Выявление и оценка искусственного повышения биржевых характеристик акций в результате публикации сообщений в социальных сетях тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Хазиев Глеб Андреевич

• Хазиев Глеб Андреевич
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Хазиев Глеб Андреевич

Введение

Глава 1. Теоретические основы исследования искусственного повышения биржевых характеристик акций

1.1 Искусственное повышение биржевых характеристик акций в результате публикации сообщений в социальных сетях: понятие и механизм реализации

1.2 Обзор методов выявления искусственного повышения биржевых характеристик акций в результате публикации сообщений в социальных сетях

1.3 Применение сентимент анализа для выявления признаков искусственного повышения биржевых характеристик акций в результате публикации сообщений в социальных сетях

1.4 Выводы по итогам обзора теоретических основ исследования искусственного повышения биржевых характеристик акций

Глава 2. Методология выявления и эмпирического анализа искусственного повышения биржевых характеристик акций в результате публикации сообщений в социальных сетях

2.1 Гипотезы исследования и дизайн методологии их проверки

2.2 Методология сбора и анализа публикаций из социальных сетей по российским публичным компаниям

2.3 Построение моделей определения сентимента частных инвесторов и авторских индексов сентимента RSMII и RSMSI

2.4 Данные и методология построения моделей прогнозирования динамики цен российских акций с учетом сентимента инвесторов в социальных сетях

2.5 Данные и методология построения моделей выявления искусственного повышения биржевых характеристик акций в результате публикации сообщений в социальных сетях

2.6 Выводы по методологии выявления и эмпирического анализа искусственного повышения биржевых характеристик акций

Глава 3. Тестирование эмпирических моделей выявления случаев искусственного повышения биржевых характеристик акций в результате публикации сообщений в социальных сетях

3.1 Построение моделей искусственного интеллекта для определения сентимента частных инвесторов на основе анализа публикаций в социальных сетях

3.2 Результаты тестирования моделей прогнозирования динамики цен российских акций с учетом сентимента инвесторов в социальных сетях

3.3 Тестирование моделей выявления случаев искусственного повышения биржевых характеристик акций в результате публикации сообщений в социальных сетях

3.4 Результаты тестирования моделей выявления искусственного повышения биржевых характеристик акций по группам ликвидности

3.5 Выводы по результатам тестирования эмпирических моделей

Заключение

Список литературы

Приложения

Введение

Введение диссертации (часть автореферата) на тему «Выявление и оценка искусственного повышения биржевых характеристик акций в результате публикации сообщений в социальных сетях»

Актуальность исследования.

В последние годы фондовый рынок России переживает серьезную трансформацию, связанную с активным притоком частных инвесторов и изменением структуры торгов. С 2021 по 2025 год количество физических лиц с брокерскими счетами на Московской Бирже превысило 36,7 млн человек, а доля частных инвесторов в общем объеме торгов акциями увеличилась с 40% до 75%1. Основным каналом получения информации для принятия инвестиционных решений у большинства российских частных инвесторов являются Телеграм каналы и социальные сети (по данным Центрального Банка Российской Федерации - далее ЦБ РФ2). Происходящая трансформация привела к появлению на российском рынке феномена «искусственного повышения биржевых характеристик акций» (далее - ИПБХА) под влиянием публикаций в социальных сетях. Под данным феноменом в диссертации понимается резкий рост цены и объема торгов акциями отдельных компаний, вызванный публикацией информации о компании в социальных сетях, а не фундаментальными причинами.

Феномен ИПБХА в результате публикации сообщений в социальных сетях хорошо известен и изучен на рынке США под термином «social media manipulation» и «pump and dump» с использованием социальных сетей. Яркими примерами ИПБХА являются широко известные кейсы, связанные с участниками форума Reddit и их влиянием на котировки акций GameStop, AMC Entertainment, BlackBerry и других публичных компаний (Andreev et al., 2022). В последние годы схема «pump and dump», реализуемая через социальные сети, стала одной из распространенных форм манипулирования рынком в развитых и развивающихся странах. С распространением использования социальных сетей сентимент частных инвесторов приобретает все большее влияние на динамику биржевых характеристик акций и возникновение рыночных аномалий (Cai et al., 2024; Gupta et al., 2023; Renault, 2017; Münster et al., 2024; Semenova & Winkler, 2025; Непп и Джураева, 2023).

Официально первый подтвержденный случай ИПБХА в результате публикации сообщений в социальных сетях в России был зафиксирован в 2021 г., когда ЦБ РФ выявил попытку манипуляций акциями «Россети Юг» в Телеграм3. Несмотря на важную роль социальных сетей в принятии решений российскими частными инвесторами, вопрос о влиянии

1 Официальный сайт Московской биржи. Новости и пресс-релизы. Частные инвесторы в апреле вложили в акции и облигации на Московской бирже 181,5 млрд рублей: https://www.moex.com/n90170 (дата доступа - 06.06.2025)

2 Официальный сайт Центрального Банка Российской Федерации. Исследование инвестиционной грамотности: https://www.cbr.ru/analytics/szpp/fin literacy/issledovanie-investicionnoy-gramotnosti (дата доступа - 06.06.2025)

3 РБК. ЦБ впервые выявил попытку влиять на цену акций с помощью Те^гат-каналов: https://www.rbc.ru/finances/10/03/2021/60487c3f9a79471c371cba15 (дата доступа - 10.05.2025)

публикаций в социальных сетях на аномальную торговую активность на российском рынке остается недостаточно исследованным. Подавляющее большинство предыдущих исследований выполнено по рынкам США, Индии, Китая (Niu et al., 2023; Sarkar et al., 2022; Liu et al., 2021), где социальные сети начали оказывать влияние на поведение инвесторов раньше, чем в России.

На российском фондовом рынке ведутся исследования влияния сентимента частных инвесторов в социальных сетях на доходность акций отдельных компаний и портфелей активов (Теплова и др., 2022; Teplova et al., 2022).

Также имеются публикации, посвященные вопросам выявления и минимизации рыночных манипуляций, включая распространение недостоверной информации и злоупотребления на финансовых рынках (Коновалова, 2023; Шаманина и Сероштан, 2024). Указанные работы ориентированы преимущественно на правовую и регуляторную интерпретацию манипулятивных практик и не ставят своей целью выявление и количественную оценку краткосрочных рыночных аномалий, возникающих под влиянием активности инвесторов в социальных сетях.

В то же время по теме выявления ИПБХА в результате публикации сообщений в социальных сетях на российском рынке практически отсутствуют эмпирические исследования, в которых данный феномен формализуется и проверяется на данных с применением современных методов машинного обучения. В отличие от зарубежных работ, выполненных преимущественно для рынков США и Китая (Liu et al., 2021; Nam & Skillicorn, 2025), в российском контексте такие исследования до настоящего времени не получили системного развития, что формирует исследовательский разрыв и определяет актуальность настоящей диссертационной работы.

В рамках диссертационного исследования мы отвечаем на следующие исследовательские вопросы:

1) позволяет ли учет сентимента частных инвесторов в социальных сетях улучшить точность прогнозирования доходности акций на российском фондовом рынке по сравнению с моделями, основанными только на технических индикаторах и рыночных мультипликаторах.

2) могут ли публикации в социальных сетях выступать причиной краткосрочного ИПБХА при отсутствии фундаментальных факторов;

3) позволяют ли модели машинного обучения, основанные на рыночных и поведенческих признаках, надежно выявлять эпизоды ИПБХА на российском фондовом рынке;

4) различаются ли характеристики и сила проявления ИПБХА в результате публикации сообщений в социальных сетях в зависимости от уровня ликвидности акций.

Отличительной особенностью диссертационного исследования является использование расширенного набора переменных (включая факторы сентимента, индикаторы технического

анализа, рыночные мультипликаторы) и более продолжительных временных периодов анализа по сравнению с большинством предыдущих исследований (Audrino et al., 2020; Lin et al., 2024). Разработаны новые авторские индексы сентимента (Russian social media sentiment index - RSMSI) и интенсивности обсуждений (Russian social media intensive index - RSMII) российских компаний-эмитентов акций, построенные на уникальной выборке сообщений российских частных инвесторов в социальных сетях Пульс и Телеграм. Рассматривается расширенный временной горизонт (2018-2025 гг.) и проводится разметка более 1 млн сообщений, что делает полученные результаты более устойчивыми и репрезентативными. Это позволяет рассматривать ИПБХА под влиянием публикации сообщений в социальных сетях как новый тип поведенческой аномалии, характерной для современной структуры участников фондового рынка в России.

В рамках диссертационного исследования формализовано понятие «искусственного повышения биржевых характеристик акций под влиянием публикации сообщений в социальных сетях» и определены его отличительные характеристики на российском фондовом рынке. Для идентификации эпизодов ИПБХА построены и сопоставлены по метрикам качества модели машинного обучения и логистической регрессии. Выявлены различия в проявлениях ИПБХА в зависимости от уровня ликвидности акций.

Цель и задачи исследования.

Цель исследования заключается в формализации понятия и количественной оценке феномена искусственного повышения биржевых характеристик акций на российском рынке в результате публикации сообщений в социальных сетях, а также в разработке оригинального комплекса моделей машинного обучения для его выявления на основе поведенческих и рыночных факторов.

Задачи исследования:

1. Обзор и систематизация научной литературы и подходов к изучению влияния публикаций в социальных сетях на фондовый рынок, включая влияние сентимента инвесторов на динамику цен и объемов торгов акциями отдельных компаний.

2. Определение понятия «искусственного повышения биржевых характеристик акций в результате публикации сообщений в социальных сетях», выделение его отличительных признаков и критериев, а также механизмов реализации на российском рынке, включая каналы и особенности распространения публикаций, процесс принятия инвестиционных решений частными инвесторами и последующую рыночную реакцию, выражающуюся в изменении биржевых характеристик акций.

3. Формирование уникальной эмпирической базы данных эпизодов ИПБХА с использованием социальных сетей, включающей события за период с 2019 по 2025 годы, а также

соответствующие им публикации инвестиционной тематики из социальных сетей Телеграм и Пульс.

4. Построение и оценка надежности моделей (Lasso, Random Forest, Gradient Boosting, XGBoost, AutoML + Weighted Ensemble, LSTM) прогнозирования доходности акций российских компаний с учетом сентимента частных инвесторов, определяемого на основе анализа публикаций в социальных сетях Телеграм и Пульс. Оценка влияния авторского индекса сентимента (RSMSI) на точность прогнозирования доходности акций по наиболее обсуждаемым эмитентам.

5. Разработка методологии выявления случаев ИПБХА в результате публикации сообщений в социальных сетях, основанной на моделировании «нормального» хода торгов (ожидаемого по историческим данным) и выявлении значимых отклонений цен и объемов, связанной с активностью инвесторов в социальных сетях при отсутствии фундаментальных факторов.

