Последние научные исследования 29. Alpha in Academia.

Перевод статьи из блога Alpha in Academia.

https://t.me/holyfinance

Настроения председателя ФРС и риск банковского кризиса

Настроения председателей Федеральной резервной системы имеют прогностическую силу в отношении риска краха банковских акций

В данной статье исследуется влияние настроений председателей Федеральной резервной системы, выраженных во время пресс-конференций, на будущий риск краха акций американских банков. Используя новый метод измерения настроений, основанный на анализе аудиозаписей пресс-конференций с 2011 по 2023 год с помощью глубокого обучения, авторы исследования пришли к выводу, что нетекстовые эмоциональные сигналы являются мощными предикторами риска падения курса акций.

Основной вывод заключается в том, что более позитивные эмоции в голосе («счастье») председателя ФРС значительно снижают риск обвала курса акций банков в будущем, в то время как негативные эмоции в голосе, такие как «печаль» и «гнев», значительно усиливают его.

Этот эффект является статистически и экономически значимым: даже небольшие изменения в тональности голоса связаны с большими колебаниями риска падения. Авторы устанавливают эту причинно-следственную связь с помощью различных проверок надежности, включая анализ инструментальных переменных и балансировку энтропии.

Исследование также показывает, что влияние не является равномерным: негативные эмоциональные сигналы в основном влияют на крупные банки, в то время как позитивные настроения в основном снижают риск падения для небольших банков. Эти выводы подчеркивают, что в коммуникации центрального банка то, как что-то сказано, может быть столь же важно, как и то, что сказано.

Анастасиу, Димитриос, Кацафадос, Апостолос Г., Онгэна, Стивен Р. Г. и Цомакас, Христос, «За пределами слов: эмоции в голосе председателей ФРС и риск обвала цен на акции банков США» (3 сентября 2025 г.). Исследовательская работа Швейцарского финансового института № 25-72, доступна на SSRN: https://ssrn.com/abstract=5475246 или http://dx.doi.org/10.2139/ssrn.5475246

Акции для инфляционных шоков

Инвесторы могут хеджировать инфляцию с помощью корзины акций, устойчивых к инфляции

В данном исследовании представлен новый статистический метод прогнозирования относительной доходности отдельных акций во время положительных инфляционных шоков путем создания «индекса устойчивости к инфляции» для каждой акции.

Этот метод позволяет избежать статических допущений, учитывая нелинейные, условные взаимосвязи между характеристиками компаний и чувствительностью к инфляции, что позволяет влиянию каждого атрибута варьироваться в зависимости от различных акций и периодов времени. Исследователи определяют устойчивость акций, сравнивая их текущие атрибуты (например, леверидж, дивидендная доходность, прибыльность) с атрибутами акций, которые продемонстрировали уязвимость или устойчивость во время прошлых инфляционных событий, используя расстояние Махаланобиса для измерения сходства.

В тестах вне выборки, охватывающих 65 инфляционных событий в США с 2008 по 2025 год, было установлено, что эти показатели устойчивости надежно предсказывают доходность акций. Портфель «лонг-шорт», построенный на основе факторов этих показателей, продемонстрировал статистически значимую превосходную доходность во время инфляционных шоков.

Этот «фактор устойчивости к инфляции» оставался значимым даже после учета индивидуальных характеристик компаний и секторальной позиции, что свидетельствует о том, что он отражает информацию, выходящую за рамки простой линейной комбинации этих характеристик. Результаты исследования показывают, что инвесторы могут использовать этот адаптивный метод для построения портфелей, которые эффективно страхуют от инфляции.

Czasonis, Megan, Li, Ding, Qiu, Grace (Tiantian), Song, Huili и Turkington, David, «Акции для инфляционных шоков» (10 сентября 2025 г.). Доступно на SSRN: https://ssrn.com/abstract=5495340 или http://dx.doi.org/10.2139/ssrn.5495340

Информация в траекториях коэффициентов ставок

Изменения коэффициентов ставок непосредственно перед событиями имеют информационную ценность

В данном исследовании рассматривается вопрос о том, являются ли окончательные коэффициенты на рынках тотализатора, в частности на японских скачках, достаточной статистикой для прогнозирования результатов, или же траектория коэффициентов содержит дополнительную информацию.

Используя высокочастотные данные о промежуточных коэффициентах с 2004 по 2023 год, исследователи обнаружили, что динамика коэффициентов на позднем этапе, особенно в последние пять минут перед забегом, систематически связана с ожидаемой доходностью. Лошади, коэффициенты на которых резко снижаются непосредственно перед стартом (что указывает на всплеск ставок), как правило, приносят более высокую доходность, чем лошади с идентичными конечными коэффициентами, но с другой траекторией. Этот эффект не наблюдается в более ранних окнах ставок.

Включение этих изменений коэффициентов в последнюю минуту значительно ослабляет хорошо известный эффект «фаворит-аутсайдер» (FLB-favorite-longshot bias), что позволяет предположить, что статические модели, основанные исключительно на окончательных коэффициентах, могут неверно интерпретировать динамику рынка и давать искаженные оценки предпочтений игроков.

Эти выводы предоставляют прямую эмпирическую поддержку информационным объяснениям FLB, согласно которым информированные игроки стратегически откладывают свои ставки, в результате чего окончательные коэффициенты содержат «элемент неожиданности», который не полностью учитывает всю доступную частную информацию.

Достаточны ли окончательные рыночные цены для агрегирования информации? Данные о динамике в последнюю минуту в тотализаторе. Хироаки Ханью, Сюнсуке Исии, Сугуру Отани, Казухиро Терамото. https://arxiv.org/abs/2509.14645

Прогнозирование экстремальной доходности акций

Модели машинного обучения могут помочь в прогнозировании экстремальной долгосрочной доходности акций

В данном исследовании изучается, могут ли широкий набор фундаментальных показателей бухгалтерского учета и рыночных переменных помочь в прогнозировании экстремальной долгосрочной доходности акций, различая между огромными прибылями («ракеты») и серьезными убытками («торпеды»).

Авторы используют двухэтапную структуру машинного обучения, основанную на работе Beneish et al. (2001), сначала выявляя компании, склонные к любым экстремальным результатам, а затем классифицируя их как вероятных победителей или проигравших. Используя 45 предикторов по акциям США, алгоритмы XGBoost и Random Forest демонстрируют высокую прогнозирующую способность, значительно превосходящую традиционные модели.

Ключевым выводом является то, что прогнозы модели имеют значительную долгосрочную экономическую ценность. В тестах вне выборки за 2013–2025 годы портфель прогнозируемых «ракет» приносит стабильно растущую аномальную доходность, скорректированную по пяти факторам Фама-Френча, в то время как прогнозируемые «торпеды» демонстрируют постоянную низкую доходность.

Разница в совокупной аномальной доходности между двумя группами превышает 100% за период в 750 торговых дней (примерно три года). Результаты подтверждают, что систематический анализ фундаментальных показателей, усовершенствованный с помощью современных методов машинного обучения, позволяет успешно выявлять компании, находящиеся на краях распределения доходности в течение длительных периодов.

Ван, Ричард и Лю, И, «Прогнозирование экстремальных доходностей с помощью фундаментальных показателей: подход на основе машинного обучения» (12 сентября 2025 г.). Доступно на SSRN: https://ssrn.com/abstract=5475406 или http://dx.doi.org/10.2139/ssrn.5475406