Статья: Влияние освещения кризиса на финансовый рынок России

К третьей группе -- семантическое поле «ухудшение» -- были отнесены слова: “decline”, “declining”, “depreciate”, “depreciation”, “deteriorate”, “deterioration”, “diminish”, “diminishing”, “downturn”, “drop”, “fail”, “failure”, “fall”, “gap”, “go down”, “inefficient”, “instability”, “lack”, “laggard”, “loose”, “loosen”, “loss”, “low”, “lower”, “meltdown”, “plunge”, “recession”, “reduce”, “reduction”, “slowing”, “slow”, “growth”, “slowdown”, “slump”, “tight”, “tighten”, “tightening”, “unstable”, “vulnerable”, “weak”, “weaken”.

К четвертой группе были отнесены следующие слова: “abundance”, “abundant”, “excessive”, “rapid”, “rapidly”, “significant”, “significantly”.

В словарь также были включены не только отдельные части речи, но и коллокации, как негативные, так и усилительные, например: rising unemployment, face bankruptcy, weak competitiveness, low ranking, overvalued currency.

Таким образом, составленный вручную словарь негативной оценочной лексики предметной области «кризис» включает в себя 171 единицу.

Помимо этого, были разработаны два индекса, касающихся санкций:

1) SAN 0 -- индекс, показывающий количество упоминаний в СМИ слов «санкции» и «экономические санкции»;

2) SAN 1 -- расширенный индекс, рассчитанный на основе слов: «санкции», «экономические санкции», «ограничение», «запрет», «блокада», «блок», «барьер», «запрет на импорт».

Анализ данных

В качестве эмпирической базы используются новостные сообщения агентства Thomson Reuters, так как их содержание было признано отвечающим требованиям консистентности текстов для сентимент-анализа и изучения влияния новостного фона на финансовый рынок. Источником выбраны новости за период с 2006 по 2018 г., тестовый период -- январь 2013 -- май 2018 г. На тестовом периоде выбраны новости по ключевым словам “Russia”, “Russian”, “Moscow”, “Kremlin”. Для отработки тематического моделирования и сентимент-анализа применялась общая выборка новостных текстов количеством более 10 млн новостей из различных источников, аккредитованных Thomson Reuters. Основные источники информации: агентства The New York Post, CNN, Breitbart, Reuters, Fox, Atlantic, The Washington Post, Buzzfeed.

В рамках исследования была изучена взаимозависимость между рассчитанным авторским кризисным индексом (crisis) и индексом московской биржи (moex) (см. рисунок). Анализируются ежемесячные данные за период январь 2013 -- май 2018 г. Объем выборки -- 64 наблюдения (курс валюты и индекс московской биржи рассматриваются как среднее значение за месяц).

Для выявления зависимости между рассматриваемыми переменными сначала был проведен корреляционный анализ (табл. 1), по результатам которого видно, что кризис оказывает наибольшее влияние на фондовый индекс и имеет обратное влияние.

Таблица 1 / Table 1 Корреляционный анализ рассматриваемых переменных / Correlation analysis of the considered variables

Источник/Source: рассчитано авторами / calculated by the authors.

Кризисный индекс и индекс московской биржи / Crisis index and Moscow Exchange index

Источник/Source: рассчитано авторами / calculated by the authors.

Таблица 2/ Table 2 Влияние кризиса на фондовый индекс (MOEX) / Impact of the crisis on the stock index (MOEX)

Источник/Source: рассчитано авторами / calculated by the authors.

Таблица 3/ Table 3 Корреляционный анализ за период март 2014 - апрель 2018 г. (период действия санкций против России) / Correlation analysis for March 2014 - April 2018 (the period of sanctions against Russia)

Источник/Source: рассчитано авторами / calculated by the authors.

Как видно из табл. 1, индексы по кризису и санкциям имеют очень тесную взаимосвязь. Из этого следует, что на современном этапе для России основным фактором проявления кризиса являются введенные санкции. Влияние кризисного индекса на фондовый рынок отрицательное. Таким образом, не только наличие самого кризиса в экономике, а даже упоминание о признаках кризиса в новостных сообщениях приводят к падению котировок на московской бирже. кризисный информационный фондовый экономика

Далее с помощью GARH-модели был проведен анализ влияния кризиса на фондовый индекс (табл. 2).

