Детальная информация

Цель работы – оценка влияния агрегированного новостного сентимента на условную волатильность рынка в рамках моделей GARCH и определение значимости этого влияния. Для достижения поставленной цели были решены следующие задачи: 1. Обобщение теорий влияния информационного потока на волатильность рынков. 2. Сбор и структурирование данных: котировки S&P 500 (2015–2020 гг.) и корпус финансовых новостей. 3. Адаптация методов NLP (FinBERT) для агрегации оценок тональности текстов в дневной временной ряд. 4. Оценка параметров GARCH и EGARCH и их сравнение с расширенной спецификацией EGARCH-X. 5. Сопоставление прогнозных способностей моделей с использованием теста Диболда–Мариано и бэк-тестирования VaR. 6. Оценка экономической целесообразности использования новостного фактора в стратегии таргетирования волатильности методом Монте-Карло. Объектом исследования является процесс формирования условной волатильности рынка США, а предметом – модели GARCH и их модификации с экзогенной переменной новостного сентимента. Для обработки данных и моделирования использовался язык программирования Python (библиотеки Pandas, yfinance, transformers/FinBERT, arch). Результаты исследования можно использовать как: 1) основу для систем риск-менеджмента и алгоритмических платформ, генерирующих опережающие сигналы о росте неопределенности; 2) базу для адаптивных стратегий таргетирования волатильности, повышающих устойчивость портфелей в стрессовых условиях.

The aim of the work is to evaluate the impact of aggregated news sentiment on market conditional volatility within the GARCH framework and to determine the significance of this impact. To achieve this goal, the following tasks were solved: 1. Generalization of theories on the impact of information flow on market volatility. 2. Collection and structuring of data: S&P 500 quotes (2015–2020) and a corpus of financial news. 3. Adaptation of NLP methods (FinBERT) to aggregate text sentiment scores into a daily time series. 4. Estimation of GARCH and EGARCH parameters and their comparison with the extended EGARCH-X specification. 5. Comparison of predictive abilities using the Diebold-Mariano test and VaR backtesting. 6. Evaluation of the economic feasibility of using the news factor in a volatility targeting strategy via Monte Carlo simulation. The object of the study is the process of conditional volatility formation in the US market, and the subject is the GARCH models and their modifications with an exogenous news sentiment variable. For data processing and modeling, the Python programming language was used (Pandas, yfinance, transformers/FinBERT, arch libraries). The results of the study can be used as: 1) a basis for risk management systems and algorithmic platforms generating leading signals about growing uncertainty; 2) a foundation for adaptive volatility targeting strategies that increase portfolio resilience in stressful conditions.