Details

Целью работы является выявление и оценка влияния информационных потоков, в частности тональности новостей, и фундаментальных данных на динамику цен акций компаний банковского сектора на фондовой бирже. Были решены следующие задачи: - Проведен обзор современной научной литературы и практических исследований по тематике влияния информационного фона на финансовые рынки и методов оценки тональности новостей. - Разработана методология исследования, включая выбор источников данных и методов обработки текстовой и финансовой информации. - Осуществлен сбор, предобработка и систематизация новостных данных (с использованием GNews API и моделей NLP), исторических данных по котировкам акций (ПАО «Сбербанк»)  и фундаментальных финансовых показателей. - Применены алгоритмы для количественной оценки тональности информационных ресурсов. - Построены и адаптированы эконометрические модели и модели машинного обучения (OLS, KNN, Decision Tree, Random Forest, XGBoost, ARIMA, LSTM) для оценки влияния тональных характеристик новостей и фундаментальных данных на динамику цен акций. - Проведена оценка качества моделей, проверены гипотезы и сформулированы практические рекомендации. Актуальность темы обусловлена возрастающей ролью информационного окружения в формировании инвестиционных настроений и решений, особенно в банковском секторе, который чувствителен к информационным потокам. Источниками информации выступили современная научная литература, практические исследования, данные новостных агрегаторов, финансовых порталов и официальная финансовая отчетность банков. В результате исследования подтверждена значимость информационного фона для анализа финансовых рынков. Установлено, что модели машинного обучения, особенно XGBoost, учитывающие тональность новостей, демонстрируют высокую прогностическую способность, сопоставимую или превосходящую модели с полным набором признаков. Работа показала возможность применения анализа тональности для улучшения прогнозирования цен акций и поддержки инвестиционных решений.

The aim of the work is to identify and assess how information flows (especially news sentiment) and fundamental data impact stock price dynamics of banking sector companies. The following tasks were accomplished: - A review of modern scientific literature and practical research on the impact of the background information on financial markets and news sentiment assessment methods was conducted. - A research methodology was developed, including the selection of data sources and methods for processing textual and financial information. - News data (using GNews API and NLP models), historical stock price data (PJSC Sberbank), and fundamental financial indicators were collected, preprocessed, and systematized. - Algorithms were applied for quantitative assessment of the sentiment of information resources. - Econometric and machine learning models (OLS, KNN, Decision Tree, Random Forest, XGBoost, ARIMA, LSTM) were built and adapted to assess the impact of news sentiment characteristics and fundamental data on stock price dynamics. - The quality of the models was assessed, hypotheses were tested, and practical recommendations were formulated. The relevance of the topic is due to the increasing role of the information environment in shaping investment sentiment and decisions, especially in the banking sector, which is sensitive to information flows. Information sources included contemporary scientific literature, practical studies, data from news aggregators, financial portals, and official bank financial statements. The research confirmed the information backgrounds importance in financial market analysis. Machine learning models (notably XGBoost) using news sentiment showed high predictive ability, often matching or exceeding models with more features. The study highlights sentiment analysiss potential for improving stock price forecasts and aiding investment decisions.