[论文解读] Can social microblogging be used to forecast intraday exchange rates?

Panagiotis Papaioannnou, Lucia Russo+2 more|RePEc: Research Papers in Economics|Oct 20, 2013

Complex Systems and Time Series Analysis被引用 4

一句话总结

本研究探讨了Twitter微博数据是否能够超越传统模型，提升欧元/美元汇率的日内预测能力。通过在富含情感的Twitter数据上应用时间序列分析与神经网络，作者发现社交媒体信息显著提升了极短期方向性变动的预测效果，优于随机游走模型与AR模型。

ABSTRACT

The Efficient Market Hypothesis (EMH) is widely accepted to hold true under certain assumptions. One of its implications is that the prediction of stock prices at least in the short run cannot outperform the random walk model. Yet, recently many studies stressing the psychological and social dimension of financial behavior have challenged the validity of the EMH. Towards this aim, over the last few years, internet-based communication platforms and search engines have been used to extract early indicators of social and economic trends. Here, we used Twitter's social networking platform to model and forecast the EUR/USD exchange rate in a high-frequency intradaily trading scale. Using time series and trading simulations analysis, we provide some evidence that the information provided in social microblogging platforms such as Twitter can in certain cases enhance the forecasting efficiency regarding the very short (intradaily) forex.

研究动机与目标

• 检验社交媒体微博数据是否能够超越随机游走模型，提升短期汇率预测能力。
• 评估公开可用的Twitter情绪与信息流动在有效市场假说（EMH）背景下的预测能力。
• 探究反映在微博内容中的交易者信念是否包含有助于预测日内汇率变动的有用信息。
• 比较整合Twitter数据的模型与仅使用历史汇率数据的基准模型的预测表现。
• 探索社交媒体作为高频外汇市场动态早期指标的潜力。

提出的方法

• 使用基于关键词的过滤与情感分析，收集并处理与欧元/美元汇率相关的实时Twitter数据。
• 构建ARX（带外生输入的自回归）与人工神经网络（ANN）时间序列模型，将Twitter数据作为外生变量纳入。
• 采用自举重采样（5000次迭代）验证模型稳健性，并与基准模型比较预测表现。
• 使用对数差分收益率以处理汇率数据中的非平稳性与趋势效应。
• 开展移动平均交易模拟，评估模型在实际交易情境下的经济表现。
• 通过一步-ahead预测中正确预测方向变动的比例（Sgns）评估预测准确性。

实验结果

研究问题

• RQ1 社交媒体微博数据（如Twitter内容）是否能够提升传统时间序列模型之外的日内汇率预测准确性？
• RQ2 在多大程度上，整合Twitter上的公开情绪与交易者信念能够增强对欧元/美元汇率方向性变动的预测能力？
• RQ3 与随机游走模型和AR模型相比，引入社交媒体数据是否带来统计上显著的预测效率提升？
• RQ4 预测表现如何随不同预测时 Horizon 变化，特别是在极短期？
• RQ5 通过反映真实市场行为的模拟交易策略，能否验证模型表现？

主要发现

• 整合Twitter数据的ARX与ANN模型显著优于无社交媒体输入的基准模型，尤其在一步-ahead预测时 Horizon 表现突出。
• 最佳ARX与ANN模型的正确方向变动预测比例（Sgns）超过自举分布的最大值，表明具有统计显著性。
• 在短期预测（nₖ = 1）中，使用Twitter数据的模型Sgns值远高于0.5，表明其预测能力显著超越随机猜测。
• 在较大预测时 Horizon（nₖ > 1）时，未观察到显著改进，Sgns值趋近于约0.5且偏差较小。
• 基于Twitter信息的模型所开展的交易模拟显示出经济绩效提升，表明其在实时预测中具备实际应用价值。
• 在对汇率数据进行对数差分处理后，结果对非平稳性保持稳健，证实了在趋势调整条件下的发现稳定性。