Проверив все потенциальные проблемы, которые могли бы сделать оценки нашей модели несостоятельными, мы можем построить регрессию.

В начальную регрессию мы включаем три контрольных переменных (Относительное изменение стоимости барреля нефти Brent, относительное изменение остатков на корреспондентских счетах, доходность индекса S&P 500) и фиктивную переменную, принимающую значение 1, если в день имеет место политическое событие и 0 в обратном случае.

(1)

Модель получилась значимой (по статистике Фишера, prob=0). Все переменные кроме diff_corresp также значимы. Низкий коэффициент детерминации говорит о том, что модель не описывает полностью нашей зависимой переменной (доходности индекса РТС), в модель не включены все переменные, оказывающие влияние на индекс. Наша основная переменная, отвечающая за наличие или отсутствие политической новости оказалась незначима. Это было ожидаемо, так как дамми переменная не учитывает то, какой по смысловой нагрузке являлась новость - положительной или отрицательной. Построим новую модель, где учтем уже средний «тон» новости (avgtone). Знак перед данным показателем определяет положительное или отрицательное настроение новости, а модуль показателя - важность новости.

(2)

Данная модель значима. Коэффициент детерминации также низкий (), однако переменная, отвечающая в модели за новости, стала значимой.

Проверим модель на условия Гаусса-Маркова, чтобы оценить, насколько можно доверять полученным оценкам модели:

· Данная модель линейна по параметрам

· Выборка собранных данных случайна

· Поскольку стандартное отклонение всех переменных выше нуля, то можно сделать вывод, что и дисперсия всей выборки также не равна нулю. Проблема мультиколлинеарности в модели отсутствует.

· Принимая в расчет природу данных, используемых в нашей модели, можно предположить о существовании проблемы эндогенности, поскольку, множество факторов может оказывать влияние на фондовый рынок. Однако, целью данной работы не является выделить все факторы, описывающие индекс, поэтому проблему эндогенности мы будем рассматривать как ограничение модели.

· Мы изначально делаем в модели поправку Вайта, однако проведя тест на наличие или отсутствие гетероскедастичности тестом Вайта, мы видим, что в модели все равно присутствует гетероскедастичность. Наличие гетероскедастичности может привести к смещенным оценкам модели. Чтобы избежать возможных отклонений мы оценим модель Обобщенным методом наименьших квадратов (GLS). Расчет коэффициентов регрессии с помощью с помощью метода GLS позволяет проверить нам коэффициенты полученные с помощью оценки модели методом МНК. Так как коэффициенты различаются совсем незначительно, можно сделать вывод, что несмотря на то, что мы не можеи избавитсья от гетероскедастичности в модели, наши оценки коэффициентов являются адекватными и подходящими для заключения выводов по модели.

· С помощью теста Харке-Бера можно проверить нормальность распределения ошибок. Поскольку коэффициент Харке-Бера значим на 1% уровне, можно сделать вывод, что ошибки имеют нормальное распределение.

· Анализ автокоррелограмм и статистики Дарбина-Уотсона позволяет сделать вывод, что в данной модели отсутствует проблема автокорреляции.

В большинстве работ по изучаемой теме анализируется влияние на фондовый рынок количества новостей. Данные нашей модели позволяют провести более точный анализ. Переменная nummentions характеризует число упоминаний конкретной новости, являющейся самой значимой за день (по результатам сужения нашей выборки). То есть то, сколько раз упоминание об определенном политическом событии встретится в различных источниках будет отвечать за то, какой круг инвесторов натолкнется на информацию о данной новости. Построим регрессию с теми же контрольными переменными, но заменим переменную avgtone на переменную nummentions:

(3)

Переменная, отвечающая за цитируемость новости оказалась незначимой. Наилучшей моделью, описывающей связь между выбранными переменными и индексом РТС оказалась модель с переменной (avgtone). В таблице 3 представлены полученные коэффициенты с уровнями значимости и коэффициентом детерминации.

