش ها", بین 1 ژانویه 2015 و 31 دسامبر 2016, و 1 ژانویه 2019 و 30 سپتامبر 2020. درجه متوسط, \(د_ت\), در شبکه های اندازه گیری چگونه بسیاری از لبه ها (بیرون از 79, به استثنای خود) به طور متوسط لینک به یک گره. بالاتر از درجه متوسط, متراکم تر شبکه در زمان تی خواهد بود. به طور مشابه, ضریب خوشه بندی متوسط, \(سی_ت\) , اندازه گیری می کند که خوشه های تشکیل شده توسط محله های یک گره از شبکه به طور متوسط در زمان هستند تی . در زمینه ما هر دو سطح همبستگی شبکه مبحث را در زمان تی اندازه گیری می کنند .

ارقام شبکه, 1 ژانویه 2015 به 31 دسامبر 2016.

ارقام شبکه, 1 ژانویه 2019 به 30 سپتامبر 2020.

در شکل. 3, اتصال به پایین ترین اطراف اواخر ماه مارس رسیده 2015, با کمترین امتیاز 20 مارس ( \(د_ت\) = 43.8, \(ج_ت\) = 0.783) و 28 مارس ( \(د_ت\) = 32.125, میانگین \(سی_ت\) = 0.723). پس از حدود یک ماه از سرگیری به سطح عادی, اتصال شروع به درجه سراشیبی دوباره در اواخر مارس/اوایل ماه مه 2015 و یکی دیگر از حداقل محلی در رسید 12 مه ( \(د_ت\) = 40.25, \(سی_ت\) = 0.781). حرکت رو به جلو, اتصال دوباره یکی دیگر از حداقل محلی در اواسط ماه نوامبر رسیده, و افت به طور خاص برای واضح بود \(سی_ت\) ( \(د_ت\) = 49.175, \(سی_ت\) = 0.807). همچنین برخی از نقاط نسبتا کم در اواخر مارس/اوایل ماه مه وجود دارد, اوایل ماه اوت و اوایل ماه نوامبر در 2016. r

همانطور که در شکل مشاهده شده است. 4, موضوعات بسیار متصل شد (با \(د_ت\) از حدود 70) در همه زمان ها تی به جز مارس 2020. این دو شبکه در تاریخ 10 مارس 2020 شروع به نشان دادن روند نزولی کردند و این روند ادامه یافت تا اینکه در تاریخ 18 مارس 2020 برای میانگین ضریب خوشه بندی (\(سی تی\) = 0.657) و در 19 مارس 2020 برای میانگین درجه (\(د_ت\) = 24.475) به پایین ترین نقطه رسید. یک پدیده جالب این است که پس از افت شدید در اواسط مارس 2020 به سرعت به "سطح عادی" بازگشت. این تغییر ساختاری در ارتباط شبکه موضوع در ماه مارس 2020 نشان می دهد که ویژگی های معنایی خلاصه شده توسط اخبار مالی ساخته شده توسط اخبار مالی ممکن است به ما بینش در مورد چگونگی واکنش بازارهای مالی به حوادث غیر منتظره یا حتی فاجعه ها را نشان دهد. از این رو بررسی رابطه بین این دی.ان. ای و حرکت بازار مالی ممکن است پیامدهای ریسک سیستمی از اخبار مالی را فراهم کند.

با توجه به نتایج حاصل از شبکه ارقام ما سعی می کنیم به درک چه موضوعات در چند نقطه در قبل از همه گیر دوره زمانی که شبکه ارقام شروع به رها کردن به یک مقدار کم و دوره زمانی که شبکه ارقام بازگشت به یک سطح عادی است. روز پانزدهم ژانویه, مارس, مه, و جولای 2020 مورد مطالعه قرار گرفتند, و 30 کلمه برجسته برتر در جدول 1 نشان داده شده است. اکثر کلمات مربوط به امور مالی, و برخی از این کلمات, مانند سهم , هدف , و امتیاز , در لیست از کلمات برجسته ترین در هر چهار تاریخ به صورت تصادفی انتخاب شده. یک یافته جالب این بود که کلمه ویروس کرونا که برجسته ترین کلمه در تاریخ های دیگر نبود در 15 مارس 2020 در رتبه بندی قرار گرفت و چند روز پس از سازمان بهداشت جهانی کووید-19 را همه گیر جهانی اعلام کرد.

