کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5102741 1480090 2017 17 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Non-parametric causality detection: An application to social media and financial data
ترجمه فارسی عنوان
تشخیص غیر عرفی غیر پارامتری: یک برنامه کاربردی برای رسانه های اجتماعی و اطلاعات مالی
ترجمه چکیده
در این کار، ما یک چارچوب جدید برای استنتاج علی که هیچ فرض در مورد شکل پارامتری خاص از مدل بیان روابط آماری بین متغیرهای مطالعه نیاز ندارد و می تواند به طور موثر کنترل تعداد زیادی از عوامل مشاهده پیشنهاد می کنیم. ما از روش ما به منظور برآورد تاثیر علی که اطلاعات ارسال شده در رسانه های اجتماعی ممکن است بر بازده بازار سهام چهار شرکت بزرگ است. نتایج ما نشان می دهد که داده های رسانه های اجتماعی نه تنها با بازده بازار سهام ارتباط دارند، بلکه بر آنها تاثیر می گذارد.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات فیزیک ریاضی
چکیده انگلیسی
In this work, we propose a novel framework for causal inference that does not require any assumption about a particular parametric form of the model expressing statistical relationships among the variables of the study and can effectively control a large number of observed factors. We apply our method in order to estimate the causal impact that information posted in social media may have on stock market returns of four big companies. Our results indicate that social media data not only correlate with stock market returns but also influence them.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Physica A: Statistical Mechanics and its Applications - Volume 483, 1 October 2017, Pages 139-155
نویسندگان
, , ,