6. Построение и тестирование моделей машинного обучения (CatBoost, KNN, Random Forest, SVM) и модели логистической регрессии с использованием поведенческих, рыночных факторов и технических индикаторов для выявления случаев ИПБХА на российском фондовом рынке в результате публикации сообщений в социальных сетях.

7. Определение количественных критериев аномалий цен и объемов торгов, а также поведенческих особенностей инвесторов, характерных для случаев ИПБХА на российском фондовом рынке.

8. Выявление особенностей ИПБХА различных групп ликвидности.

Объектом диссертационного исследования являются акции публичных компаний российского фондового рынка, по которым в период с 2019 по 2025 год наблюдались факты аномального роста цен и объемов торгов, сопровождающиеся повышенной активностью публикаций и обсуждений инвесторов в Телеграм каналах инвестиционной тематики и социальной сети Пульс.

Предметом исследования является феномен ИПБХА на российском фондовом рынке в результате публикации сообщений в социальных сетях.

Степень научной разработанности исследовательской проблемы.

Теоретической основой данного исследования является концепция поведенческих финансов и работы по исследованию рыночных аномалий. Традиционно в рамках исследований XX в. динамика фондового рынка объяснялась гипотезой эффективного рынка (effective market hypothesis, EMH) и теорией случайных блужданий, разработанными Fama (1970) и Samuelson (1965), соответственно. В рамках этой парадигмы поведение инвесторов рассматривалось как

рациональное, а нерыночные факторы, включая информационные и новостные потоки, массовую психологию, не признавались значимыми факторами изменения цен на рыночные активы. Последующие эмпирические наблюдения (Shiller, 1981) поставили под сомнение универсальность EMH. В XXI веке получила развитие теория поведенческих финансов, утверждающая, что иррациональные действия инвесторов могут приводить к устойчивым отклонениям цен от фундаментальных значений (Baker & Wurgler, 2007). Появление и распространение социальных сетей, таких как Twitter, Reddit, Телеграм и платформ для инвесторов (например, Пульс в России), приток частных инвесторов на фондовые рынки усилило роль сентимента в рыночных колебаниях (Niu et al., 2023; Liu et al., 2021). В современных эмпирических исследованиях авторы отмечают, что настроения инвесторов и их внимание (частота обсуждения) к компаниям-эмитентам позволяют прогнозировать (Cookson et al., 2024; Chen et al., 2014; Gupta et al., 2023) и объяснять (Cai et al., 2024; Теплова и др., 2022; Teplova et al., 2022) изменение биржевых характеристик акций и валютных курсов (Afanasyev et al., 2021).

Дополнительную теоретическую основу исследования составляют концепция ограниченной рациональности Simon (1955), классические представления о психологии толпы Le Bon (1895) и поведенческая концепция избыточной реакции рынка, получившая развитие в работах De Bondt & Thaler (1985). Использование указанных подходов позволяет интерпретировать выявленные в диссертации эпизоды ИПБХА не только как частный случай рыночной аномалии, но и как результат сочетания ограниченной способности частных инвесторов к обработке информации, склонности к подражанию и возможной чрезмерной реакции рынка на сигналы из социальных сетей. В этой связи исследуемый феномен рассматривается в работе как проявление поведенческих механизмов, усиливающихся в условиях цифровой среды и высокой роли социальных сетей в распространении инвестиционных идей.

Искусственное повышение биржевых характеристик акций можно рассматривать как форму поведенческой аномалии (в ряде случаев - рыночной манипуляции), возникающую при высокой концентрации внимания инвесторов к отдельным бумагам в социальных сетях. Этот эффект ранее рассматривался в работах, посвященных рыночной реакции на обсуждения в сообществах Reddit, StockTwits, Twitter и других платформах (Renault, 2017; Münster et al., 2024; Semenova & Winkler, 2025). Он лежит в русле концепции ограниченной рациональности и влияния информационного фона на инвестиционные решения. Современные эмпирические исследования подчеркивают значимость социальных сетей как одной из причин краткосрочных рыночных аномалий (Münster et al., 2024; Keasey et al., 2025; Semenova & Winkler, 2025). Выявлены различия во влиянии настроений и внимания инвесторов для различных площадок:

так, Keasey et al. (2025) показал, что социальная сеть Instagram является неподходящим каналом для ИПБХА, так как публикации влияют на внимание инвесторов, волатильность и объем торгов, но не оказывают существенного влияния на доходность акций, тогда как публикации в сети Reddit приводят к краткосрочным всплескам цен акций на рынке США (Semenova & Winkler, 2025).

Большинство работ по изучению влияния настроений инвесторов в социальных сетях на динамику рыночных торгов ориентировано на развитые рынки или рынок Китая и не предлагают универсальные алгоритмы выявления и ИПБХА (Nam & Skillicorn, 2025; Gupta et al., 2023; Cai et al., 2024; Munster et al., 2024). В российском контексте, учитывая специфику торгов и русскоязычные социальные сети, в которых частные инвесторы обмениваются информацией, проблема ИПБХА с использованием социальных сетей остается слабо изученной. Развивая работы по влиянию сентимента инвесторов на динамику российского фондового рынка (Teplova et al., 2022; Teplova & Fayzulin, 2025; Afanasyev et al., 2021), диссертационное исследование фокусируется на феномене ИПБХА в социальных сетях и количественной оценке данного эффекта.

В последние годы методы искусственного интеллекта (далее - ИИ) стали все чаще применяться для объяснения и прогнозирования биржевых характеристик акций (Chong et al., 2017) и исследования факторов и закономерностей возникновения аномалий на фондовом рынке (Liu et al., 2021; Nam & Skillicorn, 2025; Domashova et al., 2022). В отличие от традиционных эконометрических подходов, ML-модели способны выявлять скрытые и нелинейные зависимости в поведении цен акций и объемов торгов, что делает их особенно полезными в задачах обнаружения аномалий. В русле работ Liu et al. (2021) и Nam & Skillicorn (2025) по рынку США, в диссертационном исследовании также применяются методы ИИ для выявления эффекта ИПБХА, но в набор факторов включаются авторские индексы сентимента и интенсивности обсуждений эмитентов на российском рынке и индикаторы технического анализа.

Гипотезы исследования.

Гипотеза 1: использование данных о сентименте частных инвесторов в социальных сетях повышает точность прогнозирования доходности акций на российском фондовом рынке по сравнению с моделями, основанными только на технических индикаторах и рыночных мультипликаторах.

Результаты предыдущих исследований подтверждают прогностическую способность сентимента в отношении будущей динамики цен. Baker & Wurgler (2007) показали, что эмоции и коллективные настроения инвесторов могут формировать иррациональные рыночные реакции, не обусловленные фундаментальными факторами. В работах Cai et al. (2024) и Gupta et al. (2023)

на примере китайского и американского рынков соответственно показано, что добавление индексов сентимента в модели краткосрочного прогнозирования доходности позволяет достичь повышения точности по сравнению с моделями без учета поведенческих признаков. Согласно работе Teplova et al. (2022), сентимент российских частных инвесторов также оказывает статистически значимое влияние на доходность и волатильность акций. Это дает основание полагать, что использование авторского индекса сентимента (RSMSI) может повысить точность прогнозирования доходности акций российского рынка, особенно при высокой активности обсуждения эмитентов в социальных сетях.

Гипотеза 2: публикации в социальных сетях могут выступать причиной аномального роста цен и объемов торгов акциями российских компаний при отсутствии изменений в фундаментальных факторах.

Исследования в области поведенческих аномалий демонстрируют, что активность инвесторов в социальных сетях способна вызывать краткосрочные изменения цен и объемов торгов. Cookson et al. (2024) и Chen et al. (2014) выявили для рынка США, что внимание и сентимент частных инвесторов, фиксируемые на основе публикаций на платформах Twitter, StockTwits и Seeking Alpha, могут вызывать статистически значимые отклонения от «нормального» хода торгов (ожидаемого по историческим данным). Münster et al. (2024) и Semenova & Winkler (2025) показали на примере рынка США, что обсуждения в Reddit (в частности, в сообществе WallStreetBets) вызывают резкий рост котировок и объемов торгов даже в отсутствие новостных или фундаментальных поводов. Исследования Teplova et al. (2022) и Хазиев и Соколова (2025) по российскому фондовому рынку показывают, что рост обсуждений в Телеграм и на платформе «Пульс» может совпадать с внутридневными изменениями доходности акций. Совокупность указанных результатов позволяет предположить наличие на российском рынке эффекта ИПБХА, понимаемого как краткосрочный положительный всплеск цен и объемов торгов относительно их нормального (ожидаемого по историческим данным) уровня, вызванного активностью инвесторов в социальных сетях при отсутствии изменений фундаментальных факторов.

Гипотеза 3: модели машинного обучения, учитывающие поведенческие и рыночные факторы, способны с высокой точностью выявлять эпизоды искусственного повышения биржевых характеристик акций на российском рынке под влиянием публикации сообщений в социальных сетях.

Методы машинного обучения (ML) демонстрируют высокую эффективность в анализе нелинейных взаимосвязей и распознавании аномалий в финансовых временных рядах. Liu et al. (2021) по выборке подтвержденных Комиссией по регулированию ценных бумаг (China Securities

Regulatory Commission) кейсов рыночных манипуляций в Китае достигли высокой точности классификации посредством SVM модели и логистической регрессии на расширенном наборе признаков, включая изменения цен, объемов торгов, волатильность и отклонения от тренда. В контексте выявления поведенческих аномалий Chong et al. (2017) и Nam & Skillicorn (2025) продемонстрировали, что модели глубокого обучения (CNN, BiLSTM) превосходят классические методы в задачах идентификации схем «pump and dump». Это дает основание считать, что ML-модели, обученные на рыночных и поведенческих признаках, включая индексы сентимента, способны эффективно распознавать случаи ИПБХА под влиянием публикации сообщений в социальных сетях на российском рынке.

Гипотеза 4: характеристики эпизодов искусственного повышения биржевых характеристик акций в результате публикации сообщений в социальных сетях различаются в зависимости от уровня ликвидности акций по силе изменения биржевых показателей, длительности эффекта и структуре проявления признаков (комбинации индикаторов торгов и социальных сетей).

