Влияния сентимента на биржевые характеристики активов фондового рынка России тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Файзулин Максим Сергеевич

• Файзулин Максим Сергеевич
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Файзулин Максим Сергеевич

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ ВЛИЯНИЯ МЕЖПЛАТФОРМЕННОГО СЕНТИМЕНТА ИНВЕСТОРОВ НА БИРЖЕВЫЕ ХАРАКТЕРИСТИКИ АКЦИЙ РОССИЙСКИХ КОМПАНИЙ

1.1. Обзор исследований по изучению влияния настроений инвесторов на биржевые характеристики акций компаний

1.1.1. Изучение сентимента как прокси агрегированных настроений инвесторов

1.1.2. Изучение дивергенции мнений как показателя функционирования на рынке различных групп инвесторов при помощи выделения платформенной спецификации

1.2. Методология и данные

1.2.1. Обработка текстовых данных и построение классификатора на основе алгоритмов искусственного интеллекта

1.2.2. Построение метрик сентимента

1.2.3. Общее представление данных

1.2.4. Модельные решения в анализе сентимента

1.3. Эмпирические результаты

1.3.1. Результаты моделирования классификатора и обработки текстовых данных

1.3.2. Описательная статистика и проверка причинной связи

1.3.3. Анализ связи сентимента и дивергенции мнений среди инвесторов с ценовой динамикой акций

1.3.4. Анализ связи сентимента и дивергенции мнений инвесторов с динамикой объема торгов по акциям компаний

1.4. Обсуждение полученных результатов и их практическая значимость

ГЛАВА 2. АНАЛИЗ ФРАКТАЛЬНЫХ СВОЙСТВ РОССИЙСКОГО ФОНДОВОГО РЫНКА И КОЛЛЕКТИВНОГО ПОВЕДЕНИЯ ИНВЕСТОРОВ В КРИЗИСНЫЕ ПЕРИОДЫ

2.1. Обзор исследований по изучению эффекта толпы с использованием фрактального подхода

2.1.1. Взаимосвязь фрактализации рынков с эффектом толпы

2.1.2. Влияние кризисных событий на возникновение устойчивых рыночных трендов

2.2. Методология и данные

2.2.1. Мультифрактальный подход в анализе рыночной динамики

2.2.2. Метрики долговременной рыночной памяти и эффекта толпы

2.2.3. Корреляционный и событийный анализ в оценке влияния сентимента инвесторов на фрактализацию российского фондового рынка

2.3. Эмпирические результаты

2.3.1. Фрактальный анализ отдельных сегментов российского фондового рынка

2.3.2. Особенности динамики эффекта толпы и долгой рыночной памяти за различные кризисные периоды

2.3.3. Анализ влияния сентимента инвесторов на фрактализацию российского фондового рынка

2.3.4. Проверка робастности полученных результатов

2.4. Обсуждение результатов

ГЛАВА 3. КЛАСТЕРНЫЙ АНАЛИЗ ВЛИЯНИЯ СЕНТИМЕНТА НА ФОРМИРОВАНИЕ ЭФФЕКТА ТОЛПЫ СРЕДИ ИНВЕСТОРОВ НА РОССИЙСКОМ ФОНДОВОМ РЫНКЕ

3.1. Обзор исследований и гипотезы по изучению эффекта толпы на фондовых рынках

3.2. Методология и данные

3.2.1. Измерение эффекта толпы и агрегированного сентимента участников рынка

3.2.2. Применение кластерного анализа в изучении гетерогенных групп активов

3.2.3. Моделирование эффекта толпы рыночных участников

3.2.4. Моделирование будущей динамики эффекта толпы на основе методов машинного обучения

3.3. Эмпирические результаты

3.3.1. Результаты кластеризации акций российских эмитентов

3.3.2. Кластерные особенности эффекта толпы среди инвесторов

3.3.2.1. Анализ эффекта толпы среди инвесторов по всей выборке активов

3.3.2.2. Анализ эффекта толпы среди инвесторов по акциям с низким уровнем риска

3.3.2.3. Анализ эффекта толпы среди инвесторов по акциям с высоким уровнем риска

3.3.3. Анализ особенностей проявления эффекта толпы в зависимости от отраслевой принадлежности компаний

3.3.3.1. Общие особенности проявления эффекта толпы за весь анализируемый период

3.3.3.2. Особенности формирования эффекта толпы в период пандемии

3.3.3.3. Особенности формирования эффекта толпы в период СВО

3.3.3.4. Сентимент инвесторов в прогнозировании динамики эффекта толпы на российском фондовом рынке

3.3. Обсуждение результатов

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЯ

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Влияния сентимента на биржевые характеристики активов фондового рынка России»

Актуальность исследования

Современные финансовые рынки становятся все более подверженными влиянию поведенческих факторов, особенно в периоды нестабильности и системных шоков, что подтверждается в современных работах на рынках Азии и Европы (Aslam et al., 2022a; Belhoula et al., 2024; Choi & Yoon, 2020), США (Rubesam & Júnior, 2022). Одним из ключевых факторов, которые хорошо объясняют динамику цен и объемов торгов, стал сентимент инвесторов. В международной литературе активно исследуется влияние сентимента на доходность и волатильность активов на рынках акций (Tetlock, 2007; Long et al., 2023; Nyakurukwa & Seetharam, 2024; Ren & Li, 2025), облигаций (Hadad & Kedar-Levy, 2024; Le et al., 2025), основных криптовалют (Dias et al., 2022; Alipour & Charandabi, 2023; Teterin & Peresetsky, 2024; Тетерин, 2025). На российском рынке данная проблематика в области изучения влияния сентимента инвесторов на биржевые характеристики акций компаний представлена в работах Teplova et al. (2022), Федоровой и др. (2022). В диссертационной работе сентимент измеряется через тональность текстовых публикаций на отечественных онлайн-платформах Pulse, sMart-lab, MFD в обсуждениях различных российских компаний, чьи акции торгуются на Московской бирже. Это позволяет фиксировать как общий уровень одобрения акций участниками рынка, так и степень расхождения мнений между различными группами инвесторов.

Мотивация изучения сентимента инвесторов обусловлена тем, что данный фактор способен вызывать отклонения цен активов от их фундаментальных значений, усиливать краткосрочные тренды и формировать рыночные аномалии, нарушая тем самым эффективное распределение капитала между различными агентами рынка (Chen et al., 2022; Li & Ahn, 2024).

Особую актуальность проблема иррационального поведения инвесторов и долгосрочного сохранения аномалий (отклонения цен активов от фундаментальных значений) приобретает в контексте российского фондового рынка, где за последние годы наблюдается ряд трансформационных изменений. Введение санкционных ограничений, уход иностранных институциональных инвесторов, ограничения трансграничного движения капитала, рост макроэкономической турбулентности привели к изменению структуры участников отечественного рынка акций. С февраля 2022 года, по данным Московской биржи, доля физических лиц превысила 70% от общего числа активных

инвесторов в торговле акциями, а доля частных инвесторов в торговле облигациям превысила 25%1.

На зарубежных рынках доказано, что увеличение доли розничных инвесторов от общего числа активных инвесторов в торгах на фондовом рынке происходит одновременно с ростом волатильности, усилением рыночных трендов и ослаблением информационной эффективности (Rubesam & Junior, 2022; Filip & Pochea, 2023). Российский фондовый рынок демонстрирует схожие признаки.

Например, результаты ряда исследований (Федорова и др., 2022; Теплова и др., 2022; Teplova et al., 2022) показывают, что сентимент инвесторов в социальных сетях имеет связь с биржевыми характеристиками акций, включая влияние сентимента на будущую доходность акций. В периоды пандемии COVID-19 и после начала специальной военной операции (далее - СВО) на российском рынке наблюдается усиление автокорреляции доходностей, рост фрактальной размерности временных рядов и усиление устойчивости краткосрочных трендов (Aslam et al., 2022b; Memon et al., 2024).

В предыдущих исследованиях в качестве прокси общерыночного сентимента авторы понимают настроения всех участников торгов, отражающих рыночную динамику в целом благодаря применению разных метрик, включая данные по ответам респондентов по результатам проведенных опросов (Sakariyahu et al., 2023; Li & Ahn, 2024). Например, в ранних работах по этой теме под сентиментом понимались такие прокси показатели, как индекс волатильности VIX и iVX (Smales, 2017; Long et al., 2021), индекс Американской ассоциации индивидуальных инвесторов - AAII (Brown & Cliff, 2004), индекс настроений Investors Intelligence и индекс настроений инвесторов UBS/GALLUP (Dimpfl & Kleiman, 2019).

С развитием моделей искусственного интеллекта появилась возможность обрабатывать большие массивы текстовых данных и классифицировать их по тональности. Появилось большое число метрик сентимента, построенных с применением текстового анализа по новостным заголовкам, каналам в социальных сетях и в чатах инвесторов (Wang et al., 2022; Teplova et al., 2022; Ren & Li, 2025; Федорова и др. 2022) и по статистике запросов в поисковой системе Google (Wanidwaranan & Padungsaksawasdi, 2022; Teterin & Peresetsky, 2024; Тетерин, 2025). Однако авторы таких работ часто используют общерыночные (агрегированные) метрики сентимента в целях изучения поведения инвесторов (Chen et al., 2022; Федорова и др., 2022).

1 Как менялась доля частных инвесторов на Мосбирже. Источник: https://rusbonds.ru/analytics/18734. (Дата доступа: 01.02.2025 г.).

Редко отслеживается такая характеристика сентимента, как дивергенция мнений (Al-Nasseri & Ali, 2018; Li & Hou, 2024; Chang et al., 2024), которая в оригинальных работах измеряется через сопоставление мнений пользователей определенных онлайн-платформ, например, Eastmoney (Li & Hou, 2024), Guba (Chang et al., 2024), Twitter (Sprenger et al., 2014) или StockTwits (Al-Nasseri & Ali, 2018) без одновременного учета нескольких инвестиционных онлайн-платформ.

Разработка подхода в диссертационном исследовании, основанного на учете разности мнений (дивергенции мнений) между несколькими онлайн-платформами, позволит оценить поведение гетерогенных групп инвесторов в зависимости от рыночной ситуации, особенно в периоды бокового тренда, когда наблюдается неопределенность в поведении цен активов, а дивергенция мнений между различными онлайн-платформами растет.