همانطور که گفته شد کلمه ویروس کرونا یکی از مهمترین کلمات در 15 مارس 2020 بود و بنابراین ما چهار موضوع مهم مرتبط با کووید-19 را در این تاریخ در شکل نشان می دهیم. 5 برای درک توزیع کلمه اساسی برای موضوع من, به عنوان مثال \(\بتا _\) . چهار موضوع موضوعات 1, 3, 4, و 6, جایی که سه موضوع اول حاوی کلمه کروناویروس به عنوان یک کلمه اصلی و موضوع 6 شامل سفر و پرواز به عنوان کلمات اصلی است. موضوعات توسط حباب نشان, اندازه که متناسب با اهمیت خود هستند و که با هم بر اساس شباهت های خود خوشه. چهار موضوع, 1, 3, 4, و 6 توسط حباب های قرمز در چهار نمودار برجسته. می بینیم که ویروس کرونا برای دوره خبری منتخب (9 تا 15 مارس 2020) اهمیت قابل توجهی داشت. همچنین جای تعجب نیست که حباب های مربوط به چهار موضوع مهم به یکدیگر نزدیک هستند و نشان دهنده شباهت نسبتا بالاتری در سراسر موضوع است. موضوع 1 به طور کلی مربوط به بازار مالی و نحوه واکنش به همه گیری جهانی است. موضوع 3 بر دیدگاه اجتماعی و جدیدترین پیشرفت ویروس متمرکز است. موضوع 4 از سوی دیگر لینک های این بیماری همه گیر به سیاست در ایالات متحده و موضوع 6 نشان می دهد که چگونه کروناویروس تحت تاثیر قرار بود در جهان و صنعت سفر. ویژگی های موضوعی فوق توضیح می دهد که چرا ارتباط شبکه موضوعی می تواند به ویژه زمانی کم باشد که کووید-19 به عنوان یک رویداد جهانی در حال ظهور تمایل به تاثیر زیادی بر اخبار مالی داشته باشد.

4 موضوع مهم مرتبط با ویروس کرونا در 15 مارس 2020.

روابط با شاخص های مالی

ما تصمیم به ارتباط پویا ما موضوع شبکه ارقام به دو شاخص: (1) دی جیا: متشکل از 30 بزرگترین سهام ذکر شده در بورس سهام ایالات متحده, دی جیا یک نماینده خوب از عملکرد بازار سهام ایالات متحده است; (2) ویکس: این شاخص مشتق شده از اس است&پ 500; به طور گسترده ای توسط سرمایه گذاران و موسسات مالی برای اندازه گیری ریسک بازار و ثبات استفاده می شود و یک پروکسی خوب برای ریسک سیستمیک است در بازارهای مالی.

مقایسه ارقام شبکه با ویکس و جیا نتایج جالبی به ما داد. شکل های 6 و 7 داده های شبکه و دی جیا را در یک نمودار نشان می دهد. مشاهده می شود که ارقام شبکه مبحث, \(د_تی\) و \\ (سی_تی\), دو قطره اصلی را در حوالی فروردین/مه و نوامبر 2015, چند ماه قبل از افت دی جیا در سپتامبر 2015 و ژانویه 2016 نشان داد, و یک روند نزولی کلی که با دی جیا در مارس 2020 همسو است. در طول پاندمی کووید-19 این دو شبکه به طور ناگهانی برای چند روز افت کردند و سپس به سرعت به سطح اولیه خود بازگشتند و دوباره ثابت شدند در حالی که دی جیا در 23 مارس 2020 به پایین ترین نقطه 18,591.93 رسید تا اینکه به تدریج به سطح اولیه خود رسید.

مقایسه ارقام شبکه با دی جیا, 1 ژانویه 2015 به 31 دسامبر 2016.

مقایسه ارقام شبکه با جیا, 1 ژانویه 2019 به 30 سپتامبر 2020.