Согласно поведенческой теории рынка восприимчивость акций к нерыночным воздействиям зависит от ликвидности и информационной прозрачности акций. В работе Baker & Wurgler (2007) показано, что акции с низкой ликвидностью, высокой волатильностью и ограниченной доступностью информации более чувствительны к изменениям настроений инвесторов. Renault (2017) выявил, что наибольший эффект краткосрочного роста цен от публикаций в социальных сетях наблюдается у компаний с низкой капитализацией и ограниченным аналитическим покрытием. В исследовании Xu et al. (2024) для рынка Китая подтверждается, что уровень ликвидности акций влияет на чувствительность котировок к поведенческим факторам: акции с низкой ликвидностью слабо реагируют на информационный фон при низкой интенсивности обсуждений. Следовательно, характеристики и степень проявления ИПБХА могут существенно различаться по группам ликвидности и на российском рынке, что требует отдельного эмпирического анализа.

Информационная база исследования.

Информационная база исследования сентимента охватывает 601 207 сообщений из социальной сети Пульс и 234 926 из социальной сети Телеграм. База для построения моделей прогнозирования доходности российских акций включает в себя почасовые торговые данные (цены и объемы торгов, технические индикаторы и рыночные мультипликаторы) по 78 российским публичным компаниям, входившим как минимум в один из индексов Московской биржи, за период 2019-2022 гг. Итоговая выборка включает 773 862 наблюдения.

База для построения моделей выявления ИПБХА под влиянием сообщений в социальных сетях и оценки характеристик такого повышения строится на основе выборки из 615 уникальных публикаций инвестиционной тематики, которые могли оказать существенное влияние на динамику торгов акциями. База включает биржевые характеристики акций (цены и объемы торгов) в день ИПБХА, а также за 10 дней до и после него. Сбор биржевых характеристик проводился с сайта finam.ru. Собрана информация по 12 915 торговым дням. Для исключения влияния фундаментальных факторов из выборки удаляются периоды, совпадающие с публикацией финансовой отчетности, объявлением дивидендов, инсайдерскими сделками и иными значимыми корпоративными событиями, которые в соответствии с законодательством раскрываются компаниями на платформе e-disclosure.ru.

Методология исследования.

В диссертационном исследовании применяется комплексный подход в русле работ Liu et al. (2021) и Nam & Skillicorn (2025), сочетающий методы анализа текстовых данных и построение ИИ моделей для прогнозирования доходности акций и выявления эпизодов «искусственного повышения биржевых характеристик акций», обусловленных активностью инвесторов в социальных сетях. Нами используются классификационные модели машинного обучения для выявления случаев ИПБХА (модели CatBoost, Random Forest, Logistic Regression, KNN, SVM) и тональности сообщений в социальных сетях (байесовский классификатор, метод опорных векторов, ridge-классификатор, CatBoost, алгоритм стохастического градиентного спуска, логистическая регрессия), прогнозирования доходности российских акций (регрессия «лассо», градиентный бустинг, экстремальный градиентный бустинг, ансамблевое обучение, LSTM, Random Forest), а также эконометрический анализ (методы логистической регрессии).

Исследование включает следующие ключевые этапы:

1. Анализ существующих социальных сетей и форумов частных инвесторов с целью выбора наиболее популярных площадок на российском рынке.

2. Построение механизма автоматизированного сбора и анализа публикаций из наиболее популярных у российских инвесторов социальных сетей.

3. Обработка, количественная оценка и анализ сентимента сообщений в социальных сетях посредством логистической регрессии и современных моделей ИИ (байесовский классификатор, метод опорных векторов, ridge-классификатор, CatBoost, стохастический градиентный спуск).

4. Построение авторских индексов сентимента (Russian Social Media Sentiment Index, RSMSI) и интенсивности обсуждения компаний-эмитентов акций (Russian Social Media Intensive Index, RSMII).

5. Разработка и тестирование комплекса моделей машинного обучения (Lasso, Random Forest, Gradient Boosting, XGBoost, AutoML + Weighted Ensemble, LSTM) для раскрытия влияния сентимента в социальных сетях на точность прогнозирования доходности акций в краткосрочном периоде (на часовом таймфрейме).

6. Отбор путем анализа обсуждений в закрытых (доступных по подписке или приглашению) Телеграм каналах потенциальных случаев ИПБХА с использованием социальных сетей.

7. Разработка и оценка качества моделей машинного обучения (CatBoost, KNN, Random Forest, SVM) и модели логистической регрессии для выявления эпизодов ИПБХА по сформированной уникальной выборке.

8. Формализация критериев ИПБХА в результате публикации сообщений частных инвесторов в социальных сетях.

9. Анализ различий характеристик искусственного повышения цен акций и объема торгов в зависимости от уровня ликвидности акций.

Этапы 1-2 (выбор наиболее популярных площадок и социальных сетей у российских частных инвесторов, построение механизма автоматизированного сбора и анализа публикаций выбранных площадок). С целью определения наиболее популярных социальных сетей у российских частных инвесторов были проанализированы содержание и частота посещения социальных сетей и инвестиционных форумов: Телеграм, Пульс, тематические группы Вконтакте, Smart-Lab, MFD Forum, Investfuture (сайт, Телеграм и YouTube каналы), тематические ветки Reddit и русскоязычные аккаунты X (Twitter). По результатам анализа для дальнейшего исследования были выбраны две наиболее популярные у российских частных инвесторов площадки: Телеграм (каналы инвестиционной тематики) и Пульс. Для последующего построения моделей определения сентимента сообщений и анализа возможного влияния публикаций в социальных сетях на динамику акций российских компаний была разработана система автоматизированного сбора сообщений из социальных сетей Телеграм и Пульс, реализованная с использованием языка программирования Python.

Список литературы диссертационного исследования кандидат наук Хазиев Глеб Андреевич, 2026 год

Список литературы

1. Коновалова М. Е. (2023). Инсайдерские сделки и способы их предотвращения на рынке ценных бумаг в России // Креативная экономика. Т. 17, № 10. С. 3817-3832. https://doi.org/10.18334/ce.17.10.119204.

2. Непп А.Н., Джураева З.Ф. (2023). Влияние социальных сетей и Google на фондовые рынки в период пандемии: кейс авиакомпаний // Финансы: теория и практика / Finance: Theory and Practice. Т. 27, № 5. С. 128-139. https://doi.org/10.26794/2587-5671-2023-27-5-128-139.

3. Тарасенко П. В. (2022). Выявление аномалий на фондовом рынке с использованием анализа публикаций в социальных сетях: выпускная квалификационная работа бакалавра / НИУ «Высшая школа экономики». URL: https://nnov.hse.ru/ba/se/students/diplomas/620108970 (дата обращения: 17.01.2026).

4. 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. № 1(53). С. 53-84. https://doi.org/10.31737/2221-2264-2022-53-1-3.

5. Томтосов А. Ф., Бучко Д. В., Теплова Т. В., Соколова Т. В. (2020). База данных сообщений и метрик сентимента инвесторов на российском рынке акций. Номер РИД: 6.00202020. Сведения о регистрации: 2020622801.

6. Хазиев Г. А., Соколова Т. В. (2025). Прогнозирование доходности российских акций на основе анализа сентимента инвесторов в социальных сетях // Экономика и математические методы. Т. 61, № 1. С. 95-108. https://doi.org/10.31857/S0424738825010095.

7. Шаманина Е. И., Сероштан Е. С. (2024). Манипулятивные сделки: сущность, анализ рисков и подходы к выявлению недобросовестных практик на российском рынке ценных бумаг // Вестник Алтайской академии экономики и права. № 7-2. С. 389-394. https://doi.org/10.17513/vaael.3611.

8. Afanasyev D., Fedorova E., Ledyaeva S. (2021). Strength of words: Donald Trump's tweets, sanctions and Russia's ruble // Journal of Economic Behavior & Organization. Vol. 184. P. 253277. https://doi.org/10.1016/jjebo.2021.02.002.

9. Ahmed D., Neema R., Visqanadha N. (2022). Analysis and prediction of healthcare sector stock price using machine learning techniques: Healthcare stock analysis // International Journal of Information System Modeling and Design. Vol. 13, No. 9. P. 1-15.

10. Andreev B., Sermpinis G., Stasinakis C. (2022). Modelling financial markets during times of extreme volatility: Evidence from the GameStop short squeeze // Forecasting. Vol. 4, No. 3. P. 654-673. https://doi .org/10.3390/forecast403 0035.

11. Antweiler W., Frank M. Z. (2004). Is all that talk just noise? The information content of internet stock message boards // Journal of Finance. Vol. 59, No. 3. P. 1259-1294. https://doi.org/10.1111/j.1540-6261.2004.00662.x.

12. Araci D. (2019). FinBERT: Financial sentiment analysis with pre-trained language models // arXivpreprint. arXiv:1908.10063.

13. Ariel R. A. (1987). A monthly effect in stock returns // Journal of Financial Economics. Vol. 18, No. 1. P. 161-174. https://doi.org/10.1016/0304-405X(87)90066-3.

14. Asness C. S., Moskowitz T. J., Pedersen L. H. (2013). Value and momentum everywhere // The Journal of Finance. Vol. 68, No. 3. P. 929-985. https://doi.org/10.1111/jofi.12021.

15. Audrino F., Sigrist F., Ballinari D. (2020). The impact of sentiment and attention measures on stock market volatility // International Journal of Forecasting. Vol. 36, No. 2. P. 334-357. https://doi.org/10.1016Zj.ijforecast.2019.05.010.

16. Baker M., Bloom N., Davis S. J. (2016). Measuring economic policy uncertainty // Quarterly Journal of Economics. Vol. 131, No. 4. P. 1593-1636. https://doi.org/10.1093/qje/qjw024.

17. Baker M., Wurgler J. (2006). Investor sentiment and the cross-section of stock returns // Journal of Finance. Vol. 61, No. 4. P. 1645-1680. https://doi.org/10.1111/j.1540-6261.2006.00885.x.

18. Baker M., Wurgler J. (2007). Investor sentiment in the stock market // Journal of Economic Perspectives. Vol. 21, No. 2. P. 129-152. https://doi.org/10.1257/jep.2L2.129.

19. Banerjee A. V. (1992). A simple model of herd behavior // Quarterly Journal of Economics. Vol. 107, № 3. P. 797-817. https://doi.org/10.2307/2118364.

20. Banz R. W. (1981). The relationship between return and market value of common stocks // Journal of Financial Economics. Vol. 9, No. 1. P. 3-18. https://doi.org/10.1016/0304-405X(81)90018-0.

21. Barber B. M., Huang X., Odean T., Schwarz C. (2021). Attention induced trading and returns: Evidence from Robinhood users // Journal of Finance, Forthcoming, Cornell SC Johnson College of Business Research Paper. http://dx.doi.org/10.2139/ssrn.3715077.

22. Barber B., Odean T. (2008). All that glitters: The effect of attention and news on the buying behavior of individual and institutional investors // Review of Financial Studies. Vol. 21, No. 2. P. 785-818. https://doi.org/10.1093/rfs/hhm079.

