Effects of analyst sentiment on volatility dynamics in financial market

तकनीकी सारांश: वित्तीय बाजार में अस्थिरता गतिशीलता पर विश्लेषक भावना के प्रभाव

समस्या विवरण
यद्यपि विश्लेषक रिपोर्ट निवेश निर्णय लेने के लिए अपरिहार्य संदर्भ के रूप में स्थापित हैं, मौजूदा साहित्य मुख्य रूप से संरचित डेटा (जैसे, अर्निंग पूर्वानुमान, बाय-होल्ड-सेल रेटिंग) पर केंद्रित है। इन रिपोर्टों के भीतर गुणात्मक पाठ्य डेटा (qualitative textual data), जो निवेशक भावना को दर्शाता है, को काफी हद तक अनदेखा किया गया है, बावजूद इसके कि नेचुरल लैंग्वेज प्रोसेसिंग (NLP) के माध्यम से इसे मात्रात्मक रूप से मापने की व्यवहार्यता मौजूद है। यह अध्ययन इस समझ के अंतर को संबोधित करता है कि विश्लेषक भावना, विशेष रूप से असंरचित पाठ (unstructured text) से निकाली गई भावना, चीनी शेयर बाजार की अस्थिरता गतिशीलता (volatility dynamics) को कैसे प्रभावित करती है। अनुसंधान यह निर्धारित करने का प्रयास करता है कि क्या भावना एक व्यवस्थित जोखिम कारक (systematic risk factor) के रूप में कार्य करती है और भावना एवं बाजार की अस्थिरता के बीच सूचना के दिशात्मक प्रवाह को मात्रात्मक रूप से मापता है।

कार्यप्रणाली
यह अध्ययन चीनी शेयर बाजार के डेटा का उपयोग करते हुए एक बहु-चरणीय मात्रात्मक दृष्टिकोण अपनाता है:

1. डेटा संग्रह: लेखकों ने अप्रैल 2013 और दिसंबर 2015 के बीच 197 शेयरों की 7,789 विश्लेषक रिपोर्टों के सारांश एकत्र किए। विश्वसनीयता और भविष्य कहनेवाला प्रासंगिकता सुनिश्चित करने के लिए, नमूने को वार्षिक रिपोर्ट जारी होने से पहले प्रकाशित रिपोर्टों तक सीमित रखा गया और व्यापक रूप से देखी जाने वाली स्टॉक पर ध्यान केंद्रित किया गया (उन स्टॉक्स को छोड़कर जिनमें प्रति वित्तीय वर्ष 20 से कम रिपोर्ट थीं)।
2. भावना निष्कर्षण (Sentiment Extraction): ओपन-सोर्स 'जीबा' (Jieba) टेक्स्ट सेगमेंटेशन टूलकिट और एक मैन्युअल रूप से क्यूरेटेड चीनी भावना शब्दावली का उपयोग करते हुए, लेखकों ने भावनात्मक प्रवृत्तियों की पहचान की। भावना शब्दों को -2 (बहुत निराशावादी) से +2 (बहुत आशावादी) के पैमाने पर स्कोर किया गया, जिसमें निषेध (negations) और तीव्रता बढ़ाने वाले शब्दों (intensifiers) का भी ध्यान रखा गया।
3. इंडेक्स निर्माण: किसी दिए गए सप्ताह में रिपोर्टों की कुल संख्या ($N_t$) द्वारा सामान्यीकृत, दोनों आशावादी ($S^+$) और निराशावादी ($S^-$) भावनाओं के लिए साप्ताहिक भावना सूचकांकों का निर्माण किया गया।
4. सांख्यिकीय विश्लेषण:
   • ऑटो-कोरिलेशन (Auto-correlation): भावना सूचकांकों के मेमोरी गुणों का विश्लेषण किया गया।
   • सहसंबंध विश्लेषण (Correlation Analysis): विभिन्न समय अंतराल (time lags) पर भावना और अस्थिरता (लॉग रिटर्न के पूर्ण मान द्वारा परिभाषित) के बीच रैखिक निर्भरता को मापने के लिए एक भावना-अस्थिरता सहसंबंध फलन $G(\Delta t)$ को परिभाषित किया गया।
   • ट्रांसफर एंट्रॉपी (Transfer Entropy): भावना और अस्थिरता के बीच शुद्ध सूचना प्रवाह ($\delta_{XY}$) को मापने के लिए गैर-स्थिर (non-stationary) वित्तीय समय श्रृंखला पर लागू किया गया, जिससे कारण दिशात्मकता (causal directionality) का निर्धारण हुआ।
   • GARCH मॉडलिंग: अस्थिरता की निरंतरता (persistence) को ध्यान में रखते हुए, सशर्त भिन्नता (conditional variance) के लिए व्याख्यात्मक शक्ति का आकलन करने हेतु भावना सूचकांकों को एक GARCH(1,1) मॉडल में एक्सोजेनस वेरिएबल्स के रूप में शामिल किया गया।