Предложенный подход в данном исследовании заключается в диагностировании сегментации инвесторов по нескольким онлайн-платформам, что определяется в основном опытом инвестирования, возрастом, уровнем дохода и образования рыночного участника. Так, по результатам онлайн-опроса агентства MARCS, сильное влияние на формирование знаний об инвестировании у начинающих инвесторов оказывают посты в социальных сетях (до 48% респондентов). В то время как по мере погружения в тему инвестиций у начинающих инвесторов лидирующими источниками информации становятся специализированные форумы (44% респондентов) и приложения для инвестиций (35% респондентов).2

Поэтому в работе рассчитываются две группы метрик сентимента: агрегированные (оценка общего уровня одобрения инвесторами акций на основе оценки тональности публикаций на всех анализируемых онлайн-платформах) и межплатформенные (оценка уровня одобрения инвесторами акций на каждой онлайн-платформе отдельно) метрики сентимента.

В рамках анализа влияния сентимента инвесторов на биржевые характеристики акций российских компаний в диссертационной работе уделяется особое внимание эффекту толпы как биржевому показателю для оценки поведения рыночных участников. В текущей работе данный показатель впервые количественно измеряется и используется в ходе тестирования исследовательских гипотез на российском фондовом рынке.

2 Инвестиционное поведение и инвестиционные ожидания российских начинающих инвесторов в крупных городах. Источник: https://cbr.ru/StaticHtml/File/41186/info_2021-10-06.pdf. (Дата доступа: 16.08.2025 г.).

После начала пандемии COVID-19 и СВО исследователи стали все больше отмечать в своих работах усиление эффекта толпы среди инвесторов (Belhoula et al., 2024; Memon et al., 2024; Özdemir & Kumar, 2024). Также авторы работ доказывают, что данный эффект часто объясняется изменением сентимента рыночных участников, который измеряется при помощи оценки тональности публикаций на онлайн-платформах Twitter (Bogdan et al., 2023), Naver Financial (Yoon & Oh, 2022), Sina Weibo (Li et al., 2023) и др. Стоит отметить, что эффект толпы в таких работах анализируется как биржевая характеристика активов, которая выступает в качестве прокси рыночного риска.

Такой эффект является следствием когнитивных искажений среди участников рынка, которые в периоды неопределенности больше обращают внимание на рыночную динамику вместо фундаментальной информации о рассматриваемом активе и компании-эмитенте (Rubesam & Junior, 2022; Filip & Pochea, 2023). На российском рынке теме изучения эффекта толпы ранее не уделялось внимания. Однако такой эффект является важной рыночной характеристикой, выступающей в качестве прокси рыночного риска. В ряде работ доказано, что усиление эффекта толпы наблюдается во время кризисных периодов на различных финансовых рынках (Memon et al., 2023; Belhoula et al., 2024; Wang et al., 2024). Чаще всего авторы зарубежных исследований измеряют эффект толпы двумя подходами:

1) при помощи оценки синхронности динамики средневзвешенной доходности группы активов с динамикой значений общерыночных индексов (Ferreruela & Mall or, 2021; Li et al., 2023; Filip & Pochea, 2023), где усиление такой синхронности означает рост эффекта толпы (инвесторы начинают больше копировать общерыночную динамику);

2) при помощи мультифрактального анализа для оценки формирования устойчивых трендов на основе прошлой биржевой информации (Memon et al., 2023; Khurshid et al., 2024; Özdemir & Kumar, 2024), где усиление таких трендов также означает рост эффекта толпы (инвесторы начинают больше обращать внимание на закономерные колебания цен активов за предыдущие периоды наблюдений).

В диссертационном исследовании данные два подхода применяются для российского рынка акций впервые. В работах российских авторов (Теплова и др., 2022; Цибульникова и Ткаченко, 2025; Березинец и др., 2023; Управителев, 2023) эффект толпы описывается теоретически и трактуется как склонность инвесторов следовать за мнением большинства. В данном случае инвесторы, проявляющие такую склонность, считают, что остальные участники обладают большей информацией о рынке. Однако на российском фондовом рынке количественно данный эффект не определялся, дневные индексы не строились и эмпирически не тестировались.

В текущем диссертационном исследовании эффект толпы исследуется в качестве биржевой характеристики для оценки риска на российском фондовом рынке и объясняется предложенными метриками сентимента. Данная характеристика, как и другие классические показатели (например, доходность и волатильность), рассчитывается на основе биржевых данных с целью количественной оценки склонности инвесторов следовать за общерыночной динамикой в дни наблюдений, а также для оценки склонности рыночных участников следовать за прошлой динамикой цен активов, тем самым способствуя усилению рыночных трендов.

Центральная идея и концепция исследования состоит в том, что благодаря углубленному текстовому анализу сообщений на онлайн-платформах инвестиционной тематики с помощью моделей ИИ и синтетической аугментации текстовых данных появляется возможность диагностирования поляризации мнений по их тональности и исследования сегментации инвесторов в зависимости от их межплатформенных поведенческих особенностей. Учет таких мнений, включая крайние проявления сентимента (консенсуса и дивергенции), также позволяет проанализировать эффект толпы на российском фондовом рынке за различные кризисные периоды после начала COVID-19 и СВО. Измерение эффекта толпы в качестве биржевой характеристики при помощи мультифрактального подхода и метода оценки синхронизации доходности акций с общерыночной динамикой позволяет построить и апробировать прогнозные ИИ модели для оценки будущих изменений эффекта толпы как прокси показателя рыночного риска.

Степень разработанности проблемы в литературе

Изучение сентимента инвесторов и их сегментации на основе онлайн-обсуждений

Модельный подход к описанию ценовой динамики акций базируется на концепции «риск-доходность». В классической финансовой теории речь идет о систематическом риске, который учитывается в модели САРМ (Fama & French, 2004). На текущий момент признание в академических кругах получили и многофакторные модели, учитывающие дополнительные факторы риска, которые позволяют сделать модель более гибкой альтернативной базовой концепции САРМ.

Традиционный взгляд на факторы, определяющие доходность акций и их волатильность на развитых рынках капитала до начала 1980-х годов базировался на фундаментальных факторах дивидендной привлекательности компаний-эмитентов акций, их темпов роста, маржи прибыли. К таким примерам можно отнести работы Blume & Friend (1973), Fama (1965), Sharpe & Walker (1975) и др.

9

Начиная с 1990-х годов, появляются работы, где показано влияние мнений рыночных аналитиков на функционирование фондового рынка (Womack, 1996; Barber et al., 2001; Doukas et al., 2005; Болотин, 2010; Окулов, 2010). Также среди исследователей особое внимание уделяется изучению экономической ценности таких прогнозов со стороны аналитиков, которые доказывают ценность наиболее точных прогнозов для развитых рынков капитала (Womack, 1996; Barber et al., 2001; Elton et al., 1986; Brav et al., 2005; Jegadeesh et al., 2004).

С 2000-х годов появляются работы по анализу сентимента инвесторов путем определения тональности заголовков и контента новостных материалов (Hayo & Kutan, 2005; Tetlock, 2007; Cuellar-Fernândez et al., 2010; Mian & Sankaraguruswamy, 2012; Li et al., 2014). В данных исследованиях доказывается, что сентимент новостной ленты является важным фактором, влияющим на поведение инвесторов. В дальнейшем внимание исследователей переключилось на социальные сети и инвестиционные онлайн-сообщества (Oliveira et al., 2016; Renault, 2017; Zhang et al., 2018). Так, например, в нескольких работах показано, что роль сентимента в социальных сетях превалирует над новостными материалами (Alomari et al., 2021; Nyakurukwa & Seetharam, 2024).

Результаты проведенного онлайн-опроса в 2021 году показывают, что сильное влияние на формирование инвестиционных решений оказывают посты в социальных сетях. Однако по мере погружения в тему инвестиций начинающие инвесторы уже интересуются специализированными форумами и приложениями для инвестиций.3 Согласно другому опросу, организованному sMart-lab в 2022 году, около 80% частных инвесторов пользуются таким источниками информациям, как инвестиционные профильные сообщества, форумы и социальные сети.4

Изучение влияния сентимента пользователей социальных сетей на доходность активов фондового рынка проводится путем сбора текстовых публикаций на Reddit (Long et al., 2023; Reschke & Strych, 2023), Twitter (Федорова, 2022; Zeitun et al., 2023), Eastmoney (Wang et al., 2022; Chen et al., 2022) российских информационных СМИ, например, РБК (Федорова, 2022) и инвестиционных онлайн-платформ (Теплова и др., 2022) и др.

В контексте оценки сентимента преобладает практика построения индексов, которые рассчитываются авторами в качестве агрегированного показателя для оценки общего одобрения акций инвесторами (Wang et al., 2021; Chen et al., 2022; Федорова и др., 2022).

3 Инвестиционное поведение и инвестиционные ожидания российских начинающих инвесторов в крупных городах. Источник: https://cbr.ru/StaticHtml/File/41186/info_2021-10-06.pdf. (Дата доступа: 16.08.2025 г.).

4 Портрет частного инвестора. Результаты второго опроса на смартлабе. Источник: https://smart-lab.ru/blog/817483.php?ysclid=mefhyzp1jt927787387. (Дата доступа: 16.08.2025 г.).

Однако такая агрегация не позволяет выявить степень согласованности или расхождения мнений между участниками рынка, что может приводить к искаженным выводам о влиянии сентимента на биржевую динамику. Недостаточно изучен вопрос о сегментации инвесторов по различным онлайн-платформам как источникам дополнительной информации о рыночных активах.

В этой связи особую важность приобретает анализ дивергенции мнений, понимаемой как степень разобщённости взглядов участников рынка на один и тот же актив. В литературе часто используется общерыночная дивергенция мнений, отражающая уровень неопределенности и слабости консенсуса в совокупном сентименте (Sprenger et al., 2014, Al-Nasseri & Ali, 2018, Farina & Vincenzo, 2019). Наблюдается исследовательский пробел в изучении межплатформенной дивергенции мнений, когда фиксируется наличие полярных точек зрения, мнений и ожиданий на различных онлайн-платформах. Данный пробел также не покрывает вопрос в изучении сегментации рыночных участников, которые транслируют свои мнения на общедоступных онлайн-платформах, которые популярны среди различных групп инвесторов.

