روایت‌های راهبردی، جایگاه‌گیری نهادی و سیگنال‌های متنی
خلاصه
این پژوهش می‌پرسد چه زمانی باید از متن بازار پیروی کرد و چه زمانی باید برخلاف آن موضع گرفت. اظهارات نهادها (Say)، تکرار رسانه‌ای (Echo) و جایگاه‌گیری آشکارشده نهادها (Do) را از یکدیگر جدا می‌کند. یک مدل خطی‌ـ‌درجه‌دوم نهادی آگاه را توصیف می‌کند که می‌تواند پیش از جمعیتی تاحدی زودباور اظهارنظر کند و معامله انجام دهد. مقاله همچنین ابزارهایی برای شناسایی مقاله‌های بازتاب‌یافته با زمان‌بندی و شباهت بردارهای تعبیه‌شده، هم‌تراز کردن بردارهای تعبیه‌شده متن با بازده‌های بعدی و استنباط پیشگامی از مسیرهای قیمت ارائه می‌کند.
مدل شرایطی را مشخص می‌کند که در آن نهاد با پایین‌آوردن قیمت یک دارایی در گفتار و خرید آن، بهینه عمل می‌کند؛ نتیجه‌ای مستقل از توزیع نیز کوواریانس منفی میان اظهارات و جایگاه‌گیری را به محتوای پیش‌بینی منفی واژه‌ها پیوند می‌دهد. در شبیه‌سازی‌های کنترل‌شده با واقعیت مبنا معلوم، احساسات بازتاب‌یافته در همه 29 بازار بازده‌ها را به‌طور منفی پیش‌بینی می‌کند؛ همبستگی متحرک Say-Do رویدادهای هشدار کاذب را با AUC 0.90 شناسایی می‌کند. نویسندگان مواردی را نیز شرح می‌دهند که ابزارها در آن‌ها ناکام می‌مانند. این نتایج از بازارهای شبیه‌سازی‌شده به دست آمده‌اند و عملکرد روی متن بازار زنده یا داده‌های معاملاتی واقعی را اثبات نمی‌کنند.
ایده‌های کلیدی
- چارچوب، اظهارات نهادی، بازتاب‌های رسانه‌ای و جایگاه‌گیری آشکارشده را از هم تفکیک می‌کند.
- بر اساس رابطه ارائه‌شده در مقاله، کوواریانس منفی میان اظهارات و جایگاه‌گیری یعنی واژه‌ها محتوای پیش‌بینی منفی دارند.
- مدل شرایطی را مشخص می‌کند که در آن نهاد از اظهارنظر منفی هم‌زمان با خرید سود می‌برد.
- روش‌های سنجش، زمان‌بندی و شباهت مقاله‌ها، بردارهای تعبیه‌شده متن هم‌تراز با بازده و نشانه‌های مسیر قیمت را ترکیب می‌کنند.
- در 29 بازار شبیه‌سازی‌شده کنترل‌شده، احساسات بازتاب‌یافته بازده را منفی پیش‌بینی می‌کند و همبستگی متحرک Say-Do هشدارهای کاذب را با AUC 0.90 علامت‌گذاری می‌کند.
برچسب‌ها
متن کامل
# Say, Echo, Do: Strategic Narratives and Revealed Positioning in Financial Markets # Say, Echo, Do: Strategic Narratives and Revealed Positioning in Financial Markets Machine-learning signals built from financial text treat what institutions say, and what the media repeat, as evidence about value. But whoever shapes a narrative may be trading against it. We study markets with three observable voices: institutional statements (Say), media repetition (Echo) and revealed positioning (Do). We ask when words should be followed and when they should be faded. In a linear-quadratic model of an informed institution that speaks and trades before a partly credulous crowd, talking an asset down while buying it is optimal exactly when $\varphi^2<2λk<\varphi$. A distribution-free identity then shows that when the observable Say-Do covariance is negative, words carry negative predictive content and should be faded. For measurement, we derive (i) an exact factorised posterior over which articles are echoes, combining arrival times with embedding similarity; (ii) a return-aligned contrastive objective that attains its bound exactly when squared embedding distances are an increasing affine function of squared outcome distances, with the tightest loss-based certificate of which neighbour rankings survive imperfect training; and (iii) a path-signature statistic for who moved first. In a controlled market with known ground truth, echo sentiment predicts returns with a significantly negative sign in all 29 simulated markets, the rolling Say-Do correlation flags false-alarm events with an AUC of 0.90, and return-aligned embeddings organise headlines by consequence rather than topic. We also report where the tools fail.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.