23. Barberis N., Shleifer A., Vishny R. (1998). A model of investor sentiment // Journal of Financial Economics. Vol. 49, No. 3. P. 307-343. https://doi.org/10.1016/S0304-405X(98)00027-0.

24. Barberis N., Thaler R. (2003). A survey of behavioral finance // Handbook of the Economics of Finance. Vol. 1, Part B. P. 1053-1128. https://doi.org/10.1016/S1574-0102(03)01027-6.

25. Barbieri F., Camacho-Collados J., Espinosa Anke L., Neves L. (2020). TweetEval: Unified Benchmark and Comparative Evaluation for Tweet Classification // Findings of the Association for Computational Linguistics. Online. P. 1644-1650. https://doi.org/10.18653/v1/2020.findings-emnlp.148.

26. Bernard V., Thomas J. (1989). Post-earnings-announcement drift: Delayed price response or risk premium? // Journal of Accounting Research. Vol. 27. P. 1-36. https://doi.org/10.2307/2491062.

27. Betzer A., Harries J. (2022). How online discussion board activity affects stock trading: The case of GameStop // Financial Markets and Portfolio Management. Vol. 36, No. 4. P. 443-472. https://doi.org/10.1007/s11408-022-00407-w.

28. Bikhchandani S., Hirshleifer D., Welch I. (1992). A theory of fads, fashion, custom, and cultural change as informational cascades // Journal of Political Economy. Vol. 100, No. 5. P. 992-1026. https://doi.org/10.1086/261849.

29. Brown G. W., Cliff M. T. (2004). Investor sentiment and the near-term stock market // Journal of Empirical Finance. Vol. 11, No. 1. P. 1-27. https://doi.org/10.1016/jjempfin.2002.12.001.

30. Brown S. J., Warner J. B. (1985). Using Daily Stock Returns: The Case of Event Studies // Journal of Financial Economics. Vol. 14, No. 1. P. 3-31. https://doi.org/10.1016/0304-405X(85)90042-X.

31. Cai Y., Tang Z., Chen Y. (2024). Can real-time investor sentiment help predict high-frequency stock returns? Evidence from a mixed-frequency rolling decomposition forecasting method // North American Journal of Economics and Finance. Vol. 72. Article 102147. https://doi.org/10.1016Zj.najef.2024.102147.

32. Chang E. C., Cheng J. W., Khorana A. (2000). An examination of herd behavior in equity markets: An international perspective // Journal of Banking & Finance. Vol. 24, No. 10. P. 1651-1679. https://doi.org/10.1016/S0378-4266(99)00096-5.

33. Chang Y.-C., Shao R., Wang N. (2022). Can stock message board sentiment predict future returns? Local versus nonlocal posts (January 18, 2022) // Journal of Behavioral and Experimental Finance. Vol. 34. Article 100625. https://doi.org/10.1016/jjbef.2022.100625.

34. Cheema A. K., Ding W., Wang Q. (2023). The cross-section of January effect // Journal of Asset Management. Vol. 24, No. 6. P. 513-530. https://doi.org/10.1057/s41260-023-00324-1.

35. Chen H., De P., Hu Y., Hwang B.-H. (2014). Wisdom of crowds: The value of stock opinions transmitted through social media // Review of Financial Studies. Vol. 27, No. 5. P. 1367-1403. https://doi.org/10.1093/rfs/hhu001.

36. Chong E., Han C., Park F. C. (2017). Deep learning networks for stock market analysis and prediction: Methodology, data representations, and case studies // Expert Systems with Applications. Vol. 83. P. 187-205. https://doi.org/10.10167j.eswa.2017.04.030.

37. Chordia T., Goyal A., Sadka G., Sadka R., Shivakumar L. (2009). Liquidity and the Post-Earnings-Announcement Drift // Financial Analysts Journal. Vol. 65, No. 4. P. 18-32. https://doi.org/10.2469/faj.v65.n4.3.

38. Christie W. G., Huang R. D. (1995). Following the Pied Piper: Do individual returns herd around the market? // Financial Analysts Journal. Vol. 51, No. 4. P. 31-37. https://doi.org/10.2469/faj.v51.n4.1918.

39. Ciliberti S., Sérié E., Simon G., Lempérière Y., Bouchaud J.-P. (2017). The "Size Premium" in equity markets: Where is the risk? // Journal of Investment Strategies. Vol. 6, No. 4. P. 123. https://doi.org/10.21314/JIS.2017.113.

40. Cookson J. A., Engelberg J., Mullins W. (2023). Echo chambers // The Review of Financial Studies. Vol. 36, Issue 2. P. 450-500. http://dx.doi.org/10.1093/rfs/hhac058.

41. Cookson J. A., Lu R., Mullins W., Niessner M. (2024). The social signal // Journal of Financial Economics. Vol. 158. Article 103870. https://doi.org/10.1016/jjfineco.2024.103870.

42. Cookson J. A., Niessner M. (2020). Why don't we agree? Evidence from a social network of investors // Journal of Finance. Vol. 75, No. 1. P. 173-228. https://doi.org/10.1111/jofi.12852.

43. Da Z., Engelberg J., Gao P. (2011). In search of attention // Journal of Finance. Vol. 66, No. 5. P. 1461-1499. https://doi.org/10.1111/j.1540-6261.2011.01679.x.

44. De Bondt W. F. M., Thaler R. (1985). Does the stock market overreact? // Journal of Finance. Vol. 40, No. 3. P. 793-805. https://doi.org/10.1111/j.1540-6261.1985.tb05004.x.

45. De Long J. B., Shleifer A., Summers L. H., Waldmann R. J. (1990). Noise trader risk in financial markets // Journal of Political Economy. Vol. 98, No. 4. P. 703-738. http://dx.doi.org/10.1086/261703.

46. Domashova J., Yakimov D., Bredikhin D., Gorbunov K., Slavik R., Kadyrov I. (2022). Detection and analysis of atypical stock transactions with possible misuse of insider information and market manipulation: Methods and models // Procedia Computer Science. Vol. 213. P. 165-174. https://doi.org/10.1016Zj.procs.2022.11.052.

47. Dutta A. (2024). Social media sentiment and stock market volatility: Evidence from the US hi-tech companies // International Journal of Professional Business Review. Vol. 9, No. 10. P. 117. https://doi.org/10.26668/businessreview/2024.v9i10.4978.

48. Fama E. F. (1970). Efficient capital markets: A review of theory and empirical work // Journal of Finance. Vol. 25, No. 2. P. 383-417. https://doi.org/10.2307/2325486.

49. Fama E. F. (1991). Efficient Capital Markets: II // Journal of Finance. Vol. 46, No. 5. P. 1575-1617. https://doi.org/10.1111/j.1540-6261.1991.tb04636.x.

50. Fama E. F., French K. R. (1992). The cross section of expected stock returns // Journal of Finance. Vol. 47, No. 2. P. 427-465. https://doi.org/10.1111/j.1540-6261.1992.tb04398.x.

51. Fama E. F., French K. R. (1993). Common risk factors in the returns on stocks and bonds // Journal of Financial Economics. Vol. 33, No. 1. P. 3-56. https://doi.org/10.1016/0304-405X(93)90023-5.

52. Fama E. F., French K. R. (2015). A Five-Factor Asset Pricing Model // Journal of Financial Economics. Vol. 116, No. 1. P. 1-22. https://doi.org/10.1016/jjfineco.2014.10.010.

53. Fedorova E. A., Nevredinov A., Chernikova L. (2023). The Impact of Sanctions on the Capitalization of Russian Companies: The Sectoral Aspect // Journal of Corporate Finance Research. Vol. 17, No. 2. P. 50-67. https://doi.org/10.17323/j.jcfr.2073-0438.17.2.2023.50-67.

54. French K. R. (1980). Stock returns and the weekend effect // Journal of Financial Economics. Vol. 8, No. 1. P. 55-69. https://doi.org/10.1016/0304-405X(80)90021-5.

55. Gao B., Xie J. (2020). Forecasting excess returns and abnormal trading, using investor sentiment: Evidence from Chinese stock index futures market // Emerging Markets Finance and Trade. Vol. 56, No. 3. P. 593-612. https://doi.org/10.1080/1540496X.2018.1564655.

56. Gupta R., Nel J., Pierdzioch C. (2023). Investor confidence and forecastability of US stock market realized volatility: Evidence from machine learning // Journal of Behavioral Finance. Vol. 24, No. 1. P. 111-122. https://doi.org/10.1080/15427560.2021.1949719.

57. Gupta T., Kelly B. (2019). Factor momentum everywhere // The Journal of Portfolio Management Quantitative Special Issue. Vol. 45, No. 3 P. 13-36. https://doi.org/10.3905/jpm.2019.45.3.013.

58. Huang D., Jiang F., Tu J., Zhou G. (2020). Forecasting the equity premium: Overreaction or underreaction? // Journal of Financial Economics. Vol. 135, No. 1. P. 99-123. https://doi.org/10.1016/jjfineco.2019.05.011.

59. Hudson Y., Yan M., Zhang D. (2020). Herd behaviour & investor sentiment: Evidence from UK mutual funds // International Review of Financial Analysis. Vol. 71. Article 101494. https://doi.org/10.1016Zj.irfa.2020.101494.

60. Imas A. (2016). The realization effect: Risk taking after realized versus paper losses // American Economic Review. Vol. 106, No. 8. P. 2086-2109. https://doi.org/10.1257/aer.20140386.

61. Jegadeesh N., Titman S. (1993). Returns to buying winners and selling losers: Implications for stock market efficiency // Journal of Finance. Vol. 48, No. 1. P. 65-91. https://doi.org/10.1111/j.1540-6261.1993.tb04702.x.

62. Kahneman D., Tversky A. (1979). Prospect theory: An analysis of decision under risk // Econometrica. Vol. 47, No. 2. P. 263-292. https://doi.org/10.2307/1914185.

63. Kaustia M., Alho E., Puttonen V. (2008). How much does expertise reduce behavioral biases? The case of anchoring effects in stock market estimates // Financial Management. Vol. 37, No. 3. P. 391-412. https://doi.org/10.1111/j.1755-053X.2008.00020.x.

64. Keasey K., Lambrinoudakis C., Mascia D., Zhang M. (2025). The impact of social media influencers on financial market performance of firms // European Financial Management. Vol. 31, No. 2. P. 745-785. https://doi.org/10.1111/eufm.12513.

65. Khan B., Aqil M., Kazmi S. H. A., Zaman S. I. (2023). Day of the week effect and market liquidity: A comparative study from emerging stock markets of Asia // International Journal of Finance & Economics. Vol. 28, No. 1. P. 544-561. https://doi.org/10.1002/ijfe.2435.