В зависимости от приведенных результатов исследований важно понимать, что разброс мнений инвесторов и их гетерогенный характер может изменяться от условий рынка и общей уверенности участников в его будущем росте. Поэтому анализ дивергенции мнений на российском фондовом рынке имеет особую важность в условиях высокой турбулентности в периоды внешних шоков за последние годы. Однако малое число работ по данной теме и ограниченное использование источников для расчета метрик сентимента, включая дивергенцию мнений, делает эту тему исследования весьма актуальной.

Эффект толпы и фрактализациярынков в периоды кризисных событий

Изучение поведения инвесторов на финансовых рынках не ограничивается анализом взаимосвязей сентимента с такими классическими биржевыми характеристиками, как доходность, объем торгов или волатильность. В последнее время авторы ряда работ исследуют и другие поведенческие аномалии. Например, особое внимание уделяется такой биржевой характеристике, как эффект толпы, который стал усиливаться после начала кризисных событий, например, пандемии COVID-19 и СВО (Belhoula et al., 2024; Memon et al., 2024; Özdemir & Kumar, 2024).

Изучение эффекта толпы среди участников рынка берет свое начало с момента активного развития информационных технологий на заре 2000-х годов. Изначально данный эффект изучался как поведенческий феномен, который не измерялся специальными показателями, а выступал в качестве теоретической концепции о поведении рыночных

11

участников. Дополнительным импульсом в изучении данного феномена стал финансовый кризис в 2008 году. Первые исследования определяли эффект толпы как следствие рационального, так и иррационального поведения инвесторов (Bikhchandani & Sharma, 2000). Рациональная природа такого поведения объясняется заинтересованностью инвесторов поддерживать собственную репутацию, доказывая свою позицию на рынке как верную. Однако следование за действиями и мнениями таких гуру приводит к иррациональному поведению. Это происходит по той причине, что участники, которые следуют за лидерами мнений и ожидают получить выигрыш в будущем, транслируют свои действия на динамику биржевых характеристик финансовых активов, что еще больше усиливает эффект толпы на рынке (Prendergast & Stole, 1996; Trueman, 1994). Таким образом, усиление эффекта толпы способно смещать справедливую оценку стоимости актива под влиянием иррационального поведения инвесторов. Это приводит к снижению эффективного распределения капитала среди рыночных участников особенно в периоды паники и высокой неопределенности среди инвесторов.

С течением времени исследователи в своих работах начали количественно измерять эффект толпы, что позволило оценивать этот эффект в качестве биржевой характеристики рыночных активов. Одним из инструментов для измерения такой биржевой характеристики, как эффект толпы, является мультифрактальный анализ. С помощью него анализируется автокорреляционная устойчивость трендов на рынке. Это позволяет измерить эффект толпы при помощи учета прошлой рыночной информации. Такой эффект возникает, когда инвесторы обращают внимание на прошлую рыночную информацию и формируют продолжительный ценовой тренд (Özdemir & Kumar, 2024; Memon et al., 2024).

Также изучение поведения рынка при помощи мультифрактального анализа позволяет измерить рыночную память по данным временных рядов отдельных индексов (Memon et al., 2023; Özdemir & Kumar, 2024). Под рыночной памятью (Magnitude long memory) понимают способность участников рынка в целом запоминать прошлую биржевую информацию (особенно прошлые закономерные флуктуации по ценам активов), что отражается на возникновении различных трендов, включая устойчивые и сменяющие друг друга тренды (Wang et al., 2009; Memon et al., 2023).

Ряд авторов указывает в своих исследованиях, что возникновение трендов, может быть свидетельством ослабления информационной эффективности рынка (Fama, 1965, 1970) и создает условия к возникновению неустойчивой рыночной динамики на фоне системных кризисов (Memon et al. 2022; Lee et al., 2023; Khurshid et al., 2024).

Так, за последние пять лет возникло два важных события: начало пандемии COVID-19 и объявление СВО. Изучение таких системных шоков проводится авторами различных

12

работ по исследованию фрактализации на данных отраслевых индексов рынка акций (Aslam et al., 2022b; Memon et al., 2023; Belhoula et al., 2024; Wang et al., 2024), индексов широкого рынка акций (Caraiani, 2012; Memon et al., 2024; Aslam et al., 2022a, Gaio et al., 2022) и децентрализованных рынков (NFT и криптовалют) (Özdemir & Kumar, 2024; Mnif et al., 2022).

В представленных исследованиях по изучению динамики рыночных показателей отсутствует анализ связи сентимента инвесторов с возникновением устойчивых трендов, которые указывают на усиление эффекта толпы среди инвесторов за различные рыночные периоды, включая кризисные периоды после начала COVID-19 и СВО. Такой исследовательский пробел заключается в недостаточном понимании причин возникновения закономерных флуктуаций по ряду рыночных индексов и активов. Рыночные аномалии, сопровождающиеся резким разворотом трендов или их возникновением, могут провоцироваться системными шоками и/или реакциями инвесторами на локальные события. Следовательно, разработанные метрики сентимента для оценки таких реакций позволили бы определять такие аномальные события на рынке. Мультифрактальный анализ для оценки эффекта толпы как биржевой характеристики по фондовым индексам еще не был проведен в рамках российского фондового рынка, что также явно указывает на исследовательский пробел в данной области.

Эффект толпы как склонность инвесторов следовать за общерыночной

динамикой

Другим наиболее распространенным подходом в оценке эффекта толпы в качестве биржевой характеристики рыночных активов является измерение синхронности движения доходности активов с общерыночной динамикой в дни наблюдений. Это позволяет в отличие от измерения трендов по прошлым значениям рыночных индексов учитывать склонность инвесторов по отдельным акциям следовать за общерыночной динамикой, копируя поведение большинства. Такая склонность является стимулом для участников с ограниченной информацией следовать за поведением других, кто, по их мнению, обладает большим опытом и информацией о рынке. Следовательно, наличие такой проблемы является индикатором ослабления информационной эффективности рынка, когда стоимость активов формируется на иррациональных решениях и ожиданиях инвесторов, а не их объективной оценки активов.

Влияние кризисов, рост волатильности цен и изменение ликвидности активов также оказывают эффект на склонность инвесторов следовать за общерыночной динамикой на фондовых рынках (Espinosa-Méndez & Arias, 2020; Duygun et al., 2021; Ferreruela & Mallor,

13

2021; Rubesam & Júnior, 2022). Например, в работе (Rubesam & Júnior, 2022) авторы находят признаки усиливающегося эффекта толпы после начала пандемии COVID-19 на рынках Италии, Швеции и США.

Немаловажным также является вопрос о взаимосвязи эффекта толпы с сентиментом инвесторов, который способен оказывать значимое влияние на склонность участников рынка следовать за мнением большинства в кризисных условиях, когда возникает рыночная неопределенность (Rubesam & Júnior, 2022; Filip & Pochea, 2023). Например, оценка эффекта толпы методом синхронизации доходностей акций и широкого фондового рынка позволяет обнаружить взаимосвязи с сентиментом инвесторов во время кризисных периодов на фондовых рынках Испании и Португалии (Filip & Pochea, 2023).

Однако предыдущие работы по изучению эффекта толпы не покрывают вопросы о том, как консенсус / дивергенция мнений в одобрении акций участниками рынка взаимосвязаны с усилением желания инвесторов следовать за общерыночной динамикой, где растущая дивергенция мнений может выступать бенчмарком рыночной неопределенности среди инвесторов. Также наблюдается исследовательский пробел в ряде работ (Rubesam & Júnior, 2022; Filip & Pochea, 2023), где отсутствует изучение дивергенции мнений под призмой гетерогенных шоков, например, пандемии COVID-19 и СВО.

Наблюдается отсутствие работ в области прогнозирования эффекта толпы как прокси-показателя будущего рыночного риска, что рассматривается в диссертации как открытый исследовательский вопрос. Количественная оценка эффекта толпы является важной биржевой характеристикой, описывающей поведенческую особенность участников рынка, которая может приводить к серьезным рискам потери инвестиционного капитала и разгона рыночного пузыря во время формирования консенсуса мнений, что делает данный эффект важным показателем в прогнозировании будущих рыночных рисков.

Также в ряде работ (Özdemir & Kumar, 2024; Memon et al., 2024) отсутствует анализ влияния сентимента на усиление устойчивых рыночных трендов, которые измеряются показателем эффекта толпы. Это дополнило бы понимание о том, как эффект толпы, оцениваемый при помощи мультифрактального анализа, может зависеть от резких изменений сентимента.

Диссертационное исследование направлено на восполнение выявленных пробелов путём проведения комплексного анализа влияния агрегированного и межплатформенного сентимента на биржевые характеристики, включая эффект толпы, на основе данных по торгуемым акциям на Московской бирже, а также по её основным фондовым индексам, включая отраслевые и индекс широкого рынка акций (MOEXBMI).

Объект и предмет исследования

Объектом исследования являются торгуемые на Московской бирже акции 73 российских компаний, по которым ведутся обсуждения на отечественных онлайн-платформах, фондовые индексы Московской биржи, состоящие из наиболее ликвидных акций компаний финансовой отрасли (MOEXFN), металлов и добычи (MOEXMM), потребительского сектора (MOEXCN), нефти и газа (MOEXOG), электроэнергии (MOEXEU), а также индекс широкого рынка акций (MOEXBMI).

Список литературы диссертационного исследования кандидат наук Файзулин Максим Сергеевич, 2026 год

СПИСОК ЛИТЕРАТУРЫ

1. Березинец, И. В., Ильина, Ю. Б., Бобров, К. А., & Копцев, В. С. (2023). Альтернативные инвестиции: мотивы и риски инвестирования на краудфандинговых платформах. Вестник Санкт-Петербургского университета. Менеджмент, 22(3), 313-336.

2. Болотин, Г. М. (2010). Анализ прогнозирующей способности финансовых аналитиков на российском фондовом рынке. Вестник Чувашского университета, (4), 307-315.

3. Окулов, В. Л. (2010). Исследование эффективности российского рынка акций: реакция рынка на публикацию прогнозов аналитиков. Вестник Санкт-Петербургского университета. Менеджмент, (3), 3-22.

4. Тенчурин, А. Т., Лосева А. В. (2023). Анализ теоретико-методологических подходов к изучению эффективности рынка криптоактивов и к «эффекту толпы». Экономические науки, (227), 211-219.