با توجه به الگوهای انجیر. 6 و 7, یکی ممکن است کنجکاو برای دیدن اگر هر گونه ارتباط و یا سرب تاخیر رابطه بین سری زمانی از ارقام شبکه و دی جیا وجود دارد. چون ما هم علاقه مند بودیم که یک سریال از سری دیگر جلوتر باشد به راهی برای تعیین کمیت همزمانی بین این دو سری نیاز داشتیم. ما الگوریتم 51 تاب برداشتن زمان پویا را برای شناسایی تعامل رهبر و پیرو اتخاذ کردیم. به طور خاص از الگوریتم دی تی وی برای ارزیابی شباهت بین داده های شبکه و دی جیا استفاده کردیم. این با اولین مرحله از سری پرس و جو شروع می شود و فاصله خود را با تمام نقاط داده در سری مرجع محاسبه می کند. سپس به مرحله بار دوم سری پرس و جو می رود و همان محاسبه را تا مرحله دفعه قبل تکرار می کند. بهترین تراز بین دو سری با گرفتن حداقل مسیر تاب با استفاده از محاسبات یافت می شود. شکل 8 و 9 نشان می دهد که نقطه به نقطه مقایسه بین درجه متوسط, \(د_ت\) , و دی جیا برای سال 2015-2016 و 2020. خطوط خاکستری اتصال دو سری بر اساس کوتاه ترین فاصله اقلیدسی با اجرای یک الگوی گام نامتقارن 51 . از لحاظ رویدادهای مهم, شکل. 8ب, ج نشان می دهد که رکود درجه متوسط در ماه مه و نوامبر 2015 به نقاط پایین دی جیا در اوایل ماه سپتامبر مطابقت 2015 و ژانویه 2016. برخی از نوسانات متوسط نیز در رخ داده است 2016, اما رابطه شباهت بود بسیار واضح نیست. در شکل. 9ب, زمانی که میانگین درجه در 18 مارس 2020 به پایین ترین نقطه کاهش یافت و شروع به گرفتن به سطح اصلی کرد, این نشان می دهد که دی جیا نیز به تدریج در ماه های پیش رو شروع به افزایش می کند. به نظر می رسد جهت خطوط خاکستری قبل از 18 مارس 2020 به ما می گوید که میانگین درجه سریعتر از جیا واکنش نشان داد. پس از 18 مارس 2020, خطوط خاکستری نشان دادن همان جهت به عنوان درست قبل از 18 مارس 2020 حتی تندتر و شواهد قوی تر نشان می دهد که درجه به طور متوسط "منجر" دی جیا برای بازگشت به سطح نرمال. ماهیت پاسخگو شبکه ارقام به طور بالقوه فراهم می کند بینش برای دانشگاهیان و سرمایه گذاران و موسسات مالی در زمانی که بازار شروع به بهبود می یابند پس از یک رویداد بی سابقه ای مانند کووید-19 پاندمی مورد بررسی در این مطالعه است.

تاب زمان پویا: نقطه به نقطه مقایسه بین درجه متوسط و دی جیا برای سال 2015 و 2016, هر دو سری نرمال.

تاب برداشتن زمان پویا: مقایسه نقطه به نقطه بین میانگین درجه و جیا برای سال 2020 که هر دو سری نرمال شده اند.

شکل 10 نشان می دهد یکی دیگر از مقایسه بین درجه متوسط از شبکه های موضوع, ویکس, و دی جیا در 2020. این سه سریال در دوره همه گیری در فوریه و مارس 2020 حرکتی غیرمعمول را تجربه کردند. ویکس از اواخر فوریه 2020 روند فزاینده ای را نشان داد در حالی که دی جیا در یک زمان مشابه افت قابل توجهی را به نمایش گذاشت تا اینکه در 23 مارس 2020 به پایین ترین نقطه 18591.93 رسید. ارقام شبکه دو موضوع, \(د_تی\) و \\ (سی_تی\), شروع به نشان دادن یک کاهش شدید در اوایل ماه مارس, رها کردن به پایین ترین مقدار خود را در 18 مارس 2020 قبل از پاسخ به ارزش اصلی خود بازگشت چند روز بعد.