प्रमुख परिणाम

1. मेमोरी विशेषताएँ: दोनों आशावादी और निराशात्मक भावनाएं अल्प-दूरी के ऑटो-कोरिलेशन को प्रदर्शित करती हैं। निराशावादी भावना, आशावादी भावना (लगभग 3 सप्ताह) की तुलना में लंबी स्मृति अवधि (लगभग 5 सप्ताह) प्रदर्शित करती है।
2. सहसंबंध गतिशीलता:
   • निराशावादी भावना: भविष्य की अस्थिरता के साथ महत्वपूर्ण नकारात्मक सहसंबंध दिखाती है। उच्च स्तर की निराशा, भविष्य की अस्थिरता में कमी से जुड़ी है, जबकि निम्न निराशा, उच्च अस्थिरता से संबंधित है।
   • आशावादी भावना: अस्थिरता के साथ सकारात्मक सहसंबंध दिखाती है। उच्च आशावाद, उच्च अस्थिरता को प्रेरित करता है।
   • दिशात्मकता: सहसंबंध केवल $\Delta t > 0$ (भावना भविष्य की अस्थिरता को प्रभावित करती है) पर देखा जाता है, जो यह सुझाव देता है कि भावना अस्थिरता को संचालित करती है, न कि इसके विपरीत।
3. सूचना प्रवाह (ट्रांसफर एंट्रॉपी): विश्लेषण से अतीत की निराशावादी भावना से भविष्य की अस्थिरता की ओर एक एकदिशीय शुद्ध सूचना प्रवाह का पता चलता है। इसके विपरीत, आशावादी भावना और अस्थिरता के बीच कोई महत्वपूर्ण दिशात्मक प्रवाह नहीं है।
4. GARCH मॉडल निष्कर्ष:
   • जब GARCH(1,1) ढांचे में शामिल किया गया, तो निराशावादी भावना अस्थिरता (विशेष रूप से CSI 300 इंडेक्स के लिए) के लिए एक सांख्यिकीय रूप से महत्वपूर्ण व्याख्यात्मक कारक के रूप में कार्य करती है। गुणांक $\lambda$ नकारात्मक है, जो पुष्टि करता है कि उच्च निराशा भविष्य की अस्थिरता को कम करती है।
   • आशावादी भावना, अस्थिरता मॉडल में एक एक्सोजेनस वेरिएबल के रूप में सांख्यिकीय रूप से महत्वपूर्ण नहीं है।
   • निराशावादी भावना को शामिल करने से गुणांकों का योग ($\alpha + \beta$) कम हो जाता है, जो यह दर्शाता है कि यह अस्थिरता की निरंतरता के एक हिस्से को कैप्चर करता है।

महत्व और दावे
यह शोध पत्र दावा करता है कि निराशावादी विश्लेषक भावना, बाजार की अस्थिरता गतिशीलता के संबंध में स्वतंत्र और भविष्य बताने वाली जानकारी प्रदान करती है, जो आशावादी भावना से भिन्न है क्योंकि इस संदर्भ में आशावादी भावना में ऐसी भविष्य बताने की शक्ति का अभाव है।

लेखक निराशा और अस्थिरता के बीच नकारात्मक सहसंबंध को दो प्राथमिक तंत्रों के कारण बताते हैं:

1. व्यवहार संबंधी कारक: निवेशक सीमित तर्कसंगतता (bounded rationality) और जोखिम के प्रति अरुचि प्रदर्शित करते हैं। उच्च निराशा, ट्रेडिंग की निष्क्रियता की ओर ले जाती है, जिससे अस्थिरता कम हो जाती है, जबकि उच्च आशावाद सक्रिय ट्रेडिंग को ट्रिगर करता है जो अस्थिरता बढ़ाता है।
2. सूचना प्रकटीकरण: निवेश बैंकों से जुड़े विश्लेषक सूचीबद्ध कंपनियों के साथ संबंधों के कारण शुरुआती चरणों में निराशावादी रिपोर्ट जारी करने के बारे में सतर्क रहते हैं। फलस्वरूप, निराशावादी रिपोर्ट अक्सर उन खबरों के बाद जारी की जाती हैं जो पहले से ही अफवाहों या इनसाइड इंफॉर्मेशन के माध्यम से प्रसारित हो चुकी होती हैं। एक बार आधिकारिक निराशावादी रिपोर्ट जारी हो जाने के बाद, अटकलें समाप्त हो जाती हैं, बाजार की अनिश्चितता कम हो जाती है, और अस्थिरता गिर जाती है।

अध्ययन निष्कर्ष निकालता है कि निराशावादी भावना, बाजार की भावना का एक मजबूत प्रॉक्सी है जो वित्तीय अस्थिरता के मॉडलिंग को बेहतर बना सकती है, विशेष रूप से GARCH ढांचे के भीतर, जबकि आशावादी भावना समान व्याख्यात्मक मूल्य प्रदान नहीं करती है।