Таблица 3 Результаты регрессионного анализа

	МНК
с	-0,0006
D*AVGTONE	0,0004**
DIFF_CORRESP	0,0032
DIFF_SP	0,4836*
DIFF_BRENT	0,2763*
R2 - adjusted	0,19
Число наблюдений	2108

Примечание: * - коэффициент значим на 1% уровне; ** - коэффициент значим на 5% уровне; *** - коэффициент значим на 10% уровне.

Модель выглядит следующим образом:

(4)

Как уже неоднократно отмечалось, в модели присутствует проблема гетероскедастичности, что достаточно характерно для исследований фондового рынка при рассмотрении такого продолжительного промежутка времени. В работах по изучению изменчивости финансовых временных рядов популярностью пользуются модели условной гетероскедастичности GARCH (обобщенные авторегрессионные условно гетероскедастичные модели). Идея данной модели исходит из того, что наблюдения с большими и маленькими отклонениями от средних значений имеют тенденцию к кластеризации, иначе говоря, спокойное состояние фондового рынка (период низкой дисперсии) сменяется волатильным (периодом высокой дисперсии) и наоборот.

При рассмотрении графика поведения доходностей РТС (рис. 1) можно отметить, что среди наблюдений также прослеживаются кластеры, характеризующие «возмущенное» и «спокойное» состояния рынка.

Рис. 1. График доходностей индекса РТС

Это, в свою очередь, наталкивает на мысль, что для нашего исследования весьма актуально построить GARCH модель и тем самым проверить результаты, полученные после оценки модели методом наименьших квадратов. Корректный учет гетероскедастичности позволит получить более точные оценки коэффициентов.

Спецификация модели для уравнения условной дисперсии ошибок имеет вид:

(5)

Данное уравнение показывает, что значение условной дисперсии ошибок представляет собой функцию от константы плюс значение предыдущей условной дисперсии. Данная модель представляет собой GARCH (p,q).

На практике чаще всего используется GARCH (1,1).

,(6)

где: - дисперсия на текущий момент;

, , - параметры модели;

- дисперсия за предыдущий период;

- доходность за предыдущий период в квадрате

В данной работе также используется модель порядка (1;1), то есть значения доходности и условная дисперсия будут рассчитаны с лагом в один период. Оценивание будет осуществлено методом максимального правдоподобия в программе Eviews.

Для процедуры оценивания модели необходимы ежедневные данные. Принимая во внимание этот факт, мы отказываемся от фильтра, наложенного изначально, с целью исключения из выборки статистических выбросов. Таким образом, наша выборка вновь стала составлять 2144 наблюдения. Полученные коэффициенты представлены в таблице 4.



Таблица 4 Результаты регресионного анализа

	GARCH
с	-0,001
AVGTONE	0,0003
DIFF_CORRESP	-0,0074
DIFF_SP	0,532*
DIFF_BRENT	0,259*
R2 - adjusted	0,21
Число наблюдений	2144

Примечание: * - коэффициент значим на 1% уровне; ** - коэффициент значим на 5% уровне; *** - коэффициент значим на 10% уровне.

Спецификация модели для уравнения условной дисперсии ошибок имеет вид:

(7)

Модель GARCH не подтвердила всех результатов, полученных в результате оценки нашей наилучшей модели. А именно, коэффициент при новостной переменной оказался незначим, что не позволяет с уверенностью судить о связи между настроением новости и поведенеим индекса РТС.