مقایسه ارقام شبکه, ویکس و دی جیا, بین 1 ژانویه و 30 سپتامبر 2020.

بحث و گفتگو

رکود شدید بازارهای مالی یا ریسک سیستمیک را می توان به رویدادهای مختلف یا حوادث مالی نسبت داد. یک حادثه احتمالی مربوط به بازارهای اعتباری و افزایش قابل توجه احتمالات پیش فرض در یک دوره کوتاه مثلا در سونامی مالی در سال 2008 است. شواهد علمی مشترک از داشتن خطر سیستمیک بالاتر از افزایش قابل توجهی در اتصال شبکه مالی وجود دارد 45,52,53,54 . ایده استفاده از موضوع اتصال شبکه موضوعات نهفته برای جذب ریسک سیستمیک احتمالی در شکل توضیح داده شده است. 2. هنگامی که یک رویداد است که از ارتباط مالی بزرگ در حال تحول است, می تواند یک انتقال در ساختار شبکه موضوع از شکل وجود دارد. 2الف, ب, جایی که ما ظهور کلمات مربوط به رویداد را ببینید (در این مورد کلمات مربوط به بیماری همه گیر), باعث تدوین سریع خوشه های کوچک از موضوعات جدید و یک افت ناگهانی در اتصال به شبکه موضوع. خوشه های کوچک موضوعات جدید ممکن است واکنش های غیر منتظره ای را در بازارهای مالی به رویدادهای بزرگ نشان دهند که می تواند اثرات بزرگی بر بازارهای مالی داشته باشد. برای توضیح بیشتر استفاده از شبکه های موضوعی پویا به عنوان ابزاری احتمالی برای تهیه سیگنال های هشدار دهنده برای رکود شدید مالی موارد استفاده از فروش بازار سهام 2015-2016 و همه گیری کووید-19 را درج کرده ایم. ما در ماه مارس و مه 2015 افت قابل توجهی در ارتباط با شبکه موضوع پیدا کردیم قبل از اینکه شاهد تعدیل قابل توجهی در دی جیا در اوت 2015 باشیم. ما همچنین شاهد افت ناگهانی ارتباط شبکه موضوع در مارس 2020 در طی همه گیری کووید-19 هستیم.

برای درک مباحث اساسی در مقالات خبری و اینکه بتوانند ارزیابی اولیه ریسک سیستمیک در بازارهای مالی را فراهم کنند از ال دی ای برای مدلسازی مبحث 55 استفاده کردیم و از مباحث نهفته برای ساخت دی ان ای بر اساس شباهت های موضوعی 36 استفاده شد . خروجی نهایی (به عنوان مثال معیارهای اتصال شبکه) مربوط به شاخص های بازار معیار برای بررسی قدرت پیش بینی رویکرد ما بود. با استفاده از 2015-2016 فروش بازار سهام به عنوان یک مورد, شکل. 3 نشان می دهد یک افت ناگهانی در اتصال به شبکه موضوع در ماه مارس و مه 2015. این کاهش قابل توجه در ارتباط شبکه موضوع می تواند نشانه ای از انتشار ترس در بازارهای مالی باشد که در تکامل موضوعات با نفوذ جدید در پیکره منعکس می شود. همانطور که در شکل دیده می شود. 6, پس از قطره قابل توجهی در اتصال به شبکه موضوع در حدود سه ماه, ما یک رکود شیب دار در دی جیا در ماه اوت را ببینید 2015. با استفاده از کووید-19 به عنوان موردی که تاثیرات جهانی دارد به این نتیجه میرسیم که دی.ان. ای و امار شبکهشان میتوانند تدابیری کمکی برای تشخیص ریسک سیستمیک باشند و بعلاوه میتوانند فرصتی برای تعیین اینکه چه زمانی یک بازار ممکن است پس از یک تغییر عظیم در بازارهای مالی به دلیل حوادث یا فجایع خارقالعاده رو به افزایش بگذارد فراهم کنند. همانطور که در شکل دیده می شود. 4 شبکه های موضوع شروع به اتصال کمتر در 10 مارس 2020 کردند. همانطور که ما از طول پنجره کشویی 7 روز استفاده کردیم این بدان معنی است که تجزیه و تحلیل در این تاریخ شامل مقالات خبری از 4 تا 10 مارس 2020 بود. این ممکن است نشان دهنده این باشد که سرمایه گذاران قبلا بی ثباتی در بازار مالی را حتی قبل از اینکه کووید-19 را در 11 مارس 2020 یک بیماری همه گیر جهانی اعلام کنند پیش بینی کرده بودند و این از دست دادن اعتماد در مقالات خبری قبل از رکود در دی جیا ثبت شد. کمی بیش از یک هفته پس از جهانی همه گیر اعلامیه موضوع شبکه ارقام شروع به انتخاب کنید تا دوباره و به سرعت در حال بازگشت به سطح اصلی خود را. دی جیا الگوی مشابهی را چند روز پس از بازیابی ارقام شبکه موضوعی به نمایش گذاشت, تنها تفاوت این است که روند رو به افزایش بسیار کندتر بود.

