Media abnormal tone, earnings announcements, and the stock market
type
Post
status
Published
date
Apr 3, 2022
summary
媒体缓解PEAD，还是成为新的驱动力？
tags
paper summary
异象研究
category
阅读笔记
password
slug
icon
- Journal of Financial Markets
- David Ardia, Keven Bluteau, Kris Boudt （October 2021）
- https://doi.org/10.1016/j.finmar.2021.100683
What are the Research Questions?
财报新闻发布为投资者提供了关于公司的新信息，这种情况通过公布收益数字直接发生，也通过引发对公司前景的定性讨论间接发生，例如通过收益电话和媒体报道。就盈利公告而言，这是通过电话会议和盈利新闻发布来完成的，通过这些渠道，公司向媒体和投资者提供有关其财务业绩和商业前景的定量和定性信息。当读者对这些信息感兴趣的时候，新闻媒体就会报道收益事件，通常会对信息进行背景分析，并加入分析师的评论和预测。
传播&转化： 正如Nimark和Pitschner（2019）所正式确定的那样，媒体因此在投资者和公司的真实世界状况之间充当了信息中介（另见Larsen等人，2021）。媒体向投资者传播和转化信息，传播是原始信息的扩散，转化则对应于对信息的任何修改、完善或背景化（进一步解读）。
They ask the following research questions:
- 媒体的语气是否提供了一个关于公司的补充信号？
- 市场对媒体报道中的异常语气是否出现反应过度或者反应不足？
What are the Academic Insights?
方法论：
文章使用数据增强的词包方法来衡量关于公司的新闻文章的语气（遵循Jegadeesh和Wu，2013），得出每一个词的情感分数，（即积极性或消极性的程度），进而获取涉及某家公司的媒体情感；作者进一步定义了异常语调和正常语调，并探讨了盈利公告发布前后公司相关文章的异常语气和股票异常收益的关系（具体计算方法见附录）
作者进行了一项基于语调的事件驱动研究，量化新闻、报纸和网络博客中提供的关于盈利公告的额外定性信息，将上述新方法应用于2000年至2016年的SP500指数非金融公司，构建CAT（累计异常语调，衡量新闻中的异常信息总量，包含媒体如何传播+转化）和RCAT（残差累计异常语调，衡量异常信息中的异常，即媒体如何转化信息）因子
实证发现：
- 即异常语气会吸引投资者的注意力，导致立即过度反应和随后的价格反转。在媒体新闻分析中，RCAT对应的是意外的媒体语气，因此反映了媒体对信息的转化而不是传播的效果。RCAT的绝对值与公司在盈利公告前后的异常交易量呈正相关；异常收益和RCAT之间有相当大的正相关。当盈利惊喜为负数时，这种关系似乎更强。RCAT增加一个标准差与预期超额异常收益约0.84%有关，在公告发布后的一个月内，股价走势与RCAT相关的部分逆转；RCAT增加一个标准差与-0.36%的超额异常回报相关。股票市场对媒体的反常语气所传达的增量信息反应过度；
- 在事件发生前的窗口期，没有任何模式表明CAT可以帮助预测超预期盈利。然而，在事件窗口期，我们发现超预期盈利的水平和CAT之间有明显的关系：媒体对负面盈利超预期的反应比正面超预期盈利更强烈。
- 此外，作者发现，媒体的反常语气与它的过去价值正相关。这种序列相关性可以归因于媒体倾向于通过提及过去的信息来为文章添加背景（Fink和Schudson，2014；McIntyre等人，2018）媒体在事件后长期窗口的异常语气与盈利新闻稿的语气和盈利电话的语气呈负相关。这与Graffin等人（2016）的发现是一致的，即企业倾向于在紧邻可能受到负面评价的收购公告的几天内发布不相关的正面消息。他们认为，管理者可能希望在其他容易预期的情况下进行这种声誉管理，例如负面的盈利公告事件
虽然异常语气和价格走势之间存在显著的正向关联，但异常语气与事件后的价格走势是负向关联。
作者的结论是，媒体提供的额外信息不包括在财报新闻稿和财报电话的信息中，总的来说，市场参与者对其反应过度。对换手率的补充分析支持这些发现
Why does it matter?