5. Теплова, Т. В., Соколова, Т. В., Томтосов, А. Ф., Бучко, Д. В., & Никулин, Д. Д. (2022). Сентимент частных инвесторов в объяснении различий в биржевых характеристиках акций российского рынка. Журнал Новой экономической ассоциации, 53(1), 53-84. https://doi. org/10.31737/2221 -2264-2022-53-1 -3.

6. Тетерин, М. А. (2025). Прогноз волатильности криптовалют с использованием Google Trends и GDELT. Экономическая политика, 20(4), 82-117. https://doi.org/10.18288/1994-5124-2025-4-82-117.

7. Управителев, А. А. (2023). Неоклассические корни поведенческой экономики. Журнал Новой экономической ассоциации, 1 (58), 110-140.

8. Файзулин М. С. (2024а) Информационная энтропия и гетерогенное поведение инвесторов на российском фондовом рынке. Финансы и бизнес. 20(2), 27-52. https://doi.org/10.31085/1814-4802-2024-20-2-120-27-52.

9. Файзулин, М. С. (2024b). Сентимент и стадное поведение частных инвесторов: кластерный анализ российского фондового рынка. Финансовый журнал, 16(4), 95-113. https://doi.org/10.31107/2075-1990-2024-4-95-113.

10. Файзулин, М. С. (2025b). Поисковое внимание и дивергенция мнений в объяснении поведения частных инвесторов. Вестник Московского университета. Серия 6. Экономика, 60(5), 3-41. https://doi.org/10.55959/MSU0130-0105-6-60-5-1.

11. Файзулин, М.С. (2025a). Поведенческие девиации и фрактальные закономерности на российском фондовом рынке. Journal of Applied Economic Research,

24(3). 1023-1064. https://doi.org/10.15826/vestnik.2025.24.3.034.

210

12. Федорова, Е. А., Демин, И. С., Афанасьев, Д. О., & Рогов, О. Ю. (2020). О влиянии зарубежных СМИ на российский фондовый рынок: текстовый анализ. Экономика и математические методы, 56(2), 77-89. https://doi.org/10.31857/S042473880008527-8.

13. Федорова, Е. А., Пыльцин, И. В., Ковальчук, Ю. А., & Дроговоз, П. А. (2022). Новости и социальные сети российских компаний: степень влияния на рынок ценных бумаг. Журнал Новой экономической ассоциации, 1(53), 32-52. https://doi.org/10.31737/2221-2264-2022-53-1-2.

14. Федорова, Е. А., Рогов, О. Ю., & Ключников, В. А. (2018). Влияние новостей на индекс нефтегазовой отрасли ММВБ: текстовый анализ. Вестник Московского университета. Серия 6. Экономика, (4), 79-99. https://doi.org/10.38050/01300105201845.

15. Цибульникова, В. Ю., & Ткаченко, Д. С. (2025). Анализ особенностей поведения частных инвесторов на фондовом рынке с учетом типовых когнитивных искажений. Журнал прикладных исследований, (4), 148-153.

16. Ahmed Memon, B., Aslam, F., Naveed, H. M., Ferreira, P., & Ganiev, O. (2024). Influence of the Russia-Ukraine War and COVID-19 Pandemic on the Efficiency and Herding Behavior of Stock Markets: Evidence from G20 Nations. Economies, 12(5), 106. https://doi.org/10.3390/economies12050106.

17. Alipour P., Charandabi S. E. (2023). Analyzing the interaction between tweet sentiments and price volatility of cryptocurrencies. European Journal of Business and Management Research, 8 (2), 211-215. https://doi.org/10.24018/ejbmr.2023.8.2.1865.

18. Al-Nasseri, A., & Ali, F. M. (2018). What does investors' online divergence of opinion tell us about stock returns and trading volume?. Journal of Business Research, 86, 166-178.

19. Alomari, M., Al Rababa'a, A. R., El-Nader, G., Alkhataybeh, A., & Rehman, M. U. (2021). Examining the effects of news and media sentiments on volatility and correlation: Evidence from the UK. The quarterly review of economics and finance, 82, 280-297.

20. Arthur, D., & Vassilvitskii, S. (2007). K-means++: The advantages of careful seeding. Proceedings of the Annuual ACM-SIAM Symposium on Discrete Algorithms, 8, 1027-1035. https://doi.org/10.1145/1283383.1283494.

21. Ashtiani, M. N., & Raahemi, B. (2023). News-based intelligent prediction of financial markets using text mining and machine learning: A systematic literature review. Expert Systems with Applications, 217, 119509. https://doi.org/10.1016/j.eswa.2023.119509.

22. Aslam, F., Ferreira, P., Ali, H., & Kauser, S. (2022a). Herding behavior during the COVID-19 pandemic: A comparison between Asian and European stock markets based on intraday

multifractality. Eurasian Economic Review, 12(2), 333-359. https://doi.org/10.1007/s40822-021-00191-4.

23. Aslam, F., Slim, S., Osman, M., & Tabche, I. (2022b). The footprints of Russia-Ukraine war on the intraday (in) efficiency of energy markets: a multifractal analysis. The Journal of Risk Finance, 24(1), 89-104. https://doi.org/10.1108/JRF-06-2022-0152.

24. Banerjee, A. V. (1992). A simple model of herd behavior. The quarterly journal of economics, 107(3), 797-817. https://doi.org/10.2307/2118364.

25. Barber, B., Lehavy, R., McNichols, M., & Trueman, B. (2001). Can investors profit from the prophets? Security analyst recommendations and stock returns. The Journal of finance, 56(2), 531-563. https://doi.org/10.1111/0022-1082.00336.

26. Barberis, N., Greenwood, R., Jin, L., & Shleifer, A. (2015). X-CAPM: An extrapolative capital asset pricing model. Journal of financial economics, 115(1), 1-24. https://doi.org/10.1016/jjfineco.2014.08.007.

27. Belhoula, M. M., Mensi, W., & Al-Yahyaee, K. H. (2024). Dynamic speculation and efficiency in European natural gas markets during the COVID-19 and Russia-Ukraine crises. Resources Policy, 98, 105362. https://doi.org/10.1016/j.resourpol.2024.105362.

28. Bikhchandani, S., & Sharma, S. (2000). Herd behavior in financial markets. IMF Staff papers, 47(3), 279-310. https://doi.org/10.2307/3867650.

29. Blume, M. E., & Friend, I. (1973). A new look at the capital asset pricing model. The journal of finance, 28(1), 19-33. https://doi.org/10.2307/2978165.

30. Bogdan, S., Brmalj, N., & Mujacevic, E. (2023). Impact of liquidity and investors sentiment on herd behavior in cryptocurrency market. International journal of financial studies, 11(3), 97. https://doi.org/10.3390/ijfs11030097.

31. Brav, A., Lehavy, R., & Michaely, R. (2005). Using expectations to test asset pricing models. Financial management, 34(3), 31-64. https://doi.org/10.1111/j.1755-053X.2005.tb00109.x.

32. Breiman, L. (2001). Random forests. Machine learning, 45, 5-32.

33. Brown, G. W. and M. T. Cliff (2004), Investor Sentiment and the Near-term Stock Market. Journal of Empirical Finance, 11(1), 1-27.

34. Caraiani, Petre. 2012. Evidence of Multifractality from Emerging European Stock Markets. PloSONE, 7, e40693. https://doi.org/10.1371/journal.pone.0040693.

35. Carter, C. A., & Steinbach, S. (2024). Did grain futures prices overreact to the Russia-Ukraine war due to herding?. Journal of Commodity Markets, 35, 100422. https://doi .org/10.1016/j.j comm .2024.100422.

36. Chamberlain, B., Liu, Z., & Smales, L. A. (2023). Short interest and the stock market relation with news sentiment from traditional and social media sources. Australian Economic Papers, 62(2), 321-334. DOI: https://doi.org/10.1111/1467-8454.12297.

37. Chang, K., Yang, M., Zhou, S., & Wei, G. (2024). The impacts of online public opinions on stock price synchronicity in China: Evidence from stock forums. Expert Systems with Applications, 255, 124520. https://doi.org/10.10167j.eswa.2024.124520.

38. Chen, C., Ishfaq, M., Ashraf, F., Sarfaraz, A., & Wang, K. (2022). Mediating Role of Optimism Bias and Risk Perception Between Emotional Intelligence and Decision-Making: A Serial Mediation Model. Frontiers in Psychology, 2731. https://doi.org/10.3389/fpsyg.2022.914649.

39. Chen, H., & Ji, Y. (2019). Improving the explainability of neural sentiment classifiers via data augmentation. arXiv preprint arXiv:1909.04225. https://doi.org/10.48550/arXiv.1909.04225.

40. Chen, M., Guo, Z., Abbass, K., & Huang, W. (2022). Analysis of the impact of investor sentiment on stock price using the latent diririchlet allocation topic model. Frontiers in Environmental Science, 10, 1068398. https://doi.org/10.3389/fenvs.2022.1068398.

41. Chen, T., & Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining, 785-794.

42. Choi, K. H., & Yoon, S. M. (2020). Investor sentiment and herding behavior in the Korean stock market. International Journal of Financial Studies, 8(2), 34. https://doi.org/10.3390/ijfs8020034.

43. Corea, F. (2016). Can twitter proxy the investors' sentiment? The case for the technology sector. Big Data Research, 4, 70-74. https://doi.org/10.1016/j.bdr.2016.05.001.

44. Cuellar-Fernandez, B., Fuertes-Callen, Y., & Lainez-Gadea, J. A. (2010). The impact of corporate media news on market valuation. Journal of Media Economics, 23(2), 90-110. https://doi.org/10.1080/08997764.2010.485541.

45. Dastkhan, H. (2021). Network-based early warning system to predict financial crisis. International Journal of Finance & Economics, 26(1), 594-616. https://doi.org/10.1002/ijfe.1806.

46. Devani, D., & Patel, M. (2022). Stock market (BSE) prediction using unsupervised sentiment analysis and LSTM: A hybrid approach. In Proceedings of the 2nd International Conference on Recent Trends in Machine Learning, IoT, Smart Cities and Applications: ICMISC 2021, 79-87. Springer Singapore. https://doi.org/10.1007/978-981-16-6407-6_8.