Из табл. 2 видно, что кризис оказывает отрицательное влияние на изменение фондового индекса: чем выше индекс кризиса, тем ниже значение фондового индекса МОЕХ. Коэффициент детерминации (R-squared) находится на уровне 96%, что говорит о высокой объясняющей способности выбранных переменных, автокорреляция в остатках отсутствует.

Итоговое уравнение расчета индекса MOEX имеет следующий вид:

MOEX = 127,65-0,038 * CRISIS + 0,73 * MOEX,.

С учетом того, что именно санкции определены как основной фактор кризиса в текущий период времени, первоначальный массив данных был разделен на период до марта 2014 г., т. е. введения первых санкций против России, и после. В результате проведения повторного анализа было установлено, что степень влияния и зависимости переменных в период введения санкций увеличиваются (табл. 3).

Как видно из табл. 3, значения коэффициентов увеличились относительно данных, представленных в табл. 1. Значение коэффициента корреляции между разработанным индексом кризиса (CRISIS) и индексом московской биржи (MOEX) увеличилось с -0,52 до -0,68. Аналогично усилилась взамосвязь между фондовым индексом (MOEX) и санционными индексами (SAN 0, SAN 1) с -0,34 до -0,61 и с -0,38 до -0,61 соответсвенно. Таким образом, именно действие санкций и освещение данной темы в новостных сообщениях оказывают наиболее негативное влияние на экономику России сегодня. Увеличение значений коэффициентов корреляции между рассматриваемыми переменными свидетельствует также об увеличении влияния информационного фона на показатели финансового рынка в целом. Таким образом, негативные последствия кризиса и введения санкций против России не только напрямую влияют на экономические показатели развития страны, но и оказывают негативное косвенное воздействие на экономику путем формирования негативного информационного фона, подрывающего доверие инвесторов к России.

Выводы

Таким образом, нами было доказано, что проявления кризиса в стране, которые можно определить не только традиционно по значениям основных экономических показателей, но и по содержанию новостных сообщений, способны оказывать влияние на ключевые экономические показатели и деятельность экономических субъектов в стране. В частности, упоминание о кризисе в России провоцирует снижение фондового индекса московской биржи, отражая тем самым экономические настроения инвесторов.

В работе предложен интрумент количественного анализа качественного фактора -- содержания информационных новостных сообщений. Такой анализ позволяет проводить исследования зависимости различных экономических показателей от новостного фона. Состоятельность разработанного кризисного индикатора доказана на примере наиболее очевидной зависимости -- влияния кризиса на фондовый рынок. В дальнейшем предложенный авторский индекс может быть использован для оценки других зависимостей, например влияние кризиса на эффективность деятельности российских компаний.

Создание негативного информационного фона вокруг России может быть использовано как дополнительная мера воздействия на экономику со стороны стран, вводивших санкции. В большей степени новостные сообщения оказывают влияние на фондовый рынок и сокращают привлекательность российских компаний в качестве источника инвестирования. Таким образом, можно констатировать, что проявление внешних негативных факторов, направленных на дестабилизацию российской экономики, находит свое отражение в показателях финансового рынка. Для улучшения экономической ситуации в России необходимо нивелировать политические конфликты и разногласия, которые приводят к информационному давлению и введению санкций против России.

Список источников

1. Kaminsky G., Lizondo S., Reinhart C. Leading indicators of currency crises. IMF Staff Papers. 1998;45(1):1-48. DOI: 10.1596/1813-9450-1852

2. Kumar M., Moorthy U., Perraudin W. Predicting emerging market currency crashes. Journal of Empirical Finance. 2003;10(4):427-454.

3. Komulainen T., Lukkarila J. What drives financial crises in emerging markets? Emerging Markets Review. 2003;4(3):248-272. DOI: 10.1016/S 1566-0141(03)00039-6

4. Фёдорова Е. А., Лукасевич И. Я. Прогнозирование финансовых кризисов с помощью экономических индикаторов в странах СНГ. Проблемы прогнозирования. 2012;(2):112-122.

5. Jayaraman T. K., Choong С.-К. Exchange market pressure in a small Pacific Island country: A study of Fiji: 1975-2005. International Journal of Social Economics. 2008;35(12):985-1004. DOI: 10.1108/03068290810911507

6. Федорова Е. А., Каменева Е. А., Афанасьев Д. О. Перетекание валютных кризисов для России и стран СНГ. Банковское дело. 2015;(11):12-17.