همانطور که در "مقدمه" اظهار داشت, ویکس یکی از شاخص های به طور گسترده ای به رسمیت شناخته شده برای اندازه گیری نوسانات بازار و یک شاخص خطر اصلی برای بسیاری از موسسات مالی و سرمایه گذاران برای اشاره به است, هر چند برخی استدلال کرده اند که ممکن است قدرت پیش بینی محدود 12,13 . در این پژوهش ویکس را برای مقایسه با نتایج تحلیل شبکه در نظر گرفتیم. همانطور که در شکل دیده می شود. 10, ویکس شروع به رها کردن در یک زمان مشابه به زمانی که ارقام شبکه افزایش یافت. با این حال این نرخ نسبتا کند بود زیرا ارتباط زیادی با محصولات مشتق شده در شاخص 8 اس اند پی 500 داشت و تا ماه مه 2020 بود که ویکس شروع به رسیدن به فلات کرد. ارقام شبکه موضوع اقدامات بسیار پاسخگو در مقایسه با ویکس هستند, احتمالا به دلیل مقالات خبری اطلاعات در زمان واقعی که شامل انواع بینش و رویدادهای از سراسر جهان. به ویژه اخبار مالی منبع مفیدی است که اعتماد سرمایه گذاران به بازار را جذب و کپسوله می کند. افزایش در موضوع شبکه ارقام یک هفته پس از جهانی همه گیر اعلامیه ممکن است نشان می دهد که سرمایه گذاران دچار عدم اطمینان کمتر و تبدیل شدن به کمتر اضطراب در مورد جنبش های بعدی در بازار مالی است که در نتیجه می تواند توضیح دهد که تدریجی افزایش در دی جی که پس از چند روز بعد.

مقایسه نقطه به نقطه در انجیر. 8 و 9 همچنین نشان می دهد که میانگین درجه از جیا جلوتر بوده است(یعنی احتمالا سیگنال سری زمانی پیشرو را برای حرکت بعدی جیا نشان می دهد). در طول پاندمی کووید-19 زمانی که میانگین مدرک در اواسط مارس 2020 شروع به بهبود کرد نشان داد که دی جیا نیز در ماه پیش رو به تدریج افزایش خواهد یافت. این بیشتر امکان استفاده از مقالات خبری را نشان می دهد تا مشخص شود چه زمانی بهبود بازارهای سهام جهانی ممکن است پس از یک دوره سقوط اتفاق بیفتد و بنابراین فرصت های موجود در بازار مالی را شناسایی کند. اطلاعات پویا در مقالات خبری می تواند مکمل شاخص های دیگر مانند ویکس در هدایت سرمایه گذاران و موسسات مالی برای داشتن قدرت پیش بینی بهتر در بازارهای مالی به ویژه در مدیریت ریسک سیستمیک باشد. توجه به این نکته مهم است که الگوریتم دی تی وی با ساختن مسیرهای تاب برداشتن بهینه سعی در مطابقت با الگوها دارد و لزوما دلالت بر علیت ندارد. با این وجود نگاهی اجمالی به شباهت بین دو سری و چگونگی تطبیق شاخص های زمان در یک سری با شاخص های سری دیگر در اختیار ما قرار می دهد.