47. Dias, I. K., Fernando, J. R., & Fernando, P. N. D. (2022). Does investor sentiment predict bitcoin return and volatility? A quantile regression approach. International Review of Financial Analysis, 84, 102383. https://doi.org/10.1016/j.irfa.2022.102383.

48. Dimpfl, T., & Kleiman, V. (2019). Investor pessimism and the German stock market: Exploring Google search queries. German Economic Review, 20(1), 1-28.

49. Doukas, J. A., Kim, C., & Pantzalis, C. (2005). The two faces of analyst coverage. Financial Management, 34(2), 99-125.

50. Duygun, M., Tunaru, R., & Vioto, D. (2021). Herding by corporates in the US and the Eurozone through different market conditions. Journal of International Money and Finance, 110, 102311. https://doi.org/10.1016/jjimonfin.2020.102311.

51. Economou, F., Gavriilidis, K., Goyal, A., & Kallinterakis, V. (2015). Herding dynamics in exchange groups: Evidence from Euronext. Journal of International Financial Markets, Institutions and Money, 34, 228-244. https://doi.org/10.1016/j.intfin.2014.11.013.

52. Edmans, A., Fernandez-Perez, A., Garel, A., & Indriawan, I. (2022). Music sentiment and stock returns around the world. Journal of Financial Economics, 145(2), 234-254. https://doi.org/10.1016/j.jfineco.2021.08.014.

53. Elton, E. J., Gruber, M. J., & Grossman, S. (1986). Discrete expectational data and portfolio performance. The Journal of Finance, 41(3), 699-713. https://doi.org/10.1111/j.1540-6261.1986.tb04534.x.

54. Espinosa-Méndez, C., & Arias, J. (2021). COVID-19 effect on herding behaviour in European capital markets. Finance research letters, 38, 101787. https://doi.org/10.1016/j.frl.2020.101787.

55. Fadaee, M., Bisazza, A., & Monz, C. (2017). Data Augmentation for Low-Resource Neural Machine Translation. In Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics, 2, 567-573. https://doi.org/10.48550/arXiv.1705.00440.

56. Fama, E. F. (1965). The behavior of stock-market prices. The journal of Business, 38(1), 34-105. http://www.jstor.org/stable/2350752.

57. Fama, E. F. (1970). Efficient capital markets. Journal of finance, 25(2), 383-417.

58. Fama, E. F., & French, K. R. (2004). The capital asset pricing model: Theory and evidence. Journal of economic perspectives, 18(3), 25-46.

59. Farina, Vincenzo. (2019). The impact of investors' sentiment divergence on stock market efficiency. The 2nd International Conference on Management, Economics and Finance, Rotterdam, Netherlands, 1-22.

60. Ferreruela, S., & Mallor, T. (2021). Herding in the bad times: The 2008 and COVID-19 crises. The North American Journal of Economics and Finance, 58, 101531. https://doi.Org/10.1016/j.najef.2021.101531.

61. Filip, A. M., & Pochea, M. M. (2023). Intentional and spurious herding behavior: A sentiment driven analysis. Journal of Behavioral and Experimental Finance, 38, 100810. https://doi.org/10.1016/jjbef.2023.100810.

62. Gaio, L. E., Stefanelli, N. O., Júnior, T. P., Bonacim, C. A. G., & Gatsios, R. C. (2022). The impact of the Russia-Ukraine conflict on market efficiency: Evidence for the developed stock market. Finance Research Letters, 50, 103302. https://doi.org/10.1016Zj.frl.2022.103302.

63. Gan, B., Alexeev, V., Bird, R., & Yeung, D. (2020). Sensitivity to sentiment: News vs social media. International Review of Financial Analysis, 67, 101390. https://doi.org/10.1016/j.irfa.2019.101390.

64. Garg, S., & Ramakrishnan, G. (2020). BAE: BERT-based Adversarial Examples for Text Classification. In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), 6174-6181. DOI: https://doi.org/10.48550/arXiv.2004.01970.

65. Giannini, R., Irvine, P., & Shu, T. (2019). The convergence and divergence of investors' opinions around earnings news: Evidence from a social network. Journal of Financial Markets, 42, 94-120. https://doi.org/10.1016/j.finmar.2018.12.003.

66. Goonatilake, R., & Herath, S. (2007). The volatility of the stock market and news. International Research Journal of Finance and Economics, 3(11), 53-65.

67. Granger, C. W. (1980). Testing for causality: A personal viewpoint. Journal of Economic Dynamics and control, 2, 329-352. https://doi.org/10.1016/0165-1889(80)90069-X.

68. Hachicha, F. (2024). Sentiment investor, exchange rates, geopolitical risk and developing stock market: evidence of co-movements in the time-frequency domain during RussiaUkraine war. Review of Behavioral Finance, 16(3), 486-509. https://doi.org/10.1108/RBF-04-2023-0119.

69. Hadad, E., & Kedar-Levy, H. (2024). The impact of retail investor sentiment on the conditional volatility of stocks and bonds: Evidence from the Tel-Aviv stock exchange. International Review of Economics & Finance, 89, 1303-1313. https://doi.org/10.1016/j.iref.2023.09.002.

70. Hamraoui, I., & Boubaker, A. (2022). Impact of Twitter sentiment on stock price returns. Social Network Analysis and Mining, 12(1), 28. https://doi.org/10.1007/s13278-021-00856-7.

71. Haralabopoulos, G., Anagnostopoulos, I., & McAuley, D. (2020). Ensemble deep learning for multilabel binary classification of user-generated content. Algorithms, 13(4), 83. https://doi.org/10.3390/a13040083.

72. Hayo, B., & Kutan, A. M. (2005). The impact of news, oil prices, and global market developments on Russian financial markets. Economics of Transition, 13(2), 373-393. https://doi.org/10.1111/j.1468-0351.2005.00214.x.

73. Hirshleifer, D., & Teoh, S. H. (2003). Limited attention, information disclosure, and financial reporting. Journal of accounting and economics, 36(1-3), 337-386. https://doi.org/10.1016/jjacceco.2003.10.002.

74. Hong, H., & Kubik, J. D. (2003). Analyzing the analysts: Career concerns and biased earnings forecasts. The Journal of Finance, 58(1), 313-351. https://doi.org/10.1111/1540-6261.00526.

75. Hu, T., & Tripathi, A. (2016). Impact of social media and news media on financial markets. In Thirty Seventh International Conference on Information Systems, Dublin, Ireland, 1-10. Available at SSRN: https://ssrn.com/abstract=2796906.

76. Huang, Z., Xu, Q., & Wang, X. (2024). Does Investors' Online Public Opinion Divergence Increase the Trading Volume? Evidence from the CSI 300 Index Constituents. Journal of Risk and Financial Management, 17(8), 316. https://doi.org/10.3390/jrfm17080316.

77. Hudson, Robert, and Andrew Urquhart. (2022). Naval disasters, world war two and the British stock market. Research in International Business and Finance, 59, 101556. https://doi.org/10.1016/j.ribaf.2021.101556.

78. Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: principles and practice. Otexts, Melbourne, Australia.

79. Ibrahim, A. A., Ridwan, R. L., Muhammed, M. M., Abdulaziz, R. O., & Saheed, G. A. (2020). Comparison of the CatBoost classifier with other machine learning methods. International Journal of Advanced Computer Science and Applications, 11(11), 738-748.

80. Ihsan, I., Rahman, H., Shaikh, A., Sulaiman, A., Rajab, K., & Rajab, A. (2023). Improving in-text citation reason extraction and classification using supervised machine learning techniques. Computer Speech & Language, 82, 101526. https://doi.org/10.1016Zj.csl.2023.101526.

81. Jaradat, S., Nayak, R., Paz, A., & Elhenawy, M. (2024). Ensemble Learning with Pre-Trained Transformers for Crash Severity Classification: A Deep NLP Approach. Algorithms, 17(7), 284. https://doi.org/10.3390/a17070284.

82. Jegadeesh, N., Kim, J., Krische, S. D., & Lee, C. M. (2004). Analyzing the analysts: When do recommendations add value?. The journal offinance, 59(3), 1083-1124.

83. Kantelhardt, Jan W., Stephan A. Zschiegner, Eva Koscielny-Bunde, Shlomo Havlin, Armin Bunde, and H. Eugene Stanley. 2002. Multifractal detrended fluctuation analysis of nonstationary time series. Physica A: Statistical Mechanics and its Applications, 316, 87-114. https://doi.org/10.1016/S0378-4371(02)01383-3.

84. Khurshid, A., Khan, K., Cifuentes-Faura, J., & Chen, Y. (2024). Asymmetric multifractality: Comparative efficiency analysis of global technological and renewable energy prices using MFDFA and A-MFDFA approaches. Energy, 289, 130106. https://doi .org/10.1016/j. energy.2023.130106.

85. Kim, S. H., & Kim, D. (2014). Investor sentiment from internet message postings and the predictability of stock returns. Journal of Economic Behavior & Organization, 107, 708-729. https://doi.org/10.1016/jjebo.2014.04.015.

86. Kobayashi, S. (2018). Contextual Augmentation: Data Augmentation by Words with Paradigmatic Relations. In Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, 2, 452457). DOI: https://doi.org/10.48550/arXiv.1805.06201.

87. Kuersteiner, G. M. (2010). Granger-sims causality. In Macroeconometrics and time series analysis (pp. 119-134). London: Palgrave Macmillan UK. DOI: https://doi.org/10.1057/9780230280830_14.

88. Lakonishok, J., Shleifer, A., & Vishny, R. W. (1992). The impact of institutional trading on stock prices. Journal of financial economics, 32(1), 23-43. https://doi.org/10.1016/0304-405X(92)90023-Q.

89. Le, T. D., Hoque, A., & Le, T. (2025). Dynamic Spillovers Among Green Bond Markets: The Impact of Investor Sentiment. Journal of risk andfinancial management, 18(8), 444. https://doi.org/10.3390/jrfm18080444.

90. Lee, M. J., & Choi, S. Y. (2023). Comparing market efficiency in developed, emerging, and frontier equity markets: a multifractal detrended fluctuation analysis. Fractal and Fractional, 7(6), 478. https://doi.org/10.3390/fractalfract7060478.

