Effects of analyst sentiment on volatility dynamics in financial market

Technische Samenvatting: Effecten van Analisten-sentiment op Volatiliteitsdynamiek in de Financiële Markt

Probleemstelling
Hoewel analistenrapporten als onmisbare referenties voor beleggingsbeslissingen worden beschouwd, richt de bestaande literatuur zich voornamelijk op gestructureerde data (bijv. winstverwachtingen, koop-houd-verkoop-adviezen). De kwalitatieve tekstuele data binnen deze rapporten, die het sentiment van beleggers reflecteert, is grotendeels genegeerd, ondanks de haalbaarheid om dit te kwantificeren via Natural Language Processing (NLP). Deze studie adresseert de kloof in het begrip van hoe analisten-sentiment, specifiek geëxtraheerd uit ongestructureerde tekst, de volatiliteitsdynamiek van de Chinese aandelenmarkt beïnvloedt. Het onderzoek beoogt te bepalen of sentiment fungeert als een systematische risicofactor en om de directionele informatiestroom tussen sentiment en marktvolatiliteit te kwantificeren.

Methodologie
De studie hanteert een meerfasige kwantitatieve benadering gebruikmakend van data uit de Chinese aandelenmarkt:

1. Dataverzameling: De auteurs verzamelden abstracts van 7.789 analistenrapporten over 197 aandelen tussen april 2013 en december 2015. Om betrouwbaarheid en voorspellende relevantie te waarborgen, werd de steekproef beperkt tot rapporten die vóór de publicatie van jaarverslagen werden gepubliceerd en gericht op veelbelovende aandelen (exclusief aandelen met minder dan 20 rapporten per boekjaar).
2. Sentimentextractie: Met behulp van de open-source Jieba text segmentation toolkit en een handmatig samengestelde Chinese sentiment-woordenschat, identificeerden de auteurs emotionele tendensen. Sentimentwoorden werden gescoord op een schaal van -2 (zeer pessimistisch) tot +2 (zeer optimistisch), waarbij rekening werd gehouden met ontkenningen en versterkers.
3. Indexconstructie: Wekelijkse sentimentindices werden geconstrueerd voor zowel optimistische ($S^+$) als pessimistische ($S^-$) sentimenten, genormaliseerd door het totale aantal rapporten ($N_t$) in een gegeven week.
4. Statistische Analyse:
   • Autocorrelatie: Analyseerde de geheugeneigenschappen van sentimentindices.
   • Correlatieanalyse: Definieerde een sentiment-volatiliteit correlatiefunctie $G(\Delta t)$ om de lineaire afhankelijkheid tussen sentiment en volatiliteit (gedefinieerd als de absolute waarde van log-rendementen) bij verschillende tijdsverloop-lags te meten.
   • Transfer Entropy: Toegepast op niet-stationaire financiële tijdreeksen om de netto informatiestroom ($\delta_{XY}$) tussen sentiment en volatiliteit te meten, om de causale richting te bepalen.
   • GARCH-modellering: Integreerde sentimentindices als exogene variabelen in een GARCH(1,1)-model om hun verklarende kracht voor conditionele variantie (volatiliteit) te beoordelen, na correctie voor volatiliteitspersistentie.

Belangrijkste Resultaten

1. Geheenschmerken: Zowel optimistische als pessimistische sentimenten vertonen kortetermijn-autocorrelatie. Pessimistisch sentiment vertoont een langere geheugenduur (ongeveer 5 weken) vergeleken met optimistisch sentiment (ongeveer 3 weken).
2. Correlatiedynamiek:
   • Pessimistisch Sentiment: Vertoont een significante negatieve correlatie met toekomstige volatiliteit. Hoge niveaus van pessimisme zijn geassocieerd met verminderde toekomstige volatiliteit, terwijl laag pessimisme correleert met hogere volatiliteit.
   • Optimistisch Sentiment: Vertoont een positieve correlatie met volatiliteit. Hoog optimisme induceert hogere volatiliteit.
   • Directionaliteit: De correlatie wordt alleen waargenomen wanneer $\Delta t > 0$ (sentiment dat toekomstige volatiliteit beïnvloedt), wat suggereert dat sentiment volatiliteit drijft maar niet andersom.
3. Informatiestroom (Transfer Entropy): Analyse onthult een unidirectionele netto informatiestroom van het verleden van het pessimistische sentiment naar toekomstige volatiliteit. In tegen respect is er geen significante directionele stroom tussen optimistisch sentiment en volatiliteit.
4. GARCH-modelbevindingen:
   • Wanneer geïntegreerd in het GARCH(1,1)-kader, dient pessimistisch sentiment als een statistisch significante verklarende factor voor volatiliteit (specifiek voor de CSI 300 Index). De coëfficiënt $\lambda$ is negatief, wat bevestigt dat hoog pessimisme toekomstige volatiliteit vermindert.
   • Optimistisch sentiment is niet statistisch significant als exogene variabele in het volatiliteitsmodel.
   • De inclusie van pessimistisch sentiment vermindert de som van de coëfficiënten ($\alpha + \beta$), wat aangeeft dat het een deel van de volatiliteitspersistentie vangt.

Betekenis en Claims
Het artikel claimt dat pessimistisch analisten-sentiment onafhankelijke, voorspellende informatie biedt met betrekking tot marktvolatiliteitsdynamiek, wat het onderscheidt van optimistisch sentiment dat in deze context geen dergelijke voorspellende kracht heeft.

De auteurs schrijven de negatieve correlatie tussen pessimisme en volatiliteit toe aan twee primaire mechanismen:

1. Gedragsfactoren: Beleggers vertonen begrensde rationaliteit en risico-aversie. Hoog pessimisme leidt tot handelsinactiviteit, waardoor de volatiliteit afneemt, terwijl hoog optimisme actieve handel triggert die de volatiliteit verhoogt.
2. Informatie-onthulling: Analisten verbonden aan investeringsbanken zijn vaak terughoudend met het vroegtijdig publiceren van pessimistische rapporten vanwege banden met beursgenoteerde bedrijven. Bijgevolg worden pessimistische rapporten vaak gepubliceerd nadat het nieuws al via geruchten of voorkennis is verspreid. Zodra het officiële pessimistische rapport wordt gepubliceerd, stopt de speculatie, neemt de marktonzekerheid af en daalt de volatiliteit.

De studie concludeert dat pessimistisch sentiment een robuuste proxy is voor marktsentiment die de modellering van financiële volatiliteit kan verbeteren, met name binnen het GARCH-framework, terwijl optimistisch sentiment geen vergelijkbare verklarende waarde biedt.