Также, так как в рассматриваемый нами период времени попал экономический кризис, и согласно выводам, сделанным Pietro Veronesi о повышенной волатильности цен на активы в периоды рецессий, целесообразно рассмотреть кризис 2008-2009 гг. отдельно от остальной выборки. Модель для кризисного периода с тем же набором переменных оказалась хуже - коэффициент детерминации R² уменьшился с 19% до 16%, что говорит о том, что в период кризиса индекс РТС хуже объясним с помощью того же набора независимых переменных. Значимость коэффициентов при переменных «цена на нефть» и «индекс S&P 500» сохранилась, при этом влияние цены на нефть в кризисный период возросло, в то время как влияние индекса американского фондового рынка уменьшилось. Коэффициент отвечающий за настроение новости стал незначим. На основании данных результатов можно сделать вывод, что в периоды рецессий, как и в периоды относительной стабильности на рынке на индекс РТС оказывают влияние цены на нефть и динамика индекса фондового рынка США. Политические новости не влияют на движение рынка в моменты спада экономики. Тот факт, что в отличие от анализа всего временного промежутка, в период кризиса не подтвердилась наша гипотеза о влиянии переменной, характеризующей настроение политической новости, на индекс, может свидетельствовать о том, что во времена спада, инвесторы склонны предвзято относиться к любым новостным сообщениям, формируя изначально скептическое и негативное отношение к рынку и экономике страны в целом.

Значимость коэффициента при переменной, отвечающей за настроение новости, говорит о том, что наша главная гипотеза о наличии влияния политических новостей на фондовый рынок подтвердилась. Чем выше настроение самой значимой за день новости, тем выше будет индекс РТС.

Однако для более подробной интерпретации полученных результатов было бы интересно проанализировать новости о какого рода событиях оказывают влияние на ожидания инвесторов. Данные, собранные на основе базы данных GDELT, позволяют изучить данный вопрос. Кроме новостных характеристик, рассмотренных в данной работе, GDELT предлагает и другие показатели, описывающие новостные сообщения. Так, например, с целью отнести каждое новостное событие к определенной группе, база данных предлагает порядковую числовую величину GoldsteinScale. По шкале события принимают знчения от -10 до +10 в зависимости от теоретического потенциального воздействия, которое тип события будет иметь на стабильность в стране. Здесь важно отметить, что переменная отвечает именно за тип события. В отличие от переменной avgtone, данная характеристика не является взвешенным показателем, характеризующим значимость новости. Иными словами, два бунта, в одном из которых задействовано 10 человек, а в другом 100, будут отнесены по шкале Голдштейна к одному типу событий.

События, имеющие близкие значения по шкале Голдштейна группировались на основе следующих интервалов:

1) [-10; -9] - события, непосредственно связанные с военными действиями, приводящие к жертвам с какой-либо стороны.

2) (-9; -7] - санкции, угрозы и события, связанные с военными действиями, но не приводящие к жертвам, и события, негативно сказывающиеся на дипломатических отношениях.

3) (-7; 7] - границы данного интервала достаточно широки, сюда входят более нейтральные по сравнению с остальными события, такие события как ультиматумы и события, приводящие к политическим преследованиям и депортации. Наиболее многочисленная группа событий, при этом влияние такого рода событий вероятно не будет оказывать сильного влияния на рынок.

4) (7; 10] - поддержка нуждающихся стран, оказание экономической помощи, создание новых экономических связей, помощь странам-участникам военных событий.

На основе того, к какому интервалу относится событие, было создано четыре дамми переменных. Чтобы избежать мультиколлинеарности, только три дамми будут включены в модель, дамми отвечающая за третью группу событий будет взята за базисную.

Для нас важно не только определить к какой группе относится событие, описываемое новостью, но и оценить его потенциальное влияние. Чтобы выполнить данную цель, необходимо рассмотреть совместное влияние каждой из дамми переменных и настроения новости (avgtone).

В уравнение регрессии не была включена переменная, отвечающая за остатки на корреспондентских счетах, так как ни в одной из моделей коэффициент перед этой переменной не оказался значимым. Данная спецификация модели также отвечает всем условиям Гаусса-Маркова, за исключением условия о гетероскедастичности.

