Анализ взаимной динамики котировок акций и тональности текстовых упоминаний в СМИ компании «OZON Holdings PLC» с применением корреляционного и сентимент-анализа

Обложка

Цитировать

Полный текст

Аннотация

Предметом исследования является количественная оценка взаимосвязи между тональностью упоминаний компании «Ozon Holdings PLC» в русскоязычных средствах массовой информации (СМИ) и динамикой котировок ее акций на Московской бирже. В современной цифровой экономике понимание этого нефинансового фактора имеет критическое значение, особенно для технологических компаний, таких как Ozon, чьи акции характеризуются высокой волатильностью и чувствительностью к информационному фону, а также репутационным рискам. Актуальность работы обусловлена необходимостью для компании Ozon разрабатывать эффективные стратегии управления своим медиа-образом. Это является значимой проблемой в условиях высокой конкуренции и информационного давления, поскольку негативное восприятие способно подорвать доверие инвесторов и негативно сказаться на рыночной капитализации. Целью исследования является установление наличия, направления и силы статистически значимой связи между квартальным агрегированным показателем медиа-тональности и изменением цены акций Ozon. Основная гипотеза предполагает прямую положительную корреляцию: улучшение тональности упоминаний в СМИ ассоциируется с ростом котировок, а преобладание негативной информации – с их снижением. Методология включала сбор квартальных данных о котировках акций Ozon и текстовых упоминаний (Google Новости, 2021-2024). Для сентимент-анализа применялась нейросетевая модель DeepPavlov. Взаимосвязь медиа-тональности и динамики цен акций оценивалась корреляционным анализом Пирсона (α=0.05). Научная новизна заключается в количественной оценке влияния агрегированной поквартальной тональности русскоязычных новостных сообщений на динамику котировок акций крупной российской e-commerce компании, дополняя знания о специфике российского информационного поля. Основные результаты подтвердили гипотезу: выявлена сильная положительная статистически значимая корреляция (r = 0.72, R² = 0.52, p " 0.001) между медиа-тональностью и ценами акций Ozon. Это указывает, что около 52% вариаций в изменении цен акций могут быть объяснены тональностью СМИ. Исследование имеет ограничения (не учтены соцсети, корпоративные новости, макрофакторы). Практически результаты могут использоваться инвесторами для оценки рисков, а Ozon – для разработки PR-стратегий, оперативного реагирования на негатив и формирования позитивного имиджа для укрепления рыночных позиций и повышения инвестиционной привлекательности.

Об авторах

Владимир Александрович Шиболденков

Московский государственный технический университет имени Н.Э. Баумана

Email: vshiboldenkov@bmstu.ru
доцент; кафедра "Инженерный бизнеc и менеджмент";

Александр Николаевич Тюрнев

Московский государственный технический университет им. Н.Э. Баумана (национальный исследовательский университет)

Email: alexander.tyurnev@gmail.com
студент; факультет "Инженерный бизнес и менеджмент";

Кирилл Миронович Афанасьев

Московский государственный технический университет им. Н.Э. Баумана (национальный исследовательский университет)

Email: akirill2003@list.ru
студент; факультет "Инженерный бизнес и менеджмент";

Артем Олегович Пресняков

Московский государственный технический университет им. Н.Э. Баумана (национальный исследовательский университет)

Email: presnart@yandex.ru
студент; факультет "Инженерный бизнес и менеджмент";