66. Kim M. (2022). The turn-of-the-month effect and investor trading activities in stock markets // Journal of Derivatives and Quantitative Studies. Vol. 30, No. 4. P. 260-274. https://doi.org/10.1108/JDQS-10-2021-0048.

67. Kiritchenko S., Zhu X., Mohammad S. (2014). Sentiment analysis of short informal texts // Journal of Artificial Intelligence Research, Vol. 50. P. 723-762. https://doi.org/10.1613/jair.4272.

68. Le Bon G. (1895). Psychologie des foules // Paris: Félix Alcan.

69. Li A., Wu J., Liu Z. (2017). Market manipulation detection based on classification methods // Procedia Computer Science. Vol. 122. P. 788-795. https://doi.org/10.1016/j.procs.2017.11.438.

70. Li Y., Bu H., Li J., Wu J. (2020). The role of text-extracted investor sentiment in Chinese stock price prediction with the enhancement of deep learning // International Journal of Forecasting. Vol. 36, No. 4. P. 1541-1562. https://doi.org/10.1016/j.ijforecast.2020.05.001.

71. Lin P., Ma S., Fildes R. (2024). The extra value of online investor sentiment measures on forecasting stock return volatility: A large-scale longitudinal evaluation based on the Chinese stock market // Expert Systems with Applications. Vol. 238. Article 121927. http://dx.doi.org/10.2139/ssrn.4460034.

72. Liu Y., Li Y., Wang J. (2021). Detecting stock market manipulation via machine learning: Evidence from China Securities Regulatory Commission punishment cases // International Review of Financial Analysis. Vol. 78. Article 101887. https://doi.org/10.1016/j.irfa.2021.101887.

73. 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. Vol. 58, No. 1. P. 19-37. https://doi.org/10.1111/fire.12328.

74. Lopez-Lira A., Tang Y. (2023). Can ChatGPT forecast stock price movements? Return predictability and large language models // SSRN Working Paper. https://doi.org/10.2139/ssrn.4412788.

75. Loughran T., McDonald B. (2011). When is a liability not a liability? Textual analysis, dictionaries, and 10-Ks // Journal of Finance. Vol. 66, No. 1. P. 35-65. https://doi.org/10.1111/j 1540-6261.2010.01625.x.

76. MacKinlay A. C. (1997). Event Studies in Economics and Finance // Journal of Economic Literature. Vol. 35, No. 1. P. 13-39.

77. Münster M., Reichenbach F., Walther M. (2024). Robinhood, Reddit, and the news: The impact of traditional and social media on retail investor trading // Journal ofFinancial Markets. Vol. 71. Article 100929. https://doi.org/10.1016/j.finmar.2024.100929.

78. Nam D., Skillicorn D. B. (2025). Detecting pump-and-dump stock market manipulation from online forums // Digital Finance. Vol. 7. P. 1-20. https://doi.org/10.1007/s42521-024-00121-4.

79. Nepp A. N., Okhrin O., Egorova A., Borger C., Artemyev A. (2022). What Threatens Stock Markets More — The Coronavirus or the Lockdown? Evidence from the Impact on Earnings, Dividends, and Future Stock Prices // Journal of Risk and Financial Management. Vol. 15, No. 1. Article 3. https://doi.org/10.3390/jrfm15010003.

80. Nepp A., Karpeko F. Hype as a Factor on the Global Market: The Case of Bitcoin // Journal of Behavioral Finance. 2024. Vol. 25, No. 1. P. 1-14. https://doi.org/10.1080/15427560.2022.2073593.

81. Niu H., Pan Q., Xu K. (2023). Hybrid deep learning models with multi-classification investor sentiment to forecast the prices of China's leading stocks // PLoS ONE. Vol. 18, No. 11. Article e0294460. https://doi.org/10.1371/journal.pone.0294460.

82. Nuñez-Mora J. A., Mendoza-Urdiales R. A. (2023). Social sentiment and impact in US equity market: an automated approach // Social Network Analysis and Mining. Vol. 13. Article 111. https://doi.org/10.1007/s13278-023-01116-6.

83. Odean T. (1998). Are investors reluctant to realize their losses? // Journal of Finance. Vol. 53, No. 5. P. 1775-1798. https://doi.org/10.1111/0022-1082.00072.

84. Oliveira N., Cortez P., Areal N. (2017). The impact of microblogging data for stock market prediction // Expert Systems with Applications. Vol. 73. P. 125-144. https://doi.org/10.10167j.eswa.2016.12.036.

85. Pompian M. M. (2012). Behavioral Finance and Investor Types: Managing Behavior to Make Better Investment Decisions // Hoboken: John Wiley & Sons. https://doi.org/10.1002/9781119202417.

86. Pyun C. (2024). Synchronous social media and the stock market // Journal of Financial Markets. Vol. 70. Article 100915. http://dx.doi.org/10.1016/j.finmar.2024.100915.

87. Rahmadan Z., Yuliusman Y., Friyani R. (2023). Trading volume activity, January effect, and stock splits on stock market returns // Indonesian Journal of Business Analytics. Vol. 3, No. 6. P. 2105-2116. https://doi.org/10.55927/ijba.v3i6.5840.

88. Ranco G., Aleksovski D., Caldarelli G., Grcar M., Mozetic I. (2015). The effects of Twitter sentiment on stock price returns // PLOS ONE. Vol. 10, No. 9. Article e0138441. https://doi.org/10.1371/journal.pone.0138441.

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

90. Rozeff M. S., Kinney W. R. (1976). Capital market seasonality: The case of stock returns // Journal of Financial Economics. Vol. 3, No. 4. P. 379-402. https://doi.org/10.1016/0304-405X(76)90028-3.

91. Samuelson P. A. (1965). Proof that properly anticipated prices fluctuate randomly // Industrial Management Review. Vol. 6, No. 2. P. 41-49.

92. Sarkar A., Chakraborty S., Ghosh S., Naskar S. K. (2022). Evaluating impact of social media posts by executives on stock prices // arXiv preprint. arXiv:2211.01287. https://doi.org/10.48550/arXiv.2211.01287.

93. Semenova, V., & Winkler, J. (2025). Social contagion and asset prices: Reddit's self-organized bull runs // Quantitative Finance. Vol. 25, No. 12. P. 1873-1904. https://doi.org/10.1080/14697688.2025.2559970.

94. Shiller R. J. (1981). Do stock prices move too much to be justified by subsequent changes in dividends? // American Economic Review. Vol. 71, No. 3. P. 421-436.

95. Shiller R. J. (2003). From efficient markets theory to behavioral finance // Journal of Economic Perspectives. Vol. 17, No. 1. P. 83-104. https://doi.org/10.1257/089533003321164967.

96. Shiller R. J. (2017). Narrative economics // American Economic Review. Vol. 107, No. 4. P. 967-1004. https://doi.org/10.1257/aer.107A967.

97. Siganos A., Vagenas-Nanos E., Verwijmeren P. (2014). Facebook's daily sentiment and international stock markets // Journal of Economic Behavior & Organization. Vol. 107. P. 730-747. https://doi.org/10.1016/jjebo.2014.06.004.

98. Simon H. A. A Behavioral Model of Rational Choice // The Quarterly Journal of Economics. 1955. Vol. 69, No. 1. P. 99-118. https://doi.org/10.2307/1884852.

99. Sprenger T. O., Tumasjan A., Sandner P. G., Welpe I. M. (2014). Tweets and trades: The information content of stock microblogs // European Financial Management. Vol. 20, No. 5. P. 926957. https://doi.org/10.1111/j.1468-036X.2013.12027.x.

100. Stambaugh R. F., Yu J., Yuan Y. (2012). The short of it: Investor sentiment and anomalies // Journal of Financial Economics. Vol. 104, No. 2. P. 288-302. https://doi.org/10.1016/jjfineco.2011.12.001.

101. Teplova T., Fayzulin M. (2025). Decoding Russian stock market trends through ensemble methods and sentiment analysis of social media // Annals of Operations Research. Vol. 353, No. 3. P. 1123-1172. https://doi.org/10.1007/s10479-025-06683-9.

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

103. Teplova T., Tomtosov A., Sokolova T. (2022). A retail investor in a cobweb of social networks // PLOS ONE. Vol. 17, No. 12. Article e0276924. https://doi .org/10.1371/journal.pone.0276924.

104. Tetlock P. C. (2007). Giving content to investor sentiment: The role of media in the stock market // Journal of Finance. Vol. 62, No. 3. P. 1139-1168. https://doi.org/10.1111/j.1540-6261.2007.01232.x.

105. Thaler R. (1993). Advances in Behavioral Finance. Princeton: Princeton University Press.

106. van Dijk M. A. (2011). Is size dead? A review of the size effect in equity returns // Journal of Banking & Finance. Vol. 35, No. 12. P. 3263-3274. https://doi.org/10.1016/jjbankfin.2011.05.009.

107. Wang G., Yu G., Shen X. (2020). The effect of online investor sentiment on stock movements: An LSTM approach // Complexity. Vol. 2020, Issue 1. Article 4754025. https://doi.org/10.1155/2020/4754025.

108. Wang X., Xiang Z., Xu W., Yuan P. (2022). The causal relationship between social media sentiment and stock return: Experimental evidence from an online message forum // Economics Letters. Vol. 216. Article 110598. https://doi.org/10.1016/j.econlet.2022.110598.

109. Xu Y., Xue Y., Zhang X. (2024). The impact of investor sentiment on stock liquidity of listed companies in China // Investment Management and Financial Innovations. Vol. 21, No. 2. P. 114. https://doi.org/10.21511/imfi.21(2).2024.01.

