?
Влияние новостного сентимента на российский фондовый рынок
Проанализированы информационная ценность и прогнозная способность сентимента частных инвесторов, сформированного под воздействием новостных потоков и публикаций в социальных медиа, для динамики российского фондового рынка. Оценена информационная ценность и прогнозная способность индикаторов сентимента, рассчитанных с использованием модели FinBERT, на ключевые показатели фондового рынка: доходность акций, объем торгов, волатильность и индекс МосБиржи. Эмпирическая база исследования включает данные по 925 компаниям Московской биржи за 2015—2024 гг. и сообщения из популярных финансовых Telegram-каналов. Для оценки сентимента применялся анализ тональности текстов и визуальных реакций пользователей, на основе которых были построены прокси-переменные. Верификация гипотез проводилась с использованием моделей градиентного бустинга и векторной авторегрессии с учетом макроэкономических и финансовых контрольных переменных. Результаты показали, что сентимент инвесторов значимо связан с рыночной динамикой, наиболее сильно — с объемами торгов и доходностью низкокапитализированных компаний. Негативный сентимент имеет более выраженный эффект по сравнению с позитивным. Предложенные модели машинного обучения, включающие прокси-переменные сентимента, по точности прогнозирования превзошли классические эконометрические подходы. Интерпретация моделей с помощью значений Шепли позволила идентифицировать ключевые факторы сентимента. Событийный анализ выявил его двойственную природу: несмотря на систематическое повышение качества краткосрочных прогнозов (прогностическая ценность), значимая постсобытийная реакция рынка на шоки сентимента отсутствует, а в случаях пограничных эффектов фиксируется выраженный предтренд рыночных показателей. Из этого следует, что новостной сентимент — преимущественно реактивный индикатор, оперативно отражающий уже разворачивающиеся процессы, а не самостоятельный фактор рыночной динамики. Полученные выводы подчеркивают важность учета поведенческих факторов в инвестиционной аналитике и могут быть использованы для повышения точности прогнозных моделей.