Список литературы

  1. Михненко П. А. Трансформация деловой лексики годовых отчетов крупнейших российских компаний: data mining // Управленец. 2022. Т. 13, № 5. С. 68-83. doi: 10.29141/2218-5003-2022-13-5-2. EDN: DLNXWM.
  2. Богданов А. Л., Дуля И. С. Сентимент-анализ коротких русскоязычных текстов в социальных медиа // Вестник Томского государственного университета. Экономика. 2019. № 47. С. 148-163. doi: 10.17223/19988648/47/17. EDN: QFXMQA.
  3. Жукова Н. Ю., Меликова А. Э. Социальная ответственность бизнеса: усиление стоимости бренда и влияние на финансовые показатели компании // Финансы: теория и практика. 2021. Т. 25, № 1. С. 136-149. doi: 10.26794/2587-5671-2021-25-1-84-102. EDN: TKZNFS.
  4. Лихонос В. О. Влияние имиджа организации на результаты ее деятельности // Теория и практика современной науки. 2019. № 6 (48). С. 103-106.
  5. Садковкин А. А., Зорина М. В. Влияние публикации в СМИ на финансовые показатели компании: анализ взаимосвязи между пресс-релизами и стоимостью акций // Экономика и бизнес: теория и практика. 2023. № 9 (103). С. 141-144.
  6. Федорова Е. А., Лапшина Н. В., Лазарев М. П., Бородин А. И. Влияние информации в пресс-релизах на финансовые показатели российских компаний // Экономическая политика. 2021. Т. 16, № 3. С. 86-109.
  7. Романов С. А. Влияние публикаций в СМИ на финансовые результаты деятельности российских банков (на примере ПАО "Сбербанк") // Известия Санкт-Петербургского государственного экономического университета. 2024. № 2 (146). С. 87-93.
  8. Haas C., Budin C., d'Arcy A. How to select oil price prediction models-The effect of statistical and financial performance metrics and sentiment scores // Energy Economics. 2024. Vol. 133. P. 107466. DOI: https://doi.org/10.1016/j.eneco.2024.107466. EDN: VTGBPM.
  9. Hogenboom A., Brojba-Micu A., Frasincar F. The impact of word sense disambiguation on stock price prediction // Expert Systems with Applications. 2021. Vol. 184. P. 115568. DOI: https://doi.org/10.1016/j.eswa.2021.115568. EDN: CYBVUZ.
  10. Loutfi A. Renewable energy stock prices forecast using environmental television newscasts investors' sentiment // Renewable Energy. 2024. Vol. 230. P. 120873. DOI: https://doi.org/10.1016/j.renene.2024.120873. EDN: ZECGGZ.
  11. Kang W., Yuan X., Zhang X., Chen Y., Li J. ChatGPT-based sentiment analysis and risk prediction in the Bitcoin market // Procedia Computer Science. 2024. Vol. 242. Pp. 211-218. DOI: https://doi.org/10.1016/j.procs.2024.08.258. EDN: MXPTBR.
  12. Selimovic M., Almisreb A. A., Amanzholova S. The role of sentiment analysis in brand management and marketing: A comparative study // Procedia Computer Science. 2024. Vol. 251. Pp. 579-584. DOI: https://doi.org/10.1016/j.procs.2024.11.152. EDN: XRAKIT.
  13. Akdogan Y. E., Anbar A. More than just sentiment: Using social, cognitive, and behavioral information of social media to predict stock markets with artificial intelligence and big data // Borsa Istanbul Review. 2024. Vol. 24, No. 6. Pp. 1788-1801. DOI: https://doi.org/10.1016/j.bir.2024.12.003. EDN: OEROOU.
  14. Varghese R., Mohan B. Study on the sentimental influence on Indian stock price // Heliyon. 2023. Vol. 9. P. e22788. DOI: https://doi.org/10.1016/j.heliyon.2023.e22788. EDN: RGZKHP.
  15. Jena P., Majhi R. Are Twitter Sentiments During COVID-19 Pandemic a Critical Determinant to Predict Stock Market Movements? A Machine Learning Approach // Scientific African. 2022. Vol. 17. P. e01480. DOI: https://doi.org/10.1016/j.sciaf.2022.e01480. EDN: SMXBJQ.
  16. Sun Y., Liu X., Chen G., Hao Y., Zhang J. How Mood Affects the Stock Market: Empirical Evidence from Microblogs // Information & Management. 2020. Vol. 57, No. 7. P. 103181. DOI: https://doi.org/10.1016/j.im.2019.103181. EDN: BGAFZI.