Приложения

Приложение 1. Список популярных среди российских инвесторов каналов (по состоянию на май 2025 года), которые использовались для сбора сообщений об акциях в социальной сети Телеграм

№ Название канала Количество подписчиков Как часто публикуются сообщения Как часто публикуются идеи по покупке/прода же акций Количество сообщений, попавших в выборку Описание тематики и содержания канала

1 Alfa Wealth 65 000 ежедневно часто (еженедельно) 1 600 На канале публикуются обзоры отдельных компаний, ключевых новостей и конкретных торговых инструментов. Агрессивных торговых идей или призывов покупать отдельные активы в канале не публикуются

2 Финам Торговые сигналы 81 000 ежедневно очень часто (еженедельно) 18 844 Аналитика от команды Finam. Регулярно публикуются торговые идеи с рекомендациями покупать или продавать акции. Данный канал не рассматривается как потенциальный источник для искусственного повышения биржевых характеристик акций, так как является официальным источником крупного брокера, целью которого является повышение активности клиентов, а не заработок на спекуляциях

3 IF Stocks 133 000 ежедневно редко (ежемесячно) 6 291 Канал активно публикует разбор ключевых активов российского рынка, новостей и их влияния на динамику акций конкретных компаний. Публикации носят преимущественно информационный и безоценочный характер, нет призывов аудитории к покупке или продаже конкретных активов

4 Invest Heroes 46 000 ежедневно часто (еженедельно) 4 366 Канал управляющей компании «Герои». Аналитики и управляющие делятся своим взглядом на различные активы. Публикации носят информационный характер, нет призывов аудитории к покупке или продаже конкретных активов

№ Название канала Количество подписчиков Как часто публикуются сообщения Как часто публикуются идеи по покупке/прода же акций Количество сообщений, попавших в выборку Описание тематики и содержания канала

5 РынкиДеньгиВ ласть | РДВ 140 000 ежедневно очень часто (ежедневно) 15 565 Один из крупнейших Телеграм каналов инвестиционной тематике в России. Публикуют большое количество аналитических материалов, аналитика по конкретным компаниям с оценкой их справедливой стоимости публикуются с хэштегом #оценка. Также часть инвестиционных идей публикуется под хэштегом #аналитика, но под этим тегом также публикуется и просто аналитика новостей и отчетности. У сообщества также имеется закрытый канал RDV Premium, члены которого первыми узнают об инвестиционных идеях от авторов и аналитиков РДВ. Канал рассматривается как один из источников, способных своими публикациями приводить к искусственному повышению биржевых характеристик акций.

6 Волк с Мосбиржи 32 000 ежедневно часто (еженедельно) 12 925 В основном автор публикует не собственные торговые идеи, а комментарии к торговым идеям в других Телеграм каналах, которые дополняются аналитикой автора и его отношением. В канале автор пересылает в основном идеи, которые им поддерживаются. Также с 2024 года есть отдельный закрытый Телеграм канал, в котором автор публикует свой портфель и торговые идеи. Канал рассматривается нами как дополнительный источник информации для частных инвесторов, а не источник искусственного повышения биржевых характеристик акций

7 ЗЛОЙ ФИНАНСИСТ 62 000 ежедневно часто (еженедельно) 20 695 Канал в основном обыгрывает новости и идеи по рынку с упором на юмор. Действительно качественных идей практически нет, в основном это выражение отношения по идеям других каналов, брокеров, инвестиционных компаний. Канал будет использоваться для анализа сентимента по бумагам, но не рассматривается как источник искусственного повышения биржевых характеристик акций

№ Название канала Количество подписчиков Как часто публикуются сообщения Как часто публикуются идеи по покупке/прода же акций Количество сообщений, попавших в выборку Описание тематики и содержания канала

8 ИнвестТема | Литвинов Владимир 38 000 ежедневно очень часто (ежедневно) 2 222 Канал активно публикует разбор ключевых активов российского рынка, новостей и их влияния на динамику акций конкретных компаний. Публикации носят преимущественно информационный и безоценочный характер, нет побуждения аудитории к покупке или продаже конкретных активов. Канал будет использоваться для анализа сентимента по бумагам

9 ВТБ Мои инвестиции 380 000 ежедневно часто (еженедельно) 2 951 Официальный Телеграм канал брокера ВТБ Мои инвестиции. В канале публикуются разборы ключевых новостей, идеи на покупку акций и облигаций. Данный канал не рассматривается как потенциальный источник для искусственного повышения биржевых характеристик акций, так как является официальным источником крупного брокера, целью которого является повышение активности клиентов, а не заработок на спекуляциях

10 Сигналы РЦБ 130 000 ежедневно часто (еженедельно) 57 162 Один из основных источников информации в Телеграм для большого количества частных инвесторов в России. Канал носит комплексный характер и публикует ключевые новости экономики и политики, их оценку, экспертные обзоры трендов рынка, инвестиционные идеи, фундаментальный и технический анализ различных активов. Торговые идеи отмечаются отдельным хэштегом #Идея. Также авторами канала разработан платный Телеграм бот «Шпион РЦБ», который обладает широким функционал, также именно в нем первично размещаются торговые идеи. Канал рассматривается как один из источников, способных своими публикациями приводить к искусственному повышению биржевых характеристик акций

№ Название канала Количество подписчиков Как часто публикуются сообщения Как часто публикуются идеи по покупке/прода же акций Количество сообщений, попавших в выборку Описание тематики и содержания канала

11 Аналитика от Чехова 45 000 ежедневно очень часто (ежедневно) 12 000 Автор делится своими сделками и взглядом на рынок. Торгует ежедневно, поэтому активность высокая, ежедневно несколько сделок. Нет призывов к аудитории совершать какие-либо покупки акций

12 Аналитика Т-Инвестиций 81 000 ежедневно очень часто (ежедневно) 8000 Официальный блог Т-Инвестиций, регулярно публикуют обзоры различных активов, также есть отдельные публикации с конкретными идеями по покупке или продаже акций, которые отмечаются отдельным тегом #идея. Данный канал не рассматривается как потенциальный источник для искусственного повышения биржевых характеристик акций, так как является официальным источником крупного брокера, целью которого является повышение активности клиентов, а не заработок на спекуляциях

13 Лови Инсайд! 8 300 ежедневно часто (еженедельно) 2500 Канал публикует обзоры финансовых результатов и перспектив компаний российского рынка. Периодически публикуются конкретные инвест-идеи, которые выделяются конкретным упоминанием "инвест-идея" или "топ акций на неделю". Данный канал не рассматривается как потенциальный источник для искусственного повышения биржевых характеристик акций, так как в основном в канале рассматриваются акции крупных компаний, и небольшая аудитория канала не позволяет существенно повлиять на цену

14 Точка Входа | Инвестиции 6 500 ежедневно очень часто (ежедневно) 1500 Практически ежедневно публикуют инвестиционные идеи по российскому рынку. Публикации с идеями отмечаются в заголовке "Торговая идея". Данный канал не рассматривается как потенциальный источник для искусственного повышения биржевых характеристик акций, так как в основном в канале

№ Название канала Количество подписчиков Как часто публикуются сообщения Как часто публикуются идеи по покупке/прода же акций Количество сообщений, попавших в выборку Описание тематики и содержания канала

рассматриваются акции крупных компаний, и небольшая аудитория канала не позволяет существенно повлиять на цену

15 Альфа-Инвестиции 686 000 ежедневно часто (еженедельно) 45 000 На основе фундаментальных факторов и макротрендов аналитики Альфа Инвестиции публикуют торговые идеи на покупку крупных российских компаний (идеи отдельно отмечаются хэштегом #чтокупить). Как и в случае с Т-Инвестициями канал не рассматривается как потенциальный источник для искусственного повышения биржевых характеристик акций, так как является официальным источником крупного брокера, целью которого является повышение активности клиентов, а не заработок на спекуляциях. В рамках общего настроения рынка по отдельным компаниям источник является полезным, потому что имеет большую базу подписчиков

16 СберИнвестиц ии 252 000 ежедневно часто (еженедельно) 23 000 Аналитики Сбербанка регулярно публикуют торговые идеи на покупку крупных российских компаний. В постах с идеями в заголовке явно указывается, что пост содержит "инвестиционные идеи", при этом обычно речь идет не об одной конкретной компании, а о подборке акций с описанием предпосылок инвестирования в них. Данный канал не рассматривается как потенциальный источник для искусственного повышения биржевых характеристик акций, так как является официальным источником крупного брокера, целью которого является повышение активности клиентов, а не заработок на спекуляциях. В рамках общего настроения рынка по отдельным компаниям источник является полезным, потому что имеет большую базу подписчиков

№ Название канала Количество подписчиков Как часто публикуются сообщения Как часто публикуются идеи по покупке/прода же акций Количество сообщений, попавших в выборку Описание тематики и содержания канала

17 БКС Мир Инвестиций 36 000 ежедневно часто (еженедельно) 10 000 Аналитики БКС инвестиций открыто публикуют свои торговые идеи и далее при наступлении важных новостей или корпоративных новостей указывают, произошло ли изменение в их краткосрочных идеях. Новые идеи отмечаются отдельно. Данный канал не рассматривается как потенциальный источник для искусственного повышения биржевых характеристик акций, так как является официальным источником крупного брокера, целью которого является повышение активности клиентов, а не заработок на спекуляциях. В рамках общего настроения рынка по отдельным компаниям источник является полезным, потому что имеет большую базу подписчиков

18 АготаЛ Антон Ромашов 14 000 ежедневно очень часто (ежедневно) 1500 Управляющий фондом публикует свои идеи и взгляд на акции российских компаний. В основном акцент делается на техническом анализе, который дополнительно подкрепляется фундаментальными факторами. Берем в подборку в качестве дополнительного источника информации о сентименте на рынке, не рассматриваем как источник искусственного повышения биржевых характеристик акций

Приложение 2. Код на языке python для сбора сообщений из социальных сетей Телеграм и Пульс

В ходе исследования данные о публикациях из социальных сетей Телеграм и Пульс были собраны с использованием авторских скриптов на языке Python. Ниже приведен фрагмент кода, иллюстрирующий процесс подключения к API, сбора сообщений и их сохранения в формате json для социальной сети Телеграм и xlsx для Пульса.