91. Li, J., & Ahn, H. J. (2024). Sensitivity of Chinese stock markets to individual investor sentiment: An analysis of Sina Weibo mood related to COVID-19. Journal of Behavioral and Experimental Finance, 41, 100860. https://doi.org/10.1016/jjbef.2023.100860.

92. Li, Q., Wang, T., Li, P., Liu, L., Gong, Q., & Chen, Y. (2014). The effect of news and public mood on stock movements. Information Sciences, 278, 826-840. https://doi.org/10.1016/j.ins.2014.03.096.

93. Li, T., Chen, H., Liu, W., Yu, G., & Yu, Y. (2023). Understanding the role of social media sentiment in identifying irrational herding behavior in the stock market. International Review of Economics & Finance, 87, 163-179. https://doi.org/10.1016/j.iref.2023.04.016.

94. Li, X., & Hou, K. (2024). Investors' opinion disagreement and abnormal trading around pre-earnings announcements. International Review of Financial Analysis, 91, 103035. https://doi.org/10.1016/j.irfa.2023.103035.

95. Long, S., Lucey, B., Xie, Y., & Yarovaya, L. (2023). "I just like the stock": The role of Reddit sentiment in the GameStop share rally. Financial Review, 58(1), 19-37. https://doi.org/10.1111/fire.12328.

96. Long, W., Zhao, M., & Tang, Y. (2021). Can the Chinese volatility index reflect investor sentiment?. International Review of Financial Analysis, 73, 101612. https://doi.org/10.1016/j.irfa.2020.101612.

97. Loukachevitch, N., Blinov, P., Kotelnikov, E., Rubtsova, Y., Ivanov, V., & Tutubalina, E. (2015). SentiRuEval: Testing object-oriented sentiment analysis systems in Russian. In Computational linguistics and intellectual technologies. International conference on computational linguistics and intellectual technologies, dialogue, 3-13.

98. Mackinlay, C. (1997). Event Studies in Economics and Finance. Journal of Economic Literature, 35, 13-39.

99. Meel, P., Chawla, P., Jain, S., & Rai, U. (2020). Web text content credibility analysis using max voting and stacking ensemble classifiers. In 2020 Advanced Computing and Communication Technologies for High Performance Applications (ACCTHPA), 157-161. https://doi.org/10.1109/ACCTHPA49271.2020.9213234.

100. Memon, B. A., Aslam, F., Asadova, S., & Ferreira, P. (2023). Are clean energy markets efficient? A multifractal scaling and herding behavior analysis of clean and renewable energy markets before and during the COVID19 pandemic. Heliyon, 9(12), e22694. https://doi .org/10.1016/j.heliyon.2023.e22694.

101. Memon, B. A., Aslam, F., Naveed, H. M., Ferreira, P., & Ganiev, O. (2024). Influence of the Russia-Ukraine War and COVID-19 Pandemic on the Efficiency and Herding Behavior of Stock Markets: Evidence from G20 Nations. Economies, 12(5), 106. https://doi.org/10.3390/economies12050106.

102. Memon, B. A., Yao, H., & Naveed, H. M. (2022). Examining the efficiency and herding behavior of commodity markets using multifractal detrended fluctuation analysis. Empirical evidence from energy, agriculture, and metal markets. Resources Policy, 77, 102715. https://doi.org/10.1016/j. resourpol.2022.102715.

103. Mensi, W., Vo, X. V., & Kang, S. H. (2024). Upward and Downward Multifractality and Efficiency of Chinese and Hong Kong Stock Markets. Computational Economics, 1-36. https://doi.org/10.1007/s10614-023-10526-9.

104. Mian, G. M., & Sankaraguruswamy, S. (2012). Investor sentiment and stock market response to earnings news. The Accounting Review, 87(4), 1357-1384.

105. Miller, E. M. (1977). Risk, uncertainty, and divergence of opinion. The Journal of finance, 32(4), 1151-1168. https://doi.org/10.2307/2326520.

106. Milo§, L. R., Ha^iegan, C., Milo§, M. C., Barna, F. M., & Botoc, C. (2020). Multifractal detrended fluctuation analysis (MF-DFA) of stock market indexes. Empirical evidence from seven central and eastern European markets. Sustainability, 12(2), 535. https://doi.org/10.3390/su12020535.

107. Mnif, E., Salhi, B., Trabelsi, L., & Jarboui, A. (2022). Efficiency and herding analysis in gold-backed cryptocurrencies. Heliyon, 8(12), e11982. https://doi.org/10.10167j.heliyon.2022.e11982.

108. Mohammed, A., & Kora, R. (2022). An effective ensemble deep learning framework for text classification. Journal of King Saud University-Computer and Information Sciences, 34(10), 8825-8837. https://doi.org/10.1016/jjksuci.2021.11.001.

109. Ng, S. H., Zhuang, Z., Toh, M. Y., Ong, T. S., & I, B. H. (2022). Exploring herding behavior in an innovative-oriented stock market: evidence from ChiNext. Journal of Applied Economics, 25(1), 523-542. https://doi.org/10.1080/15140326.2022.2050992.

110. Nikkinen, J., & Sahlström, P. (2004). Impact of the federal open market committee's meetings and scheduled macroeconomic news on stock market uncertainty. International Review of Financial Analysis, 13(1), 1-12. https://doi.org/10.1016/j.irfa.2004.01.001.

111. Nyakurukwa, K., & Seetharam, Y. (2024). Sentimental showdown: News media vs. social media in stock markets. Heliyon, 10(9), e30211. https://doi.Org/10.1016/j.heliyon.2024.e30211.

112. Oliveira, N., Cortez, P., & Areal, N. (2016). Stock market sentiment lexicon acquisition using microblogging data and statistical measures. Decision Support Systems, 85, 62-73. https://doi.org/10.1016Zj.dss.2016.02.013.

113. Özdemir, O., & Kumar, A. S. (2024). Dynamic Efficiency and Herd Behavior During Pre-and Post-COVID-19 in the NFT Market: Evidence from Multifractal Analysis. Computational Economics, 63(3), 1255-1279. https://doi.org/10.1007/s10614-023-10522-z.

114. Peng, C. K., Buldyrev, S. V., Havlin, S., Simon, M., Stanley, H. E., & Coldberger, A. L. (1994). Mosaic organization of DNA nucleotides. Physical Review E, 49, 1685-1689.

115. Peng, L., & Xiong, W. (2006). Investor attention, overconfidence and category learning. Journal of Financial Economics, 80(3), 563-602. https://doi.org/10.1016/jjfineco.2005.05.003.

116. Pontiki, M., Galanis, D., Papageorgiou, H., Androutsopoulos, I., Manandhar, S., AL-Smadi, M., et al. (2016). SemEval-2016 task 5: Aspect based sentiment analysis. In Proceedings of the 10th international workshop on semantic evaluation (SemEval-2016). San Diego, California, 19-30. https://dx.doi.org/10.18653/v1/S16-1002.

117. Prendergast, C., & Stole, L. (1996). Impetuous youngsters and jaded old-timers: Acquiring a reputation for learning. Journal of political Economy, 104(6), 1105-1134. https://doi.org/10.1086/262055.

118. Qiu, Y., Song, Z., & Chen, Z. (2022). Short-term stock trends prediction based on sentiment analysis and machine learning. Soft Computing, 26(5), 2209-2224. https://doi.org/10.1007/s00500-021-06602-7.

119. Ran, M., Tang, Z., Chen, Y., & Wang, Z. (2024). Early warning of systemic risk in stock market based on EEMD-LSTM. Plos one, 19(5), e0300741. https://doi .org/10.1371/journal.pone.0300741.

120. Ren, T., & Li, S. (2025). Stock market forecasting based on machine learning: The role of investor sentiment. Physica A: Statistical Mechanics and its Applications, 666, 130533. https://doi.org/10.1016/j.physa.2025.130533.

121. Renault, T. (2017). Intraday online investor sentiment and return patterns in the US stock market. Journal of Banking & Finance, 84, 25-40. https://doi.org/10.1016/jjbankfin.2017.07.002.

122. Reschke, F. and Strych, J.-O. (2023). Emojis and stock returns. Review of Behavioral Finance, 16(2), 223-233 https://doi.org/10.1108/RBF-09-2022-0215.

123. Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). "Why should I trust you?" Explaining the predictions of any classifier. In Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining, 1135-1144.

124. Rizvi, Syed Aun R., and Shaista Arshad. 2016. How does crisis affect efficiency? An empirical study of East Asian markets. Borsa Istanbul Review, 16, 1-8. https://doi.org/10.1016/j.bir.2015.12.003.

125. Rogers, A., Romanov, A., Rumshisky, A., Volkova, S., Gronas, M., & Gribov, A. (2018). RuSentiment: An enriched sentiment analysis dataset for social media in Russian. In Proceedings of the 27th international conference on computational linguistics. Santa Fe, New Mexico, USA: Association for Computational Linguistics, 755-763.

126. Rubesam, A., & Júnior, G. D. S. R. (2022). Covid-19 and herding in global equity markets. Journal of Behavioral and Experimental Finance, 35, 100672. https://doi.org/10.1016/jjbef.2022.100672.

127. Rubtsova, Y. V. (2013). A method for development and analysis of short text corpus for the review classification task. In Proceedings of Conferences Digital Libraries: Advanced Methods and Technologies, Digital Collections, RCDL, Russia, Yaroslavl, 269-275.

128. Sachar, D., Goyal, H., & Sharma, V. K. (2022). Comparative Sentiment Analysis on Stock Market News Using Machine Learning. In Intelligent Computing Techniques for Smart Energy Systems: Proceedings of ICTSES 2021, 199-210. https://doi.org/10.1007/978-981-19-0252-9_19.

129. Sahu, K., Bai, Y., & Choi, Y. (2020). Supervised sentiment analysis of twitter handle of president trump with data visualization technique. In 2020 10th Annual Computing and Communication Workshop and Conference (CCWC), 640-646. https://doi.org/10.1109/CCWC47524.2020.9031237.

130. Sakariyahu, R., Johan, S., Lawal, R., Paterson, A., & Chatzivgeri, E. (2023). Dynamic connectedness between investors' sentiment and asset prices: A comparison between major markets in Europe and USA. Journal of International Financial Markets, Institutions and Money, 89, 101866. https://doi.org/10.1016/j.intfin.2023.101866.