Полученные оценки коэффициентов модели представлены в таблице:

Таблица 5 Результаты регрессионного анализа

	МНК
c	-0, 0002
d1*avgtone	0,0002
d2*avgtone	0,0011
d4*avgtone	0,002***
DIFF_BRENT	0.283*
DIFF_SP	0.513*
R2 - adjusted	0,21
Число наблюдений	2144

Примечание: * - коэффициент значим на 1% уровне; ** - коэффициент значим на 5% уровне; *** - коэффициент значим на 10% уровне.

Модель имеет следующий вид:

(8)

Коэффициент, описывающий влияние лишь одной группы событий, оказался значим. Главный вывод, который можно сделать на данном этапе, что на рынок оказывают влияние наиболее «позитивные» новости.

Основываясь на модели, в которой коэффициент при нашей основной новостной переменной является значимым, мы можем сделать следующие выводы:

· Чем более положительным потенциалом обладает новость, появляющаяся в открытом доступе, тем выше индекс РТС. При росте “настроения” новости на единицу, индекс РТС растет на 0,004.

· При увеличении стоимости барреля нефти Brent на единицу, индекс РТС растет на 0,2763.

· При росте доходности индекса американского фондового рынка S&P 500 на единицу, индекс РТС увеличивается на 0, 4836.

Таким образом, наша первая и главная гипотеза о наличии влияния политических новостей на фондовый рынок подтвердилась, что соответсвует выводам, сделанным большинством из авторов в изучаемой области.

Подтвердилась и вторая гипотеза о наличии прямой связи между новостной компонентой, характеризующей настроение новости и поведением индекса РТС. Данный вывод является наиболее близким к выводу, сделанному Тэтлоком, что инвесторы формируют ожидания, опираясь на общее настроение совокупности новостей, появляющихся в открытом доступе. Что также важно отметить, говоря о согласованности результатов данного исследования и исследования, проведенного Тэтлоком, - автор также прибегает к инструментарию новостной аналитики, рассчитывая показатель настроения в зависимости от лексико-семантической окраски новостного сообщения.

Гипотеза о влиянии цитируемости новости на фондовый индекс не подтвердилась. Данная гипотеза не подкрепляется также и выводами, следующими из других работ по теме исследования. Так как авторы берут за количественную переменную, характеризующую новостной поток, количество всех новостей, освещенных в СМИ, а мы анализируем количество упоминаний одной наиболее важной новости за день, нельзя говорить о расхождениях данного вывода с выводами других работ.

Гипотезы относительно контрольных переменных, включенных в модель, также подтвердились лишь частично. Гипотезы о влиянии на индекс РТС цены на нефть и индекса фондового рынка США полностью подтвердились, во всех моделях коэффициенты при данных переменных достаточно высоки и значимы на 1%-ном уровне. Гипотеза о влиянии на котировки акций остатков на корреспондентсикх счетах не подтвердилась.



Заключение

В работе проводилось исследование влияния появления в открытом лоступе информации о политическом событии, то есть политической новости на движение котировок акций на российском фондовом рынке. Теории ценообразовании, существующие и пользующиеся успехом на нынешний момент, не объясняют факт присутствия неэкономических факторов в процессе установления цены на активы.

Многочисленными эмпирическими исследованиями было доказано, что на рынке присутствует информация, влияющая на формирование инвесторами ожиданий относительно перспектив активов. Такая информация включает в себя политические новости.

С целью проведения анализа реакции российского фондового рынка на политические новости была собрана выборка по ежедневным значениям индекса РТС и по количественным характеристикам новостного потока. Характеристики новостного потока описывались с помощью двух величин: средневзвешенное настроение самой значимой новости за день и уровень ее цитируемости. Данные по новостям выкачивались с сайта самой крупной базы данных новостной аналитики GDELT. Для построения регрессии также были взяты данные по контрольным переменным: стоимость баррели нефти марки Brent, динамика фондового индекса США “S&P 500”, остатки на корреспондентских счетах ЦБ РФ.

На первом этапе был проведен корреляционный анализ для выявления взаимосвязей между переменными. На основании корреляционной матрицы гипотезы относительно наличия связи между появлением новости о политическом событии и индексом РТС подтверждается, также подтверждаются гипотезы о влиянии на индекс цен на нефть и динамики курса фондового рынка США.