#Код для сбора сообщений из социальной сети Телеграм import json

from telethon import TelegramClient from telethon import connection

# для корректного переноса времени сообщений в json from datetime import date, datetime

# классы для работы с каналами

from telethon.tl.functions.channels import GetParticipantsRequest from telethon.tl.types import ChannelParticipantsSearch

# класс для работы с сообщениями

from telethon.tl.functions.messages import GetHistoryRequest

# Remember to use your own values from my.telegram.org! api id = ...

api hash = ...

client = TelegramClient('name', api id, api hash)

client = TelegramClient('name', api id, api hash, system version="4.16.30-vx1234") client.start( assworc=lambda: input('Please enter your password: '))

async def dump all messages(channel):

"""Записывает json-файл с информацией о всех сообщениях канала/чата"""

offset msg = 0 # номер записи, с которой начинается считывание

limit msg = 100 # максимальное число записей, передаваемых за один раз

all messages = [] # список всех сообщений total messages = 0

total count limit = 0 # поменяйте это значение, если вам нужны не все сообщения

class DateTimeEncoder(json.JSONEncoder):

'''Класс для сериализации записи дат в JSON'''

def default(self, o):

if isinstance(o, datetime):

return o.isoformat() if isinstance(o, bytes):

return list(o) return json.JSONEncoder.default(self, o)

while True:

history = await client(GetHistoryRequest( peer=channel, offset ic =offset msg, offset date=None, add offset=0, limit=limit msg, max id=0, min io=0, hash=0)) " if not history.messages: break

messages = history.messages for message in messages:

all messages.append(message.to dict()) offset msg = messages[len(messages) - 1].id total messages = len(all messages)

if total count limit != 0 and total messages >= total count limit: break

with open('channel messages.json', 'w', encodin ='utf8') as outfile:

json.dump(all messages, outfile, ensure asci:=False, cls=DateTimeEncoder)

async def main():

url = input("Введите ссылку на канал или чат: ") channel = await client.get entity(url) await dump all messages(channel)

with client:

client.loop.run until complete(main())

Фрагмент кода для сбора сообщений из социальной сети Пульс

import datetime

import traceback

import pandas as pd

import re

from time import sleep

from tpulse import TinkoffPulse

from random import choice

from httpx import HTTPStatusError, ConnectError, ConnectTimeout, ReadTimeout

from utils import convert dt, logger, get dt

from database import insert, cursor, conn

def clean text(text):

"""Очистка текста от недопустимых символов и эмодзи......

if not isinstance(text, str):

return text

# Удаляем эмодзи и специальные символы

text = re.sub(r'[A\w\s.,!?$%&*()\-+=#@:;/"\'<>]', '', text)

# Удаляем лишние переносы строк

text = ' '.join(text.split())

return text.strip()

def parse post by ticker(post: dict) -> dict:

try:

# Получаем текущую дату и время сбора данных

parse datetime = datetime.datetime.now()

post data = {

"post id": post.get("id"),

"user id": post.get("profileld"),

"user name": clean text(post.get("nickname")),

"likes": post.get("likesCount", 0),

"comments": post.get("commentsCount", 0),

"inserted": convert dt(post["inserted"]) if "inserted " in post else

None,

"instruments": ", ".join([clean text(i.get("ticker",

for i in post.get("content" ,

{}).get("instruments", [])])

if post.get("content", {}).get("instruments")

else None,

"hashtags": ", ".join([cleantext(i.get("title", ""))

for i in post.get("content",

{}).get("hashtags", [])])

if post.get("content", {}).get("hashtags") else None,

"content": clean text(post.get("content", {}).get("text")), "parse_dt": parse_datetime.strftime("%Y-%m-%d %H:%M:%S"),

}

insert("tcs pulse posts", post data) return post data except Exception as e:

logger.error(f"Error parsing post: {e}\nPost data: {post}") return None

def get tickers list() -> list:

with open("tickers.txt", "r", encodin =,utf-8') as f: tickers = f.read() tickers = [i.strip() for i in tickers.split("\n") if i.strip()] return tickers

def parse posts by ticker list(): ERRORS = []

pulse = TinkoffPulse() tickers = get tickers list()

for ticker in tickers:

fetch_cursor = 999999999 processed posts = 0

skip ticker = False # Флаг для пропуска тикера

for step in range(1, 401): if skip_ticker: break

logger.info(f"Обработка тикера {ticker} - итерация {step}") try:

posts from ticker = pulse.get posts by ticker( ;icker=ticker, cursor=fetch_cursor)

fetch cursor = posts from ticker.get("nextCursor", 0) posts = posts from ticker.get("items", [])

if not posts:

logger.info(f"Для тикера {ticker} больше нет постов") break

for post in posts: try:

if parse post by ticker(post): processed posts += 1 except Exception:

logger.error(£"Ошибка обработки поста: {traceback.format exc()}")

continue

logger.info(f"Обработано {len(posts)} постов (всего для {ticker} {processed posts})")

sleep(choice(range(1, 3)))

except AttributeError as e:

logger.error(£"Ошибка AttributeError для тикера {ticker}, пропускаем этот тикер: {e}")

skip ticker = True

continue # Переходим к следующему тикеру except (HTTPStatusError, ConnectError, ConnectTimeout, ReadTimeout) as logger.error(f"Сетевая ошибка: {type(e). name }, пауза 30

секунд")

sleep(30)

ERRORS.append([ticker, fetch cursor]) pulse = TinkoffPulse() except Exception as e:

logger.error(f"Неожиданная ошибка: {type(e). name }, пауза 15 секунд\n{traceback.format exc()}") sleep(15)

ERRORS.append([ticker, fetch cursor]) pulse = TinkoffPulse()

# Обработка ошибок (кроме AttributeError) for ticker, cursor pos in ERRORS: try:

logger.info(f"Повторная обработка ошибок для тикера {ticker}") posts from ticker = pulse.get posts by ticker( .icker=ticker, curso =cursor pos)

posts = posts from ticker.get("items", [])

for post in posts:

parse post by ticker(post)

sleep(choice(range(2, 5))) except Exception:

logger.error(£"Ошибка при повторной обработке: {traceback.format exc()}") sleep(30)

logger.info("Парсинг завершен!")

def export to excel(): try:

logger.info("Экспорт данных в Excel...")

sql_query = "SELECT * FROM tcs_pulse_posts ORDER BY inserted DESC;" resultDF = pd.read sql query(sql query, conn)

# Убедимся, что parse dt в правильном формате if 'parse dt' in resultDF.columns:

resultDF['parse dt'] = pd.to_datetime(resultDF['parse_dt']).dt.strftime('%Y-%m-%d %H:%M:%S')

# Форматирование остальных дат for col in ['inserted']:

if col in resultDF.columns:

resultDF[col] = pd.to datetime(resultDF[col]).dt.strftime('%Y-%m-

%d %H:%M:%S')

# Очистка текстовых данных

text columns = ['content', 'hashtags', 'instruments', 'user name'] for col in text columns:

if col in resultDF.columns:

resultDF[col] = resultDF[col].apply(clean text)

output file = 'all posts.xlsx'

# Экспорт с настройками для обработки больших текстов writer = pd.ExcelWriter(output file, engin ='openpyxl') resultDF.to excel(writer, index=False) writer.close()

logger.info(f"Данные успешно экспортированы в {output file}") except Exception as e:

logger.error(f"Ошибка экспорта в Excel: {e}\n{traceback.format exc()}")

if name == " main ": try:

logger.info("Запуск парсера Tinkoff Pulse") parse posts by ticker list() export to excel()

logger.info("Работа завершена успешно!") except KeyboardInterrupt:

logger.warning("Парсер остановлен пользователем") except Exception as e:

logger.error(f"Критическая ошибка: {e}\n{traceback.format exc()}") finally:

if conn:

conn.close()

Приложение 3. Статистика публикаций, собранных из социальной сети Телеграм

Количество собранных публикаций Телеграм по годам

60000

51269

2018 2019 2020 2021 2022 2023 2024 2025

Приложение 4. Библиотека тикеров и соответствующих им ключевых слов

^ВЕ^: [^Ьег', ^ЬегЬапк', ^Ьег', ^Ьегр', 'касса', 'сберу', 'сбербанк', ^Ьегр', 'греф', 'сбер', 'ги0009029540', 'герман греф'],

'VTBR': ['vtbr', 'банк втб', 'костин', 'втб 24', 'внешторгбанк', 'народное ipo', 'ru000a0jp5v6'], 'ROSN': ['роснефть', 'роснефти', 'rosn', 'rosneft', 'сечин', 'ru000a0j2q06'],

'GAZP': ['газпром', 'gazp', 'gazprom', 'миллер', 'газик', 'нашевсе', 'северный поток', 'южный поток', 'сила сибири', 'ги0007661625', 'национальное достояние', 'достояние', 'мечты сбываются'], 'МОЕХ': ['московская биржа', 'мосбиржа', 'тоех', 'москухня', 'ru000a0jr4a1', 'мамка'], 'GMKN': ['норильский никель', 'норникель', 'gmkn', 'nomickel', 'потанин', 'никель', 'гмк', 'норка', 'интеррос', 'гамак', 'ги0007288411'],

'LKOH': ['лукойл', 'lukoil', 'lkoh', '1ик', 'алекперов', 'лук', 'лучок', 'вагит', 'ги0009024277'],

'ALRS': ['алроса', 'airosa', 'alrs', 'иванов', 'алмазы', 'трубка', 'бриллианты', 'нюрба', 'ru0007252813'],

'SNGS': ['Сургутнефтегаз', 'sngs', 'surgutneftegas', 'богданов', 'сурик', 'снгс', 'сургут', 'ru0008926258'],

'TATN': ['татнефть', 'tatneft', 'tatn', 'маганов', 'минниханов', 'ru0009033591', 'татка'], 'YNDX': ['yndx', 'yandex', 'яндекс', 'яндекс-еда', 'яндекс-такси', 'волож', 'сегалович'], 'AFLT': ['аэрофлот', 'aflt', 'флот', 'добролет', 'победа', 'аврора', 'российские авиалинии', 'савельев'],

'FEES': ['фск', 'фск еэс', 'fees', 'федеральные электросети', 'муров', 'феска'],

'MAGN': ['ммк', 'magn', 'магнитка', 'магнитогорск', 'магнитогорский металлургический комбинат', 'магна', 'рашников'],

'MTSS': ['мтс', 'mtss', 'mts', 'мобильные телесистемы'],

'NVTK': ['новатэк', 'nvtk', 'нова-тэк', 'novatek', 'ямал спг', 'михельсон'],

'NLMK': ['нлмк', 'nlmk', 'новолипецкий металлургический комбинат', 'липецк', 'лисин', 'липка'], 'CHMF': ['северсталь', 'chmf, 'severstal', 'севка', 'Череповец', 'череповецкий металлургический комбинат', 'мордашов'],

'MGNT': ['магнит', 'mgnt', 'magnit', 'марафон групп', 'галицкий'],

'PLZL': ['полюс', 'plzl', 'polyus', 'полюс золото', 'polyusgold', 'сухой лог', 'керимов'],

'QIWI': ['qiwi', 'киви', 'кивикошелек', 'кивибанк', 'карта совесть'],

'RASP': ['распадская', 'rasp', 'raspadskaya', 'распад', 'степанов'],

'LSRG': ['лср', 'lsrg', 'элэсэр', 'молчанов'],

'MTLR': ['мечел', 'mtlr', 'mtlrp', 'mechel', 'коржов', 'зюзин', 'эльга', 'меч', 'ru000a0jpv70'], 'PHOR': ['фосагро', 'phor', 'phosagro', 'навоз', 'фосфат', 'dap', 'гурьев'],

'RTKM': ['ростелеком', 'rtkm', 'rtkmp', 'rostelecom', 'ростело', 'tele2', 'ртк', 'рткм', 'осеевский'],

'HYDR': ['русгидро', 'hydr', 'rushydro', 'гидра', 'русгидра', 'дод', 'шульгинов'],

'AFKS': ['афк система', 'афк', 'afks', 'afk sistema', 'ozon', 'евтушенков'],

'TRMK': ['тмк', 'трубная металлургическая компания', 'trmk', 'tmk', 'ipsco', 'пумпянский'],