131. Shadkhoo, Shahriar, and Gholamzera Jafari. (2009). Multifractal detrended cross-correlation analysis of temporal and spatial seismic data. The European Physical Journal B, 72: 679. https://doi.org/10.1140/epjb/e2009-00402-2.

132. Shanmugasundar, G., Vanitha, M., Cep, R., Kumar, V., Kalita, K., & Ramachandran, M. (2021). A comparative study of linear, random forest and adaboost regressions for modeling non-traditional machining. Processes, 9(11), 2015. https://doi.org/10.3390/pr9112015.

133. Sharpe, I. G., & Walker, R. G. (1975). Asset revaluations and stock market prices. Journal of accounting research, 293-310. https://doi.org/10.2307/2490366.

134. Sheikh, M. F., Bhutta, A. I., & Parveen, T. (2025). Herding or reverse herding: the reaction to change in investor sentiment in the Chinese and Pakistani markets. International Journal of Emerging Markets, 20(1), 74-91. https://doi.org/10.1108/IJ0EM-02-2022-0270.

135. Siganos, A., Vagenas-Nanos, E., & Verwijmeren, P. (2017). Divergence of sentiment and stock market trading. Journal of Banking & Finance, 78, 130-141. https://doi.org/10.1016/jjbankfin.2017.02.005.

136. Simon, H. A. (1955). A behavioral model of rational choice. The quarterly journal of economics, 99-118. https://doi.org/10.2307/1884852.

221

137. Smales, L. A. (2017). The importance of fear: investor sentiment and stock market returns. Applied Economics, 49(34), 3395-3421. https://doi.org/10.1080/00036846.2016.1259754.

138. Smetanin, S., & Komarov, M. (2019). Sentiment analysis of product reviews in Russian using convolutional neural networks. In 2019 IEEE 21st conference on business informatics (CBI), IEEE, 482-486. https://doi.org/10.1109/CBI.2019.00062.

139. Smetanin, S., & Komarov, M. (2021). Deep transfer learning baselines for sentiment analysis in Russian. Information Processing & Management, 58(3), 102484. https://doi.org/10.1016Zj.ipm.2020.102484.

140. Sprenger, T. O., Tumasjan, A., Sandner, P. G., & Welpe, I. M. (2014). Tweets and trades: The information content of stock microblogs. European Financial Management, 20(5), 926-957. https://doi.org/10.1111/j .1468-036X.2013.12007.x.

141. Sul, H. K., Dennis, A. R., & Yuan, L. (2017). Trading on twitter: Using social media sentiment to predict stock returns. Decision Sciences, 48(3), 454-488. https://doi.org/10.1111/deci.12229.

142. Sun, L., Najand, M., & Shen, J. (2016). Stock return predictability and investor sentiment: A high-frequency perspective. Journal of banking & finance, 73, 147-164. https://doi.org/10.1016/j.jbankfin.2016.09.010.

143. Teplova T., Fayzulin M., Kurkin A. (2025). Early warning system for Russian stock market crises: TCN-LSTM-Attention model using imbalanced data and attention mechanism. Socio-Economic Planning Sciences, 101, 102292. https://doi.org/10.1016/j.seps.2025.102292.

144. Teplova, T., & Fayzulin, M. (2025). Decoding Russian stock market trends through ensemble methods and sentiment analysis of social media. Annals of Operations Research, 353(3), 1123-1172. https://doi.org/10.1007/s10479-025-06683-9.

145. Teplova, T., Tomtosov, A., & Sokolova, T. (2022). A retail investor in a cobweb of social networks. PloS One, 17(12), e0276924. https://doi.org/10.1371/journal.pone.0276924.

146. Teterin, M. A., & Peresetsky, A. A. (2024). Google Trends and Bitcoin volatility forecast. Journal of the New Economic Association, 65(4), 118-135. https://doi.org/10.31737/22212264_2024_4_118-135

147. Tetlock, P. C. (2007). Giving content to investor sentiment: The role of media in the stock market. The Journal of finance, 62(3), 1139-1168. https://doi.org/10.1111/j.1540-6261.2007.01232.x.

148. Tiwari, Aviral Kumar, Goodness C. Aye, and Rangan Gupta. 2019. Stock market efficiency analysis using long spans of Data: A multifractal detrended fluctuation approach. Finance Research Letters, 28, 398-411. https://doi.org/10.1016/j.frl.2018.06.012.

222

149. Trueman, B. (1994). Analyst forecasts and herding behavior. The review of financial studies, 7(1), 97-124. https://doi.Org/10.1093/rfs/7.1.97.

150. Wang, F., Chang, J., Zuo, W., & Zhou, W. (2024). Research on Efficiency and Multifractality of Gold Market under Major Events. Fractal and Fractional, 8(8), 488. https://doi.org/10.3390/fractalfract8080488.

151. Wang, G. J., Xiong, L., Zhu, Y., Xie, C., & Foglia, M. (2022). Multilayer network analysis of investor sentiment and stock returns. Research in International Business and Finance, 62, 101707. https://doi.org/10.1016Zj.ribaf.2022.101707.

152. Wang, H., Xue, L., Du, W., Wang, F., Li, P., Chen, L., & Ma, H. (2021b). The effect of online investor senti ment on stock movements: an LSTM approach. In International Conference on Intelligence Science, Springer, Cham, 1-14. https://doi.org/10.1155/2020/4754025.

153. Wang, Wanting, Kecheng Liu, and Zheng Qin. (2014). Multifractal Analysis on the Return Series of Stock Markets Using MF-DFA Method. The 15th IFIP WG 8.1 International Conference on Informatics and Semiotics in Organisations, ICISO 2014, Shanghai, China, 107-115. https://doi.org/10.1007/978-3-642-55355-4_11.

154. Wang, Xiaoquan, Xinyue Wang, Zheng Zhong, and Junnan Yao. (2021a). The impact of US-China trade war on Chinese firms: Evidence from stock market reactions. Applied Economics Letters, 28, 579-83. https://doi.org/10.1080/13504851.2020.1764477.

155. Wang, Y., Liu, L., & Gu, R. (2009). Analysis of efficiency for Shenzhen stock market based on multifractal detrended fluctuation analysis. International Review of Financial Analysis, 18(5), 271-276. https://doi.org/10.1016/j.irfa.2009.09.005.

156. Wanidwaranan, P., & Padungsaksawasdi, C. (2022). Unintentional herd behavior via the Google search volume index in international equity markets. Journal of International Financial Markets, Institutions and Money, 77, 101503. https://doi.org/10.10167j.intfin.2021.101503.

157. Womack, K. L. (1996). Do brokerage analysts' recommendations have investment value?. The journal of finance, 51(1), 137-167. https://doi.org/10.1111/j.1540-6261.1996.tb05205.x.

158. Wu, D. D., Zheng, L., & Olson, D. L. (2014). A decision support approach for online stock forum sentiment analysis. IEEE transactions on systems, man, and cybernetics: systems, 44(8), 1077-1087. https://doi.org/10.1109/TSMC.2013.2295353.

159. Xie, Q., Dai, Z., Hovy, E., Luong, T., & Le, Q. (2020). Unsupervised data augmentation for consistency training. Advances in neural information processing systems, 33, 6256-6268.

160. Yang, W., & Loang, O. K. (2024). Systematic Literature Review: Behavioural Biases as the Determinants of Herding. Technology-Driven Business Innovation: Unleashing the Digital Advantage, 1, 79-92. https://doi.org/10.1007/978-3-031-51997-0_7.

161. Yoon, J., & Oh, G. (2022). Investor herding behavior in social media sentiment. Frontiers in Physics, 1079. https://doi.org/10.3389/fphy.2022.1023071.

162. Zaremba, Adam, Nusret Cakici, Ender Demir, and Huaigang Long. 2022. When bad news is good news: Geopolitical risk and the cross-section of emerging market stock returns. Journal of Financial Stability, 58, 100964. https://doi.org/10.1016/jjfs.2021.100964.

163. Zeitun, R., Rehman, M. U., Ahmad, N., & Vo, X. V. (2023). The impact of Twitter-based sentiment on US sectoral returns. The North American Journal of Economics and Finance, 64, 101847. https://doi.org/10.1016/j.najef.2022.101847.

164. Zhai, Z., Zhang, X., Fang, F., & Yao, L. (2023). Text classification of Chinese news based on multi-scale CNN and LSTM hybrid model. Multimedia Tools and Applications, 82(14), 20975-20988. https://doi.org/10.1007/s11042-023-14450-w.

165. Zhang, X., Shi, J., Wang, D., & Fang, B. (2018). Exploiting investors social network for stock prediction in China's market. Journal of computational science, 28, 294-303. https://doi.org/10.1016/jjocs.2017.10.013.

166. Zhu, Huijian, and Weiguo Zhang. 2018. Multifractal property of Chinese stock market in the CSI 800 index based on MF-DFA approach. Physica A: Statistical Mechanics and Its Applications, 490, 497-503. https://doi.org/10.1016/j.physa.2017.08.060.

167. Zuo, Y., & Zhao, X. (2023). Effects of herding behavior of tradable green certificate market players on market efficiency: insights from heterogeneous agent model. Frontiers in Energy, 17(2), 266-285. https://doi.org/10.1007/s11708-021-0752-1.

ПРИЛОЖЕНИЯ

Приложение 1.

