加载中...
数据目录 · 共 64 个条目 · 20 个分类浏览简化目录
SSRD上市公司与资本市场5
政府与司法数据4
企业主体与全景画像4
人民数据1
人物数据1
劳动就业数据2
War Discourse and Disaster Premium: 160 Years of Evidence from the Stock Market
本文利用半监督主题模型对《纽约时报》跨越160年的700万篇文章进行分析，检验媒体话语主题是否能够预测未来股票市场超额收益，以检验关于市场对灾难风险定价的理性与行为假说。媒体话语数据解决了灾难事件罕见情况下样本量不足的难题。本文方法避免了前视偏差并处理了语义变迁问题。话语主题正向预测市场超额收益，其中“战争”主题的样本外R2为1.35%。我们称这一效应为“战争收益溢价”。战争收益溢价在近期时段有所增强。
Abstract
Using a semisupervised topic model on 7 million New York Times articles spanning 160 years, we test whether topics of media discourse predict future stock market excess returns to test rational and behavioral hypotheses about market valuation of disaster risk. Media discourse data address the challenge of sample size even when disasters are rare. Our methodology avoids look-ahead bias and addresses semantic shifts. Our discourse topics positively predicts market excess returns, with War having an out-of-sample R2 of 1.35%. We call this effect the war return premium. The war return premium has increased in more recent time periods.
战争主题显著正向预测股票市场超额收益
在全样本1871-2019年，战争主题每增加一个标准差，下月年化超额收益增加3.80%，t值为3.35，月度样本内R2为0.39%。该效应在两个子时期（1871-1949和1950-2019）均显著。
PLS主题指数预测能力更强，且近期效应增强
由14个主题构建的PLS指数每增加一个标准差，下月年化超额收益增加4.65%，t值为3.52，R2为0.58%。2000-2019年子样本中，系数为9.61%，R2为3.22%，预测能力随时期增强。
战争主题样本外预测能力突出，近期R2达1.35%
在1881-2019年样本外检验中，战争主题的R2_OS为0.17%，在2000-2019年子样本中R2_OS达1.35%，显著优于历史均值基准，也优于多数经济预测变量。
战争主题预测能力在控制经济变量和其他主题后仍稳健
在包含War和所有经济预测变量（DP、EP、SVAR、TBL等）的多元回归中，War系数为2.52%，t值为1.98，在5%水平显著。在与其他13个主题的二元回归中，War始终保持显著。
战争主题通过现金流和贴现率渠道预测收益
通过Campbell(1991)的VAR分解，War正向预测预期收益、现金流新闻和贴现率新闻，三者在不同VAR设定下均显著。其中现金流渠道的经济重要性最大，表明War与未来高现金流相关。
核心解释变量
战争主题权重（War）与PLS主题指数，通过半监督LDA模型从《纽约时报》1861-2019年700万篇文章中提取，月度滚动估计，标准化为零均值单位方差
被解释变量
下月年化股票市场超额收益（S&P 500总收益指数减无风险利率），以及不同期限（1、3、6、12、24、36个月）的超额收益
样本与数据
《纽约时报》1861-2019年全部文章（约680万篇）和《华尔街日报》1990-2019年文章（约60万篇）；股票收益数据来自Global Financial Data的S&P 500总收益指数（1871年起）；无风险利率来自Kenneth French网站和Goyal and Welch (2008)；经济预测变量来自Goyal and Welch (2008)；样本期1871年1月至2019年10月，共1784个月
识别方法 / 模型设定
采用预测回归模型：R_{t+1}^e = α + β x_t + ε_{t+1}，其中x_t为主题权重或PLS指数。使用Newey-West标准误计算t统计量。PLS方法分两步：第一步用全样本将各主题权重对下月收益回归，第二步在每期用主题权重向量对第一步斜率回归，得到PLS指数。样本外检验采用扩展窗口估计，以1881年1月为评估起点，计算R2_OS和Clark-West调整统计量。
内生性及稳健性检验
1) 采用Boudoukh, Israel, and Richardson (2022)的小样本偏差校正，结果不变；2) 使用安慰剂/bootstrap检验（1000个无关词随机抽取，10000次重复），War预测结果概率为0.53%（全样本）和0.06%（1950-2019）；3) Bonferroni校正后War仍显著；4) 仅保留War一个种子主题的极端检验结果稳健；5) 使用War的创新（一阶差分或AR(1)残差）预测结果一致；6) 改变种子词、增加主题数量、加入自然灾害主题等结果稳健；7) 控制NVIX、GPR、危机事件计数等变量后War仍显著。
更多相关数据正在补充