'UPRO': ['юнипро', 'upro', 'uniper', 'unipro', 'эон россия', 'э.он', 'березовская грэс'],

'AKRN': ['акрон', 'akrn', 'akron', 'азотные удобрения', 'кантор'],

'PIKK': ['пик', 'pikk', 'pik', 'мортон', 'гордеев'],

'LNTA': ['лента', 'lenta', 'lnta', 'tpg capital'],

'MSNG': ['мосэнерго', 'msng', 'mosenergo', 'мося', 'мосэнергия'],

'TGKA': ['тгк-1', 'тгк1', 'tgka', 'tgk-1'],

'RUAL': ['русал', 'rusal', 'rual', 'русский алюминий', 'краз', 'дерипаска'], 'TRNF': ['транснефть', 'trnf, 'trnfp', 'дружба, нефтепровод', 'токарев'], 'SIBN': ['газпромнефть', 'sibn', 'gazpromneft', 'sibneft', 'сибнефть', 'газнефть', 'дюков'], 'NMTP': ['нмтп', 'nmtp', 'новороссийский морской торговый порт', 'магомедов', 'новопорт'], 'TANL': ['тантал', 'tanl', 'tantal', 'тант'],

'ISKJ': ['искч', 'iискч', 'институт стволовых клеток человека', 'стволовые клетки', 'iskj'], 'YAKG': ['ятэк', 'yakg', 'якутская топливная энергетическая компания', 'якутгазпром', 'коробов'], 'GTL': ['gtl', 'джитиэл', 'gtlc', 'рафис кадыров', 'гтл'],

'GCHE': ['черкизово', 'cherkizovo', 'gehe', 'che', 'черкизовский', 'михайлов'],

'ROLO': ['русолово', 'rolo', 'rusolovo', 'ролово', 'сергей васильев'],

'SVAV': ['соллерс', 'svav', 'sollers', 'северстальавто', 'уаз'],

'ARSA': ['арсагера', 'ук арса', 'arsa', 'arsagera', 'шадрин'],

'KRKN': ['саратовский нпз', 'снпз', 'krkn', 'krknp', 'сарнпз'],

'SELG': ['селигдар', 'seligdar', 'selg', 'selgp'],

'PRFN': ['чзпсн', 'профнастил', 'настил', 'проф', 'prfn', 'prfnp'],

'GAZA': ['gaza', 'газ завод', 'газ автомобиль', 'газель', 'горьковский'],

'KBTK': ['kbtk', 'кбтк', 'кузбасс', 'халилов', 'даэния холдингз лимитед'],

'NKNC': ['nknc', 'nkncp', 'нижнекамск', 'нкнх', 'нефтехим', 'нижнекамскнефтехим'],

'APTK': ['aptk', 'аптек', '36 и 6', '36', '36.6', 'нестеренко'],

'AMEZ': ['ашинский металлургический завод', 'amez', 'ашинский', 'аша', 'amet'],

'DASB': ['дагсбыт', 'dasb', 'даг', 'даги', 'дагестан', 'дагэнерго'],

'IRKT': ['иркут', 'irkt', 'сухой', 'сухой суперджет', 'суперджет', 'рогозин'],

'LSNG': ['ленэнерго', 'lsng', 'lsngp', 'ленка', 'петербургские электросети', 'ленпреф', 'ленэнерго ап'],

'RLMN': ['роллман', 'rlmn', 'rlmnp', 'роля', 'ролпреф', 'роллер'],

'OBUV': ['обувь россии', 'obuv', 'obuv rossii', 'westfalika', 'обусьрус', 'антон титов'],

'AGRO': ['русагро', 'русагро', 'agro', 'агро'],

'AQUA': ['инарктика', 'аква', 'aqua', 'аквакультура', 'русская аквакультура'],

'ASSB': ['assb', 'астраханьэнергосбыт', 'астраханская эсб', 'астраханская эск', 'астрахань энерго'],

'ASTR': ['astr', 'астра', 'астре'],

'BELU': ['belu', 'белуга', 'новабев', 'novabev','novabev group','новабет'], 'BRZL': ['бурят золотов', 'brzl', 'бурятзолото'], 'CARM': ['carm', 'carmoney', 'кармани'], 'CIAN': ['cian', 'циан', 'циан'],

'DSKY': ['dsky', 'детский мир', 'детский', 'детского мира'],

'EELT': ['eelt', 'европейская электротехника', 'европэлтех', 'европэлектротехника'],

'ENPG': ['enpg', 'en+'],

'ENRU': ['enru', 'энел', 'энел россия', 'enel'],

'ETLN': ['etln', 'эталон', 'эталон групп', 'группа эталон', 'застройщик эталон'], 'EUTR': ['eutr', 'евротранс', 'евро транс'], 'FESH': ['fesh', 'двмп', 'fesco'],

'FIVE': ['five', 'x5', 'x5 retail group', 'пятерочка', 'перекресток', 'x5 ритейл групп', 'fivex5'], 'FIXP': ['fixp', 'fix price', 'fixprice', 'фикспрайс', 'фикс прайс'], 'FLOT': ['flot', 'совкомфлот', 'совкомфлота'], 'GEMA': ['gema', 'ммцб', 'гемабанк'],

'GEMC': ['gemc', 'emc', 'емц', 'астраханская эск', 'астрахань энерго'],

'GLTR': ['gltr', 'глобалтранс', 'globaltrans'],

'GTRK': ['gtrk', 'globaltruck', 'globaltruck', 'глобал трак'],

'HHRU': ['hhru', 'head hunter', 'хх ру', 'хэдхантер', 'хэд хантер'],

'IRAO': ['irao', 'интер рао'],

'KAP': ['kap', 'казатомпром'],

'KAZT': [' kazt ', 'куйбышевазот', 'куйбышевазота', 'куйбышев азот'],

'KMAZ': [' kmaz ', 'камаз', 'камаз'],

'KMEZ': [' kmez ', 'ковровский механический завод'],

'KOGK': [' kogk ', 'коршуновский гок', 'коршуновского гок'],

'KRSB': [' krsb ', 'красноярскэнергосбыт', 'красноярскэнергосбыта'],

'KSPI': ['kspi', 'kaspi', 'kaspi'],

'KZOS': ['kzos', 'астраханьэнергосбыт', 'астраханская эсб', 'астраханская эск', 'астрахань энерго'],

'MAGE': ['mage', 'казаньоргсинтез', 'казаньоргсинтеза'],

'MDMG': ['mdmg', 'мать и детя'],

'MGNZ': ['mgnz', 'соликамский магниевый завод'],

'MGTSP': ['mgtsp', 'мгтс преф'],

'MRKC': ['mrkc', 'мрск центра', 'мрск центр'],

'MRKP': ['mrkp', 'мрск цп', 'мрск центра и приволжья'],

'MSRS': ['msrs', 'россети московский регион'],

'MTLRP': ['mtlrp', 'мечел преф', 'префы мечела'],

'MVID': ['mvid', 'м.видео', 'м видео'],

'NFAZ': ['nfaz', 'нефаз', 'нефаза'],

'NKNCP': ['nkncp', 'нкнх', 'нижнекамскнефтехим', 'нкнх преф', 'нижнекамскнефтехим преф'],

'NKSH': ['nksh', 'нижнекамскшина', 'нижнекамск шина'],

'OGKB': ['ogkb', 'огк-2', 'огк 2'],

'OPIN': ['opin', 'открытые инвестиции'],

'OZON': ['ozon', 'озон', 'русский амазон'],

'POLY': ['poly', 'полиметалл'],

'POSI': ['posi', 'positive technologies'],

'RNFT': ['rnft', 'русснефть', 'русснефти'],

'ROSB': ['rosb', 'росбанк'],

'RSTI': ['rsti', 'россети', 'россетей'],

'RTGZ': ['rtgz', 'газпром газораспределение ростов-на-дону'], 'RTKMP': ['rtkmp', 'ростелеком привилегированные', 'ростелеком преф'], 'SAGO': ['sago', 'самарэнерго'],

'SBERP': ['sberp', 'префы сбера', 'сбербанк преф', 'сбер преф', 'сбербанк привилегированные'], 'SGZH': ['sgzh', 'сегежа'],

'SMLT': ['smlt', 'самолет', 'гк самолет', 'застройщик самолет'],

'SNGSP': ['sngsp', 'сургутнефтегаз', 'сургутнефтегаз преф', 'префы сургута', 'астрахань энерго'], 'SOFL': ['sofl', 'софтлайн', 'softline', 'софт лайн'], 'TAER': ['taer', 'трансаэро'],

'TATNP': ['tatnp', 'татнефть преф', 'префы татнефти'],

'TCSG': ['tcsg', 'тинькофф', 'тиньков', 'ткс групп', 'tcs group', 'тинек', 'tinkoff, 'желтый банк'], 'TRNFP': ['trnfp', 'транснефть', 'транснефти', 'транснефть преф', 'префы транснефти'], 'TTLK': ['ttlk', 'таттелеком'],

'TUZA': ['tuza', 'туймазинский завод автобетоновозов', 'тза'],

'URKZ': ['urkz', 'уральская кузница'],

'VJGZP': ['vjgzp', 'варьеганнефтегаз преф'],

'VKCO': ['vkco', 'vk company ltd', 'вк', 'вконтакте', 'vk'],

'VSMO': ['vsmo', 'всмпо-ависма'],

'WUSH': ['wush', 'whoosh', 'вуш', 'самокаты whoosh'],

'BSPB': ['банк спб', 'банк санкт-петербург', 'банксанктпетербург', 'бспб'],

Приложение 5. Список и статистика Телеграм каналов (по состоянию на апрель 2024 года), по которым производился сбор публикаций и реакций инвесторов для тестирования модели прогнозирования цен акций___

№ Название канала Количество подписчиков Как часто публикуются сообщения Как часто публикуются идеи по покупке/продаже акций Просмотры на 1 публикацию в каналах, попавших в выборку

1 Finam Alert 76 000 ежедневно очень часто (каждый день) 10 000

2 Мои инвестиции 380 000 ежедневно очень часто (каждый день) 40 000

3 РынкиДеньгиВласть | РДВ 160 000 ежедневно очень часто (каждый день) 30 000

4 Alfa Wealth 100 000 ежедневно часто (еженедельно) 30 000

5 Сигналы РЦБ 109 000 ежедневно очень часто (каждый день) 30 000

6 ЗЛОЙ ФИНАНСИСТ 55 000 ежедневно часто (еженедельно) 20 000

7 Дилер 38 000 ежедневно очень часто (каждый день) 10 000

8 Волк с Мосбиржи 20 000 ежедневно очень часто (каждый день) 8 000