- 新闻媒体在传播企业盈利信息方面发挥着核心作用，挑战是将这一工作正式化纳入一个框架，将新闻报道中的信息汇总成统计数字，代表可以从公司、收益新闻发布和收益电话中提炼出的增量信息。本文推动了关于量化文本数据中的信息的文献，以更好地理解新闻媒体在金融市场中的作用
- 数据驱动的动态词典，可以现实运用
The Most Important Chart from the Paper:
图4：三个来源的新闻在盈利公告发布时点附近的平均数量：
图5：CAT在盈利报告时点附近，根据SUE分组的变化
图6：在盈利报告时点附近的异常收益，根据SUE和RCAT(-1,1)分组双重分组（RCAT越高，SUE越高，异常收益越高）
图7：CAST：在盈利报告时点附近的CAST（累计异常对数换手率），根据SUE和RCAT(-1,1)分组双重分组（RCAT越高，换手越高）
Investor Takeaways
- 媒体文章中的异常语气有助于解释盈利公告周围的价格反应，并预测事件发生后20天内的后续价格动态。虽然异常语气和价格走势之间存在短期内显著的正向关联，但随后反转
- 媒体提供的额外信息不包括在财报新闻稿和财报电话的信息中，总的来说，市场参与者对其反应过度。对交易量的补充分析支持这些发现。
Abstract
我们进行了一项基于语气的事件研究，以考察盈利公告前后媒体文章的总体异常语气动态。我们检验了它们是否传达了对非金融类标普500指数公司的价格发现有用的增量信息。异常语气和异常收益之间的关系表明，相对于盈利新闻稿(earnings press releases)和盈利电话(earning calls)中包含的信息，媒体文章(media articles)提供了增量信息。
Method
1、衡量盈利公告的好坏
MFOR：分析师预期EPS的中位数
P： price at end of the earnings quarter
2、新闻文本预处理
删除涉及多家公司的文章、删除机器生成的文章（由数字组成，高度结构化）、删除接近重复的文章（locality-sensitive hashing (see Wang et al., 2014)）....
3、衡量文章情感
3.1 计算单词情感分数（Jegadeesh and Wu ，2013）
r为股票收益率，截距项，λ通过回归估计，函数f定义见下文：
标准化λ得到单个单词的标准情感得分：
计算重要性：
3.2 计算TONK：
时刻t中文章中单词情感分的加权（权重为词频）求和
函数f为在时间t发表的新闻文章中词频的平均值。Dk,t是在时间t写的关于公司k的文章的数量，求和项是每一篇文章中单词j的词频（单词j出现次数/全部单词数）
3.3 计算正常预语气/ 异常语气
将距离发布盈利公告τ日的语气分解为正常和异常语调
如何估计正常和异常——先将TONE通过一个线性回归分解：
其中，Fτ是相对时间τ的所有公司共有的语调因子（看作时点上全市场的全局语调，通过将全部公司的TONE市值加权求和得到）；αi和βi分别是事件公司常数和因子暴露。
对单个公司i，TONE通过上面的线性回归可以得到α和β的估计值，那么定义异常语气ATONE为：
3.4 计算累计异常语气CAT
给定一个时间窗口，通过求和方式将ATONE加总得到累计异常语气
3.5 计算残差异常语气RCAT
CAT体现了新闻的特异性部分，然后，我们对CAT进行进一步过滤，以去除可以从盈利新闻发布和盈利电话中获得的信息，以及其他变量，如账面市值比和公司规模，以评估媒体是如何【转换】这些信息的：
其中ηi是误差项，xi是各种信息的向量，如此得到的RCAT将正交于xi
4、模型训练方式：GWP methodology
- 根据上面的方法计算单词情感分数：Jegadeesh and Wu (2013)and calibrate the word scores on firms’ stock returns
- 关于词表：Loughran and McDonald (2011) +Harvard IV4 (Stone and Hunt, 1963) 合并词典、Porter stemming algorithm (Porter, 1980) 删除非信息词
- 为了确保市场反应与新闻报道同步，我们只使用新闻电报来校准GWP，因为报纸和网络出版物可能是延迟的（Fangand Peress, 2009）。
- 我们训练GWP使用一个拓展窗口法并测量语调（预测时排除前瞻性）。此外，为了获得可靠的分数估计，我们删除了在每个扩展窗口中出现少于200天的低频词。最后，我们将每篇文章的语气汇总为一个基于文本的因子Ft，其在公式(6)中的权重与公司的流通市值成正比——大公司往往比小公司有更多的新闻报道。因此，大公司应该对整个市场基调有更大的影响。第二，遵从事件驱动研究异常收益模型传统做法
