داده مالی
Wurgler Sentiment Index چیست و چطور در پژوهش مالی استفاده میشود؟
اگر دنبال Wurgler Sentiment Index هستی، احتمالاً میخواهی در مقاله مالی رفتاری، پایاننامه یا مدل بازده سهام از یک شاخص احساسات سرمایهگذار قابل استناد استفاده کنی. جواب کوتاه این است: از فایل رسمی Jeffrey Wurgler شروع کن، ستون مناسب را انتخاب کن، تاریخها را درست همتراز کن و قبل از رگرسیون توضیح بده شاخص خام استفاده کردهای یا نسخه orthogonalized.
شاخص Wurgler یک فایل آماده برای کپی کردن در رگرسیون نیست؛ باید بدانی SENT، SENT^، داده سالانه و داده ماهانه دقیقاً چه معنی دارند.
تعریف دقیق شاخص
کاربر این مقاله معمولاً دنبال یک جواب عملی است: Wurgler Sentiment Index چیست، از کجا باید داده رسمی آن را گرفت و در رگرسیون مالی رفتاری چطور نباید خرابش کرد. پاسخ کوتاه این است که شاخص Baker-Wurgler را باید از صفحه رسمی Jeffrey Wurgler در NYU Stern بگیری، نسخه خام یا خنثیشده را جدا تعریف کنی، فرکانس داده را با مدل یکی نگه داری و احساسات را نسبت به بازده آینده lag کنی.
Baker و Wurgler شاخص احساسات سرمایهگذار را با استفاده از چند proxy بازار میسازند؛ در فایل رسمی، نامهایی مثل nipo، ripo، turn، cefd، pdnd و s دیده میشود. اینها به ترتیب با حجم IPO، بازده روز اول IPO، گردش معاملات، تخفیف صندوقهای closed-end، dividend premium و سهم سهام در انتشارهای جدید مرتبطاند. خود شاخص با مولفه اصلی این نمایندهها ساخته میشود، نه با یک نظرسنجی ساده از سرمایهگذاران.
در فایل رسمی ستونهایی مثل SENT، SENT^ و SENT(old) دیده میشود. اگر در مقاله از SENT استفاده میکنی، باید روشن بگویی این نسخه خامتر شاخص است. اگر از SENT^ استفاده میکنی، در متن روش تحقیق توضیح بده که این نسخه با شرایط اقتصاد کلان orthogonalized شده است. همین یک جمله جلوی ابهام داور را میگیرد، چون ضریب رگرسیون در این دو حالت لزوماً معنای یکسانی ندارد.
روش استفاده در داده
مسیر عملی از سه تصمیم شروع میشود: اول فرکانس داده را انتخاب کن؛ شیت سالانه برای مدلهای سالانه و شیت ماهانه برای بازده ماهانه یا پنجرههای کوتاهتر. دوم بازه زمانی را با همه متغیرهای دیگر یکی کن. سوم تاریخ شاخص را عقبتر از متغیر وابسته بگذار؛ یعنی اگر بازده t+1 را توضیح میدهی، احساسات دوره t را وارد کن تا از look-ahead bias دور بمانی.
برای مثال پژوهشی، فرض کن میخواهی اثر احساسات سرمایهگذار بر بازده ماهانه بازار را بررسی کنی. دیتافریم تو میتواند ستونهای date، market_excess_return، SENT_hat و چند کنترل مثل نرخ بهره یا نوسان بازار داشته باشد. مدل ساده این است: بازده ماه بعد برابر است با alpha به اضافه beta در SENT^ ماه جاری و چند کنترل. اگر beta منفی باشد، تفسیر درست این است که در نمونه تو احساسات بالاتر با بازده آینده پایینتر همراه بوده است.
برای کار firm-level هم باید دقیقتر باشی. مقاله Baker-Wurgler بیشتر روی cross-section بازده سهام تاکید دارد؛ یعنی اثر احساسات برای سهام کوچک، جوان، پرنوسان یا سختارزشگذاری ممکن است فرق کند. اگر چنین مدلی میسازی، متغیرهای ویژگی شرکت را کنار interaction با sentiment بیاور و توضیح بده چرا انتظار داری اثر در آن گروه قویتر باشد.
گزارش در مقاله
در وانشی، مسیر عملی این است: اول از دادههای مالی وانشی برای آماده کردن بازده یا فایل بازار استفاده کن، بعد فایل Wurgler را در آزمایشگاه تحلیل داده کنار داده خودت پاکسازی و ادغام کن. وانشی قرار نیست منبع رسمی Wurgler را جعل کند؛ کار درست این است که منبع رسمی را نگه داری و ابزار را برای تمیز کردن، همتراز کردن و گزارش کردن داده به کار بگیری.
در متن روش تحقیق، حداقل این چهار چیز را بنویس: منبع داده Wurgler از صفحه Jeffrey Wurgler، نام ستون انتخابی، فرکانس داده، و روش همترازی تاریخ با بازده. اگر داده را ماهانه به داده روزانه وصل کردهای، باید توضیح بده مقدار ماهانه را برای روزهای همان ماه تکرار کردهای یا آن را به پنجرههای ماهانه تبدیل کردهای.