На следующем этапе осуществляется регрессионный анализ. В начальной регрессии за наличие или отсутствие политической новости отвечает дамми переменная. В результате коэффициент при данной переменной оказывается незначимым. Затем строятся регрессии с включением одной из новостных переменных - настроение новости и ее цитируемость. Значимым оказывается только коэффициент, отвечающий за настроение новости. Таким образом наша основная гипотеза о наличии влияния политических новостей на индекс РТС подтверждается. Из-за присутствия проблемы гетероскедастичности в модели, полученные результаты проверяются с помощью модели GARCH. По результатам оценок GARCH коэффициент, отвечающий за настроение новости, прежде являющийся значимым, оказывается незначимым.

Рассматривая как наилучшую модель со значимым коэффициентом у переменной, характеризующей настроение новости, строится дополнительная регрессия с включением переменных, определяющих тип события, на котором основывается новостное сообщение. Результат оказывается достаточно неожиданным: на индекс РТС влияют только самые положительные новости, которые включают в себя сообщения о событиях, связанных с поддержкой Россией нуждающихся стран, оказанием экономической помощи, созданием новых экономических связей, помощью странам-участникам военных событий.

В целом, результаты с неподтверждением некоторых гипотез вполне можно объяснить и наличием определенных ограничений в модели.

Главным ограничением модели является тот факт, что на индекс РТС в ежедневной динамике оказывает влияние множество факторов и выявить связь движений индекса именно с появлением в открытом доступе информации о политическом событии очень сложно. Это можно увидеть и по результатам построенных в работе моделей: несмотря на то, что коэффициенты перед включенными в модель переменными, отвечающими за цены на нефть и фонловый индекс США, являются относительно высокими и значимыми, коэффициент детерминации не превышает 21%. На основании чего можно сделать вывод, что существует ряд факторов, оказывающих влияние на индекс, но не включенных в модель.

Во-вторых, стоит учитывать и тот факт, что в течение дня может происходить несколько политических событий. В связи с чем также появляются ограничения. Новости, имеющие место в один день могут быть как положительными, так и отрицательными, разделить эффекты и оценить влияние отдельно положительных и отрицательных новостей невозможно. Более того, выбор одной наиболее значимой новости за день, также не является оптимальным. Это связано с тем, что новость с более высоким модулем настроения, то есть имеющая наибольшее потенциальное влияние на рынок, может быть менее освещена в СМИ, чем новость с меньшим коэффициентом значимости, и наоборот. То есть сделать вывод, какая новость сильнее будет “раскачивать” рынок, невозможно - та, которая наиболее вероятно дойдет до большего количества участников или та, которая изначально обладает большим потенциалом для влияния на поведение инвесторов.

Данные ограничения сильно сужают возможности построенных нами моделей по объяснению связи между индексом фондового рынка и новостями. Тем не менее, так как наше исследование напрямую связано с человеческим фактором, решить проблему данных ограничений невозможно, так как поведение инвестора не может быть полностью описано с помощью какой либо модели. В данном случае мы солидарны с Бонфимом, который приходит к выводу, что применение статистических моделей очень слабо применимо в описании человеческого поведения и зачастую не дает адекватных результатов. ()

В дальнейшем, с целью продолжения исследования можно будет также проанализировать влияние на рынок других типов новостей. База данных GDELT позволяет выкачивать данные, отвечающие множеству характеристик. Также в дальнейших исследованиях целесообразно продолжить поиск решения по расчету средневзвешенной характеристики новости, которая учитывала бы и степень освещенности новости в СМИ и ее потенциальное влияние на рынок.

Таким образом, несмотря на то, что в модели присутствует ряд ограничений, тот факт, что между появлением в открытом доступе информации о политических событиях и поведением индекса РТС существует связь, в данном исследовании подтверждается. Полученные результаты соответствуют результатам, полученным большинством из авторов, изучающих данную тему.