این مقاله امکان ترکیب مدل سازی موضوع و تجزیه و تحلیل شبکه ای اطلاعات متنی را برای پیش بینی در بازار مالی نشان می دهد. تعداد محدودی از مطالعات تلاش کرده اند به ترکیب این دو روش برای درک مقالات خبری اما از دیدگاه های دیگر 48,49 . این مقاله به بررسی روش شناسی از منظر ساخت دی ان ای می پردازد و از امار شبکه مبحثی برای جذب ارتباط شبکه پنهان در متن و اخبار مالی استفاده می کند. ما همچنین نتایج شبکه موضوع ما مربوط به دی جیا و ویکس. نتایج نشان می دهد پتانسیل استفاده از این رویکرد جدید برای پیش بینی تاثیر همه گیری بر ریسک مالی. همه گیری کووید-19 کلمات برجسته مرتبط با همه گیری را در مقالات خبری در 15 مارس 2020 ایجاد کرد و از شکل مشهود است. 2 اینکه حضورشان باعث شده است که شباهت موضوعی در شبکهها کمتر منسجم باشد. کلمه کروناویروس پس از دو ماه هنوز در پیکره بود. علاوه بر این, رویکرد شبکه موضوع پیشنهادی ما به ما اجازه به راحتی تاثیر موضوعات نهفته به صورت پویا کمی, همانطور که در شکل. 4. از طریق ترکیب مدل سازی موضوع و تجزیه و تحلیل شبکه, ما درک بهتری از کلمات و موضوعات تاثیرگذار در دوره های زمانی انتخاب شده کسب کرده ایم.

این مقاله همه گیری کووید-19 را به عنوان یک مورد استفاده در نظر می گیرد. مقاله 45 ارتباط فوق العاده بالای شبکه مالی را به دلیل اثرات بیماری همه گیر کووید-19 ثبت کرد. علاوه بر این مقالات 46,47 شواهدی را نشان می دهد که اتصال شبکه همه گیر می تواند منجر به اتصال شبکه مالی شود. تحقیقات فوق سرایت احتمالی یا انتقال خطر همه گیری به ریسک مالی را مستند کرده است. کانال های احتمالی انتقال نیز می توانند در 24 یافت شوند . مفهوم روش ما محدود به همه گیری کووید-19 نیست. برای نشان دادن بینش بیشتر از شبکه های موضوع پویا در تکامل ریسک مالی, ما در نظر گرفته یکی دیگر از مورد استفاده, 2015-2016 فروش بازار سهام برای نشان دادن چگونه امار شبکه موضوع ممکن است سیگنال های هشدار دهنده اولیه از سقوط دیجیا چند ماه قبل تولید. تا جایی که می دانیم هیچ نتیجه ای در مطالعه روابط بین شبکه های موضوعی پویا ناشی از اخبار مالی و ریسک مالی یا سیستمی وجود ندارد. مقاله ما با هدف پر کردن شکاف تحقیق برای نشان دادن استفاده از شبکه های موضوعی پویا به عنوان یک ابزار مکمل برای فراهم کردن سیگنال های هشدار دهنده اولیه از رکود بازار مالی فوق العاده یا خطر سیستمیک است.