7. Senchagov V. K., Mityakov S. N. Evaluation of economic crises using short-term indexes and average indexes of economic security of Russia. Studies on Russian Economic Development. 2016;27(2):148-158. DOI: 10.1134/S 1075700716020131

8. Болдырева Н. Б., Парфенов А. А. Система индикаторов кризисных явлений на российском фондовом рынке: динамика и опережающие свойства. Известия Уральского государственного экономического университета. 2013;(3-4):52-60.

9. Гюлумян К. Г., Клупт М. А. Кризис, рецессия и социальное развитие: межстрановый анализ. Вопросы статистики. 2014;(6):59-66.

10. Pang B., Lee L. Opinion mining and sentiment analysis. Foundations and Trends in Information Retrieval. 2008;2(1-2):1-135. DOI: 10.1561/1500000011

11. Wiebe J., Bruce R., O'Hara T. Development and use of a gold-standard data set for subjectivity classifications. In: Proc. 37^th Annual Meeting of the Association for Computational Linguistics. College Park, MD: University of Maryland; 1999:246-253.

12. Pang B., Lee L., Vaithyanathan S. Thumbs up? Sentiment classification using machine learning techniques. In: Proc. 2002 Conf. on empirical methods in natural language processing (EMNLP 2002). Stroudsburg, PA: Association for Computational Linguistics; 2002. URL: http://www.cs.cornell.edu/ people/pabo/papers/sentiment.pdf

13. Turney P. Thumbs up or thumbs down? Semantic orientation applied to unsupervised classification of reviews. In: Proc. 40^th Annual Meeting of the Association for Computational Linguistics. Philadelphia, PA: University of Pennsylvania; 2002:417-424.

14. Ganapathibhotla M., Liu B. Mining opinions in comparative sentences. In: Proc. 22^nd Int. Conf. on Computational Linguistics. Manchester: Brighton; 2008:241-248.

15. Liu B. Sentiment analysis and subjectivity. In: Indurkhya N., Damerau F. J., eds. Handbook of natural language processing. 2^nd ed. Boca Raton, FL: CRC Press; 2010:627-665. URL: http://www.cs.uic.edu/~liub/ FBS/NLP-handbook-sentiment-analysis.pdf

16. Manning Ch., Raghavan P., Schьtze H. Introduction to information retrieval. Cambridge: CUP Publ.; 2009.544 p.

17. Пазельская А. Г., Соловьев А. Н. Метод определения эмоций в текстах на русском языке. Компьютерная лингвистика и интеллектуальные технологии: «Диалог-2011». М.: Изд-во РГГУ; 2011;(10):510-522.

18. Cambria E., Havasi C., Hussain A. SenticNet 2: A semantic and affective resource for opinion mining and sentiment analysis. In: Youngblood G., McCarthy P. eds. Proc. 25^th Int. Florida Artificial Intelligence Research Society Conf. (FLAIRS-12). Palo Alto, CA: Association for the Advancement of Artificial Intelligence; 2012:202-207.

19. Ramskogler P. Tracing the origins of the financial crisis. OECD Journal: Financial Market Trends. 2014;(107):47-61.

20. Claessens S., Dell'Ariccia G., Igan D., Laeven L. Lessons and policy implications from the global financial crisis. IMF Working Paper. 2010;(44). URL: https://www.imf.org/external/pubs/ft/wp/2010/wp1044.pdf

21. Hate G., Arteta C. Currency crises and foreign credit in emerging markets: Credit crunch or demand effect? European Economic Review. 2009;53(7):758-774. DOI: 10.1016/j.euroecorev.2009.03.001

22. Shimpalee P., Breuer J. Currency crises and institutions. Journal of International Money and Finance. 2006;25(1):125-145. DOI: 10.1016/j.jimonfin.2005.10.008

23. Reinhart C. M., Rogoff K. S. This time is different: A panoramic view of eight centuries of financial crises. NBER Working Paper. 2008;(13882). URL: https://www.nber.org/papers/w13882.pdf

References

1. Kaminsky G., Lizondo S., Reinhart C. Leading indicators of currency crises. IMF Staff Papers. 1998;45(1):1-48. DOI: 10.1596/1813-9450-1852

2. Kumar M., Moorthy U., Perraudin W. Predicting emerging market currency crashes. Journal of Empirical Finance. 2003;10(4):427-454.

3. Komulainen T, Lukkarila J. What drives financial crises in emerging markets? Emerging Markets Review. 2003;4(3):248-272. DOI: 10.1016/S 1566-0141(03)00039-6