Подобный анализ является важной составляющей объяснения поведения фондового рынка и прогнозирования процесса ценообразования ценных бумаг, так как учитывает факторы, которые формируют ожидания инвесторов и, как следствие определяет из поаедение.



Список использованной литературы

1. Жермен, Л. (1998), «Рыночная эффективность: зеркало информации. Мастерство», Финансы.

2. Кичанова, В. 2013. Политический негатив уже заложен в цены российских акций [Online]. Журнал «Slon Magazine». Available at: http://slon.ru/russia/kak_politika_vliyaet_na_fondovyy_rynok-968938.xhtml [Accessed: 15 мая 2015].

3. Самойлов, Д., (2010), «Факторы, Оказывающие Влияние на Индекс РТС во время Финансового Кризиса 2008-2009 гг. и до него», Экономический журнал Высшей Школы Экономики. № 2, с. 244-267.

4. Сидоров, С., Сергушова, О. и Чебаков, Р. (2010), «Анализ инструментальных стредств новостной аналитики», РИСК: Ресурсыю Информация. Снабжение. Конкуренция, №2, с. 143-147.

5. Тэйлер, Р. (1998), «Человеческое измерение рынков. Мастерство», Финансы.

6. Федорова, Е. (2014), «Влияние Цены на Нефть?на Финансовыи? Рынок России н Кризисныи? Период», Финансы и кредит, № 20 (596), с. 14-22.

7. Федосеева, Е.А.. (2011), «Фондовый рынок в постсоветской России: формирование и факторы курсовой динамики», Экономическая история, с.60-77.

8. Федотов, Н.А. (2009), «Политические риски российского фондового рынка», Ежемесячный научный журнал «Вестник РГГУ» , № 1, с. 146-159.

9. Что такое индекс РТС и ММВБ? Индекс S&P и Доу Джонса [Online]. Available at: http://damoney.ru/million/stockindex.php [Accessed: 15 мая 2015].

10. Anatolyev, S. (2005), A ten-year retrospection of the behavior of Russian stock returns, Bank of Finland Institute for Economies in Transition: Bofit discussion papers, pp. 1-43.

11. Barberis, N., Shleifer, A. and Vishny, R. (1998), “A model of investor sentiment”, Journal of Financial Economics, Vol. 49 No. 3, pp. 307-343.

12. Basher, S.A. and Sadorsky, P. (2006), “Oil price risk and emerging stock markets”, Global Finance Journal, No 17, pp. 280-292.

13. Beaulieu, M., Cosset, J. and Essaddam, N. (2005), “The Impact of Political Risk on the Volatility of Stock Returns. The Case of Canada”. Journal of International Business Studies, Vol. 36 No. 6, pp. 701-718.

14. Berry T. and Howe K. (1994), “Public Information Arrival”, The Journal of Finance, Vol. 49 No. 4, pp. 1331-1346.

15. Bittlingmayer, G. (1998), “Output stock volatility and political uncertainty in a natural experiment Germany 1880-1940”, Journal of finance, Vol. 53 No. 6, pp. 2243-2257.

16. Bonfim, A.N. (2003), “Pre-Announcement Effects, News, and Volatility: Monetary Policy and the Stock Market”, Journal of Banking & Finance, 2003, Vol. 27(1), pp. 133-151.

17. Chan, Y.C., Chui, A.C.W. and Kwok C.C.Y. (2001), “The Impact of Salient Political and Economic News on Trading Activity”, Pacific-Basin Finance Journal 9, No. 3, pp. 195-217.

18. Cutler, D.M., Poterba, J.M. and Summers, L.H. (1989), “What Moves Stock Prices?”, Journal of Portfolio Management 15, No. 4, pp. 1161-1191.

19. De Bondt, W.F.M. and Thaler, R. (1984), “Does the Stock Market Overreact?”, The Journal of Finance, Vol. 40 No. 3, pp. 793-805.