  17. Abdullah M., Sulong Z., Chowdhury M. A. Explainable deep learning model for stock price forecasting using textual analysis // Expert Systems with Applications. 2024. Vol. 249. P. 123740. DOI: https://doi.org/10.1016/j.eswa.2024.123740. EDN: KOMPFC.
  18. Maqbool J., Masood A., Bashir S., Alhussain T., Aldosary S., Khadim H. Stock prediction by integrating sentiment scores of financial news and MLP-regressor: A machine learning approach // Procedia Computer Science. 2023. Vol. 218. Pp. 1067-1078. DOI: https://doi.org/10.1016/j.procs.2023.01.086. EDN: QJTVAN.
  19. Daudert T. Exploiting textual and relationship information for fine-grained financial sentiment analysis // Knowledge-Based Systems. 2021. Vol. 230. P. 107389. DOI: https://doi.org/10.1016/j.knosys.2021.107389. EDN: LRUGQA.
  20. Ferraro A., Sperlì G. How does user-generated content on Social Media affect stock predictions? A case study on GameStop // Online Social Networks and Media. 2024. Vol. 43. P. 100293. DOI: https://doi.org/10.1016/j.osnem.2024.100293. EDN: LJCYGW.
  21. Nyakurukwa K., Seetharam Y. The evolution of studies on social media sentiment in the stock market: Insights from bibliometric analysis // Scientific African. 2023. Vol. 20. P. e01596. DOI: https://doi.org/10.1016/j.sciaf.2023.e01596. EDN: MHJTIW.
  22. Lin Z. Impact of investor sentiment on firm innovation: Evidence from textual analysis // Borsa Istanbul Review. 2023. Vol. 23, No. 5. Pp. 1141-1151. DOI: https://doi.org/10.1016/j.bir.2023.04.006. EDN: DVMZKD.
  23. Lin W., Liao L. C. Lexicon-based prompt for financial dimensional sentiment analysis // Expert Systems with Applications. 2024. Vol. 244. P. 122936. DOI: https://doi.org/10.1016/j.eswa.2024.122936. EDN: LRMSKX.
  24. George M. Improving sentiment analysis of financial news headlines using hybrid Word2Vec-TFIDF feature extraction technique // Procedia Computer Science. 2024. Vol. 244. Pp. 1-8. DOI: https://doi.org/10.1016/j.procs.2024.08.233. EDN: NYPKCS.
  25. Das N., Chakrabarty A., Dutta R., Bhattacharya S., Dutta P. Integrating sentiment analysis with graph neural networks for enhanced stock prediction: A comprehensive survey // Decision Analytics Journal. 2024. Vol. 11. P. 100417. DOI: https://doi.org/10.1016/j.dajour.2024.100417. EDN: XOIRNO.
  26. Kitiwong W., Ekasingh E., Sarapaivanich N. Analysis of non-English key audit matters: Do key audit matters influence investor sentiment? // Journal of International Accounting, Auditing and Taxation. 2024. Vol. 55. P. 100670. DOI: https://doi.org/10.1016/j.intaccaudtax.2024.100670.
  27. Fernandez R., Guizar B. P., Rho C. A sentiment-based risk indicator for the Mexican financial sector // Latin American Journal of Central Banking. 2021. Vol. 2, No. 3. P. 100036. DOI: https://doi.org/10.1016/j.latcb.2021.100036. EDN: MTJFWC.
  28. Ge Y., Liu C., Xiong H., Chen J. Beyond negative and positive: Exploring the effects of emotions in social media during the stock market crash // Information Processing & Management. 2020. Vol. 57, No. 4. P. 102218. DOI: https://doi.org/10.1016/j.ipm.2020.102218. EDN: GKIRLB.
  29. Gui J., Luo Z., Wu H., Wang T., Xu B. Measuring investor sentiment of China's growth enterprises market with ERNIE // Procedia Computer Science. 2022. Vol. 202. Pp. 1-8. DOI: https://doi.org/10.1016/j.procs.2022.04.001. EDN: PORMGG.
  30. Ren Y., Liao F., Gong Y. Impact of news on the trend of stock price change: An analysis based on the deep bidirectional LSTM model // Procedia Computer Science. 2020. Vol. 174. Pp. 128-140. DOI: https://doi.org/10.1016/j.procs.2020.06.066. EDN: KBMRHM.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).