بعد از این مرحله چه چیزی را کنترل کنیم؟
در پایان، این شاخص فقط وقتی به مقاله کمک میکند که مسیر داده آن قابل ردیابی باشد. اگر نمیتوانی توضیح بدهی SENT^ دقیقاً چه فرقی با SENT دارد، یا چرا بازده t+1 را انتخاب کردهای، بهتر است قبل از اجرای مدل برگردی و طراحی داده را اصلاح کنی.
منابع پیشنهادی برای استناد و کنترل: صفحه رسمی Jeffrey Wurgler در NYU Stern، فایل Investor_Sentiment_Data_v23_POST.xlsx، مقاله Baker and Wurgler با عنوان Investor Sentiment and the Cross-Section of Stock Returns در Journal of Finance 2006، و مقاله Investor Sentiment in the Stock Market در Journal of Economic Perspectives 2007.
انجام این کار در وانشی
در وانشی، داده را یا از ابزار داده مالی بگیر یا فایل CSV/Excel خودت را در آزمایشگاه تحلیل داده بررسی کن.
«این داده را برای Wurgler Sentiment Index آماده تحلیل کن؛ ستونها، واحدها، دادههای گمشده، بازه زمانی و تحلیل پیشنهادی را جدا گزارش بده.»
فایل CSV یا Excel، نماد یا شاخص، کشور یا بازار، بازه زمانی، واحد پول یا واحد اندازهگیری و سؤال تحلیل.
پروفایل داده، خطاهای فایل، جدول پاکسازی، نمودار اولیه و در صورت نیاز کد Python یا R.
منبع داده، تناوب زمانی، واحدها، سال مالی، دادههای گمشده و تعریف هر ستون را قبل از گزارش نتیجه کنترل کن.
مثال عملی و قابل کنترل
نمونه اجرای Wurgler Sentiment Index
ورودی: نماد، کشور، شاخص، بازه زمانی، واحد اندازهگیری، منبع داده و فرمت خروجی
- فایل رسمی Investor Sentiment Data را از صفحه NYU Stern Jeffrey Wurgler بگیر
- بین داده سالانه و ماهانه یکی را مطابق فرکانس مدل انتخاب کن
- ستون SENT خام یا SENT^ را آگاهانه انتخاب و در روش تحقیق تعریف کن
- احساسات دوره t را با بازده دوره t+1 یا پنجره بعدی همتراز کن
خروجی درست: فایل داده تمیز و قابل استناد با منبع، بازه، واحد و محدودیت مشخص
کنترل نتیجه: منبع رسمی، تاریخ بهروزرسانی، واحد پول، تناوب دادهها، دادههای گمشده، تغییر نماد و سازگاری بازهها
کد یا قالب قابل کپی
import pandas as pd
sent = pd.read_excel('Investor_Sentiment_Data_v23_POST.xlsx', sheet_name='Monthly')
returns = pd.read_csv('market_returns_monthly.csv')
sent['date'] = pd.to_datetime(sent['date']).dt.to_period('M')
returns['date'] = pd.to_datetime(returns['date']).dt.to_period('M')
sent = sent[['date', 'SENT^']].rename(columns={'SENT^': 'sent_hat'})
returns['next_excess_return'] = returns['excess_return'].shift(-1)
model_df = returns.merge(sent, on='date', how='inner').dropna()
# next_excess_return[t+1] = alpha + beta * sent_hat[t] + controls[t]چکلیست کوتاه
- منبع رسمی NYU Stern را در روش تحقیق ذکر کن.
- بگو از SENT خام استفاده کردهای یا SENT^.
- فرکانس داده را با بازده و کنترلها یکی کن.
- احساسات را نسبت به بازده آینده lag کن.
- بازه زمانی و تعداد مشاهدات نهایی را گزارش کن.
- کد ادغام و پاکسازی داده را نگه دار.
منابع و مطالعه بیشتر
تاریخچه بهروزرسانی
- — بازبینی ساختار، منابع، محتوای تکمیلی و لینکهای داخلی
سؤالهای پرتکرار
SENT با SENT^ چه فرقی دارد؟
SENT شاخص خامتر احساسات است. SENT^ نسخهای است که در توضیحات فایل رسمی به خنثیسازی نسبت به شرایط کلان اشاره دارد؛ بنابراین برای مدلهایی که نمیخواهند احساسات با وضعیت اقتصاد کلان قاطی شود، معمولاً انتخاب دفاعپذیرتری است.
داده سالانه بهتر است یا ماهانه؟
به سؤال پژوهش بستگی دارد. اگر بازده ماهانه یا پنجرههای کوتاهتر داری، شیت ماهانه مناسبتر است. اگر مدل تو سالانه است، داده سالانه سادهتر و قابل توضیحتر میشود.
آیا میشود این شاخص را برای بورس ایران استفاده کرد؟
به شکل مستقیم نه. شاخص Baker-Wurgler برای بازار آمریکا ساخته شده است. برای ایران باید یا شاخص را به عنوان متغیر بینالمللی/احساسات آمریکا تعریف کنی یا شاخص احساسات بومی بسازی.
برای Wurgler Sentiment Index از کجا شروع کنم؟
از هدف دقیق کار شروع کن، بعد ورودیهای لازم را آماده کن و خروجی را با معیارهای همین راهنما بررسی کن. برای این موضوع معمولاً این موارد مهماند: نماد، کشور، شاخص، بازه زمانی، واحد اندازهگیری، منبع داده و فرمت خروجی.
گفتوگو
هنوز کامنتی ثبت نشده است.