20. Engle, R.F. (2004), “Risk and Volatility: Econometric Models and Financial Practice”, The American Economic Review, Vol. 94 No. 3, pp. 405-420.

21. Fama, F. and French, K.R. (1996), “Multiple Explanations of Asset Pricing Anomalies”, Journal of Finance, Vol. 51, pp. 55-84.

22. GDELT - DATA FORMAT CODEBOOK V 1.03 [Online]. Available at: http://gdeltproject.org/ [Accessed: 15 мая 2015].

23. Goriaev, A. and Zabotkin, A. (2006), «Risks of investing in the Russian stock market: Lessons of the first decade», Emerging Markets Review, No. 7, pp. 380-397.

24. Mitchell, M. and Mulherin, H. (1994), “The Impact of Public Information on the Stock Market”, The Journal of Finance, Vol. 49 No. 3, pp. 923-950.

25. Mustafa K. and Nishat, M. (2012), “The arrival of public information and asset price behavior in emerging markets: evidence from stock market in Pakistan”, Savings and Development, Vol. 36 No. 1, pp. 1-24.

26. Niederhoffer, V. (1971), “The Analysis of World Events and Stock Prices”, The Journal of Business, Vol. 44 No. 2, pp. 193-219.

27. Цnder, Z. and Юimga-Mugan, C. (2004), “How Do Political and Economic News Affect Emerging Markets? Evidence from Argentina and Turkey”, Emerging Markets Finance & Trade, Vol. 42 No. 4, pp. 50-77.

28. Peresetsky, A.A. (2011), What determines the behavior of the Russian stock market, MRPA Paper, No. 41508.

29. Robock, S. (1971), “Political risk: Identification and assessment”, Columbia Journal of World Business, Vol. 6 (4), pp. 6-20.

30. Ross, S.A. (1976), “The arbitrage theory of capital asset pricing”, Journal of economic theory, Vol. 13, pp. 341-360.

31. Russia in world's top 3 recipients of foreign investment for first time - UN 2014 [Online]. Available at: https://www.rt.com/business/russia-top-3-fdi-356/ [Accessed: 15 мая 2015].

32. Sharpe, W.F. (1964), “Capital asset prices: A theory of market equilibrium under conditions of risk”, Journal of finance, Vol. 19 No. 3, pp. 425-442.

33. Snowberg, E., Wolfers, J., and Zitzewitz, E. (2007), “Partisan impact on the economy: Evidence from prediction markets and close elections”, The Quarterly Journal of Economics, Vol. 122 (2), pp. 807-829.

34. Tetlock, P. (2007), “Giving Content to Investor Sentiment: The Role of Media in the Stock Market”, The Journal of Finance, Vol. 12 No. 3, pp. 1139-1168.

35. Veronesi, P. (1999), “Stock Market Overreaction to Bad News in Good Times: A Rational Expectations Equilibrium model”, The Review of Financial Studies, Vol. 12 No. 5, pp. 975-1007.

Приложения

Приложение 1

Анализ на выбросы по графику боксплот



Приложение 2

Анализ на выбросы по графику боксплот



Приложение 3

Граифики гистограмм



Приложение 4

Графики переменных



Приложение 5

Автокоррелограммы

RTSI_RETURN

DIFF_BRENT

DIFF_SP

DIFF_CORRESP



Приложение 6

Запрос для выкачки данных по новостям

select sqldate, Actor1Code, Actor2Code, Actor2Name, Actor1Name, ActionGeo_countrycode, Goldsteinscale, NumMentions,Eventcode

from [gdelt-bq:full.events]

where (Year between 2001 and 2015)

and (Goldsteinscale < -7.0 or Goldsteinscale > 5.2)

and (Actor1Name IS NOT null

AND Actor2Name IS NOT null)

and (Actor1Code='RUSGOV' or Actor2Code='RUSGOV')

and ActionGeo_countrycode='RS'

and NumMentions >100

Размещено на Allbest.ru

...