موضوعات نهفته از اخبار مالی منعکس کننده موضوعات یا رویدادهای معاصر مربوط به بازارهای مالی است. یافته های ما شواهدی را نشان می دهد که موضوعات جدید پنهان ممکن است به طور ناگهانی ظاهر شوند و برای سرمایه گذاران مالی تاثیر بگذارند. ظهور موضوعات جدید می تواند خوشه های کوچکی از موضوعات جدید را همانطور که در شکل مشاهده می شود القا کند. 2. این مقاله نشان می دهد که با استخراج وابستگی در مباحث نهفته به شکل گیری شبکه های موضوعی پویا می توان به رکود فوق العاده بازار مالی یا ریسک سیستمیک اشاره کرد. ما شواهدی از تعدیل بازار مالی در سال 2015 و همه گیری کووید-19 ارایه کرده ایم. برای استفاده از روش شبکه موضوع پویا به دیگر بازارهای مالی, ما توصیه می شود به استفاده از شرکتهای مربوط به بازارهای مالی مورد علاقه. برای مثال اگر بخواهیم ریسک سیستمیک در بازار مالی هنگ کنگ را کشف و ردیابی کنیم میتوانیم شبکههای موضوعی پویا را با استفاده از پیکره خبری هنگ کنگ یا اسیا بسازیم. از نقطه نظر مدیریت ریسک, ماهیت پویا چارچوب تحقیق بدان معنی است که تجزیه و تحلیل می تواند به طور مداوم به روز شده برای تولید پیش بینی به صورت روزانه, به شرطی که جدیدترین مقالات اخبار مالی در دسترس هستند. همانطور که ما کمی تاثیر کووید-19 همه گیر در این مطالعه ما همچنین می تواند ضبط و کمی احساسات موسسات مالی و سرمایه گذاران از طریق اخبار مشاهده اگر هر گونه ناهنجاری وجود دارد در حوادث جهان است که می تواند تغییر اعتماد به نفس سرمایه گذاران و تشریح نوسانات از طریق مشاهده موضوع اتصال شبکه در طول زمان. همچنین میتوانیم این تغییرات در اتصال شبکه را به کلمات خاصی نسبت دهیم تا دیدگاهی جامع و علمی از پویایی معنایی اخبار فراهم کنیم. تحقیقات بیشتری برای تحکیم یافته ها و گسترش کاربرد چارچوب تحقیق پیشنهادی انجام خواهد شد.

روش ها

این بخش روش تحقیق را شرح می دهد. هر مرحله مربوط به طرح تحقیق در شکل است. 1. تجزیه و تحلیل داده های ما کاملا مبتنی بر پایتون است. ما از جنس برای بیشتر پردازش زبان طبیعی به ویژه لدا که در این تحقیق تمرکز زیادی داشتیم استفاده کردیم. برای ایجاد نمودارهای شبکه از نتورکایکس استفاده کردیم. برای ایجاد نمودار توزیع موضوع در شکل. 5, ما با استفاده از پیلداویس. برای این الگوریتم از پایتون استفاده کردیم. تمام تجسم های دیگر با بسته ساخته شده است ماتلوتلیب.

برای این تحقیق ما مقالات خبری ایالات متحده را بین 1 ژانویه 2015 و 31 دسامبر 2016 و 1 ژانویه 2019 و 30 سپتامبر 2020 از رویترز جمع کردیم. جدول 2 چند نمونه از اخبار مالی با تاریخ ارسال تیتر و متن بدن را نشان می دهد.

تمیز کردن متن

برای هر مقاله تیتر و متن متن به شکل متن کامل ترکیب شدند. روش های استاندارد متن تمیز کردن انجام شد, از جمله حذف فضاهای سفید, شخصیت های غیر بر اساس حروف الفبا, و توقف کلمات و تبدیل تمام کلمات به حروف کوچک. فقط اسم و اسم خاص (بخشی از گفتار برچسب ها: اسم و پروپان) 56 قبل از استفاده از لماتیشن حفظ شد. کلماتی که فقط یک بار در یک دوره معین ظاهر می شوند از فرهنگ لغت ساخته شده حذف می شوند. از سوی دیگر, شد عبارات تکراری متعدد در مقالات وجود دارد: برای مثال, گزارش توسط . ', 'برای پوشش شرکت: . ', و ' با کلیک بر روی لینک زیر به تماشای ویدیو:. و غیره. این عبارات ارزش تجزیه و تحلیل را اضافه نمی کنند و بنابراین با استفاده از عبارات منظم حذف می شوند. نسخه نهایی تمیز شامل 2123284 مقالات خبری با 290771 کلمات منحصر به فرد, و این به عنوان ورودی برای مدل سازی موضوع خدمت. جداول 3, 4, 5, و 6 نشان می دهد تعداد مقالات و کلمات منحصر به فرد در هر ماه برای 2015, 2016, 2019, و 2020, به ترتیب.