В качестве источника финансовых новостей использователся датасет https://www.kaggle.com/datasets/kkhubiev/russian-financial-news

Цель работы

Целью данной работы является исследование влияния новостного фона на динамику цен акций российских компаний, торгующихся на Московской бирже.

Исследовательские вопросы

• Существует ли статистически значимая связь между новостным сентиментом и доходностью акций?
• Влияет ли новостной сентимент на цену с лагом?
• Какие новости оказывают наибольшее влияние на движение цены?
• Отличается ли влияние позитивных и негативных новостей?

Практическая значимость Результаты работы могут быть использованы:

• для построения торговых стратегий на основе новостей;
• для оценки рыночной реакции на информационные события;
• в аналитических и исследовательских задачах финансового анализа.

Использовались новостные сообщения из следующих источников:

• RBC
• Finam
• Smart-Lab
• BCS и др.

Для каждого сообщения доступны:

• дата публикации;
• тикер компании;
• текст новости;
• источник.

Предобработка новостей включала:

• очистку текста;
• приведение дат к дневному формату;
• агрегацию новостей по тикеру и дате;
• вычисление дневного сентимента.

Вывод: Новостные данные обладают высокой зашумлённостью, при этом активность публикаций существенно различается между тикерами.

Использовались дневные котировки акций с Московской биржи:

• цена закрытия;
• объём торгов;
• доходности.

Для каждого тикера данные загружались в интервале от первой до последней даты появления новостей.

Вывод: Синхронизация новостей и рыночных данных позволила корректно сопоставлять информационные события и ценовую динамику.

Были сформированы следующие признаки:

• дневной сентимент;
• количество новостей в день;
• лаги сентимента (t−1, t−3, t−5).

Использовались:

• доходности с лагами;
• объёмы торгов;
• волатильность.

Почему лаги важны: Рынок не всегда реагирует мгновенно на новостную информацию, поэтому учитывается отложенный эффект.

Вывод: Использование лагов позволяет модели учитывать динамическую реакцию рынка на новости.

Для моделирования использовался CatBoost, поскольку:

• он хорошо работает с шумными финансовыми данными;
• способен улавливать нелинейные зависимости;
• предоставляет корректную поддержку SHAP-значений.

Важно: Модель использовалась не столько для прогнозирования, сколько для анализа и интерпретации влияния признаков.

Модель обучалась на задаче прогнозирования цены закрытия следующего торгового дня, что эквивалентно прогнозированию дневной доходности при фиксированной текущей цене.

Использовалось:

• временное разбиение данных;
• контроль переобучения.

Вывод: Модель демонстрирует ограниченную прогнозную силу, что соответствует свойствам финансовых временных рядов.

SHAP-анализ позволил:

• оценить вклад новостного сентимента в движение цены;
• выявить дни, когда новости вносили наибольший вклад;
• отфильтровать price-moving новости.

Для дней с высоким абсолютным SHAP-вкладом:

• были извлечены соответствующие новости;
• проведён качественный анализ их содержания.

Вывод: Не все новости оказывают влияние на цену. Существенный эффект имеют новости, связанные с:

• финансовыми результатами;
• корпоративными событиями;
• регуляторными изменениями.

1. Новостной сентимент оказывает влияние на динамику цен, однако эффект:

   • нерегулярен;
   • асимметричен;
   • зависит от контекста рынка.

2. Негативные новости в среднем оказывают более сильное влияние, чем позитивные.

3. Большая часть новостей не влияет на цену, но отдельные события вызывают значимые движения.

4. Использование SHAP позволяет перейти от агрегированного анализа к анализу конкретных событий.

• Высокий уровень шума в новостных данных.
• Отсутствие внутридневных котировок.
• Возможное запаздывание публикации новостей.
• Ограниченная предсказательная сила моделей для финансовых рынков.

• Использование внутридневных данных.
• Разделение новостей по типам (отчёты, слухи, регуляторика).
• Сравнение с классическим event study.
• Использование других методов NLP.