Отфильтрованные акции компаний в части исследования из главы 1

Тикер Среднемесячный объем торгов Капитализация, млрд. руб. Номер группы ликвидности

лкик 65933880 653 1

лмиг 75574990 33 1

ЛРТК 37400230 92 1

снмк 12829630 19 1

163420200 80 1

мякс 31279980 11 1

МЯКР 45718470 43 1

МЯКУ 20710740 6 1

М8Я8 23096270 57 1

МУГО 187202300 36 1

21141630 161 1

ММТР 202012200 190 1

овкв 110597200 80 1

8БЬв 123137800 43 1

8УЛУ 118075300 21 1

ТвКЛ 101504100 25 1

ТвКБ 31672940 9 1

ЛБК8 1066323000 145 2

ЛБЬТ 1045287000 243 2

В8РВ 272998400 160 2

БББ8 327838700 145 2

ББ8Н 223392300 212 2

НУБЯ 391329000 354 2

1ЯЛО 788344100 264 2

МЛвМ 1180152000 504 2

МТ88 1024522000 418 2

РНОЯ 494619500 819 2

Р1КК 365933800 480 2

ЯЛ8Р 320633500 173 2

446824400 35 2

ЯТКМ 269372800 201 2

ЯИЛЬ 844039600 558 2

ТЯМК 274210900 106 2

UWGN 329178100 136 2

ЛЬЯ8 1626986000 482 3

СНМБ 1459690000 850 3

GAZP 10334550000 3135 3

GMKN 4201666000 2556 3

ЬКОН 6245487000 4907 3

MGNT 1963785000 445 3

МОБХ 1229753000 450 3

МТЬЯ 1411064000 49 3

NLMK 1471010000 774 3

Тикер Среднемесячный объем торгов Капитализация, млрд. руб. Номер группы ликвидности

NVTK 1911438000 3000 3

PLZL 2103118000 2572 3

ROSN 2811107000 6418 3

SBER 14172380000 6041 3

SNGS 1533414000 1350 3

TATN 1725146000 1604 3

VTBR 2245989000 520 3

YDEX 3563077000 1566 3

Приложение 2.

Результаты ADF теста

Переменная ADF p-value

Return -30.8414 0.0000

TV -42.3955 0.0000

RMOEX -27.8489 0.0000

TVMOEX -43.0291 0.0000

Bond -37.9450 0.0000

AKRA -39.4704 0.0000

RVI -36.8629 0.0000

RUONIA -32.7022 0.0000

Bank money -43.6196 0.0000

DivO -253.8965 0.0000

DO_P_SM -253.8921 0.0000

Sent -253.8821 0.0000

Sent P -253.8821 0.0000

Sent SM -253.8880 0.0000

COVID 19 -10.2940 0.0000

SMO -10.1456 0.0000

Interest Rate -13.3620 0.0000

IO IO

-J

Return TV RMOEX TVMOEX Bond AKRA RVI RUONIA Bank mon DivO DO P SM Sent Sent P Sent SM COVID 19 SMO Interest Rate

Return 1.00***

TV 0.16*** 1.00***

RMOEX 0.57*** -0.03*** 1.00***

TVMOEX -0.06*** 0.31*** -0.05*** 1.00***

Bond 0.41*** -0.03*** 0.68*** -0.05*** 1.00***

AKRA -0.09*** 0.00 -0.13*** 0.00 -0.16*** 1.00***

RVI -0.31*** 0.06*** _0.5*** 0.11*** -0.39*** 0.10*** 1.00***

RUONIA -0.04*** -0.03*** -0.02*** -0.08*** -0.08*** 0.14*** 0.00 1.00***

Bank_money -0.01** -0.01* -0.04*** -0.01*** -0.04*** -0.02*** -0.02*** -0.05*** 1.00***

DivO 0.00 0.01 0.00 0.00 -0.00 -0.00 -0.00 -0.00 -0.00 1.00***

DO P SM 0.00 0.00 0.00 0.01** -0.00 0.00 -0.00 0.00 0.00 -0.00 1.00***

Sent -0.00 0.00 -0.00 0.00 -0.00 0.00 0.00 0.00 -0.00 0.00 -0.00 1.00***

Sent P -0.00 0.00 -0.00 0.00 -0.00 0.00 0.00 0.00 -0.00 0.00 -0.00 1.00*** 1.00***

Sent SM 0.00 0.01 -0.00 -0.00 0.00 0.00 0.01 -0.00 -0.01*** -0.00 0.00 0.00 0.00 1.00***

COVID 19 0.01 -0.00 0.00 -0.01*** 0.02*** -0.02*** -0.02*** -0.02*** 0.00 -0.00 0.00 -0.00 -0.00 -0.01 1.00***

SMO -0.01*** -0.00 -0.02*** -0.01* 0.00 -0.01 -0.02*** 0.02*** -0.00 0.00 0.00 0.00 0.00 0.00 -0.40*** 1.00***

Interest Rate -0.02*** -0.01** -0.03*** -0.02*** 0.04*** 0.01*** -0.00 0.04*** -0.02*** 0.00 0.00 0.00 0.00 0.00 -0.63*** 0.70*** 1.00***

Примечание: * 0.1 уровень значимости, ** 0.05 уровень значимости, *** 0.01 уровень значимости.

Приложение 4. Таблица 1.

Результаты теста на причинность по Грейнджеру между сентиментом и

доходностью

Зависимая переменная Тестируемая переменная Лаг Chi2 p-value

1 0.8732 0.3501

Return DivO 2 0.9681 0.6163

3 1.2528 0.7404

4 1.2477 0.8702

1 0.1839 0.6681

DivO Return 2 1.3645 0.5055

3 1.5104 0.6799

4 1.5171 0.8236

1 0.0095 0.9224

Return DO P SM 2 0.0754 0.9630

3 1.1757 0.7588

4 2.6489 0.6182

1 0.9470 0.3305

DO P SM Return 2 2.1636 0.3390

3 3.0301 0.3870

4 3.0326 0.5524

1 0.0284 0.8661

Return Sent 2 0.1579 0.9241

3 0.1826 0.9803

4 0.2014 0.9953

1 0.0743 0.7852

Sent Return 2 0.2247 0.8937

3 0.2573 0.9679

4 0.4953 0.9740

1 0.0284 0.8661

Return Sent P 2 0.1579 0.9241

3 0.1826 0.9803

4 0.2014 0.9953

1 0.0743 0.7852

Sent P Return 2 0.2247 0.8937

3 0.2573 0.9679

4 0.4953 0.9740

1 0.1163 0.7331

Return Sent SM 2 0.0918 0.9551

3 0.5825 0.9004

4 1.7322 0.7849

1 0.6600 0.4166

Sent SM Return 2 5.4430 0.0658

3 5.4679 0.1406

4 7.7226 0.1023

Примечание: полужирным выделены значения p-value меньше 0.1000.

Таблица 2.

Результаты теста на причинность по Грейнджеру между сентиментом и

динамикой объема торгов

Зависимая переменная Тестируемая переменная Лаг Chi2 p-value

1 0.0013 0.9709

TV DivO 2 0.3599 0.8353

3 0.7040 0.8723

Зависимая переменная Тестируемая переменная Лаг Chi2 p-value

4 0.9070 0.9236

1 0.0053 0.9419

DivO TV 2 0.0415 0.9795

3 0.2020 0.9773

4 1.1233 0.8906

1 0.3803 0.5374

TV DO P SM 2 0.2860 0.8667

3 4.9380 0.1764

4 5.1307 0.2741

1 0.0917 0.7620

DO P SM TV 2 0.5174 0.7721

3 0.9500 0.8134

4 1.0440 0.9031

1 0.0032 0.9546

2 0.0327 0.9838

TV Sent 3 0.3435 0.9516

4 0.4337 0.9796

1 0.0272 0.8690

Sent TV 2 0.1750 0.9162

3 0.1796 0.9808

4 0.3612 0.9855

1 0.0032 0.9546

TV Sent P 2 0.0327 0.9838

3 0.3435 0.9516

4 0.4337 0.9796

1 0.0272 0.8690

Sent P TV 2 0.1750 0.9162

3 0.1796 0.9808

4 0.3612 0.9855

1 0.3655 0.5455

TV Sent SM 2 2.5834 0.2748

3 2.7362 0.4341

4 4.7068 0.3187

1 0.4595 0.4979

Sent SM TV 2 2.4338 0.2962

3 2.5732 0.4622

4 7.7866 0.0997

Примечание: полужирным выделены значения p-value меньше 0.1000.

Приложение 5. Таблица 1.

Квантильный анализ связи агрегированного сентимента с доходностью всех

обсуждаемых акций

Объясняемая переменная: Return

Переменная д = 0.25 д = 0.50 д = 0.75 вья

Коэффициент (Ст. ошибка) Коэффициент (Ст. ошибка) Коэффициент (Ст. ошибка) Коэффициент (Ст. ошибка)

Coef. -0.0067 0.0000 0.0074 0.0006

(0.0000) *** (0.0000) (0.0000) *** (0.0003) **

TV 0.0013 0.0049 0.0094 0.0087

(0.0000) *** (0.0001) *** (0.0000) *** (0.0001) ***

RMOEX 0.7641 0.7333 0.7142 0.7552

(0.0060) *** (0.0050) *** (0.0060) *** (0.0066) ***

TVMOEX -0.0061 -0.0064 -0.0079 -0.0088

(0.0000) *** (0.0000) *** (0.0000) *** (0.0003) ***

Объясняемая переменная: Return

Переменная д = 0.25 д = 0.50 д = 0.75 вья

Коэффициент (Ст. ошибка) Коэффициент (Ст. ошибка) Коэффициент (Ст. ошибка) Коэффициент (Ст. ошибка)

Bond 0.2526 0.2346 0.2028 0.2073

(0.0200) *** (0.0170) *** (0.0230) *** (0.0239) ***

AKRA -0.0033 -0.0002 0.0022 -0.0013

(0.0010) *** (0.0010) (0.0010) *** (0.0008) *

RVI -0.0066 -0.0022 -0.0020 -0.0118

(0.0010) *** (0.0010) ** (0.0010) (0.0015) ***

RUONIA -0.0134 -0.0087 -0.0046 -0.0231

(0.0020) *** (0.0020) *** (0.0020) * (0.0028) ***

Bank_money 0.0007 0.0005 0.0010 0.0010

(0.0000) ** (0.0000) ** (0.0000) *** (0.0004) ***

DivO -0.0080 -0.0011 0.0054 -0.0018

(0.0100) (0.0150) (0.0330) (0.0219)

Sent -0.0102 -0.0034 0.0040 0.0017

(0.0100) (0.0150) (0.0320) (0.0214)

COVID_19 -0.0021 -0.0004 0.0014 -0.0003

(0.0000) *** (0.0000) ** (0.0000) *** (0.0002)

SMO 0.0006 -0.0002 -0.0007 0.0005

(0.0000) *** (0.0000) (0.0000) *** (0.0002) **

Interest_Rate -0.0059 (0.0000) *** -0.0011 (0.0000) *** 0.0036 (0.0000) *** -0.0017 (0.0005) ***

R2 0.3341 0.3575 0.3612 0.3650

Наблюдения 64446 64446 64446 64446

Равенство коэффициентов по всем квантилям и GLS регрессии (p-value)