DOI: https://doi.org/10.1038/s41598-024-61106-2
PMID: https://pubmed.ncbi.nlm.nih.gov/38704434
تاريخ النشر: 2024-05-04
المؤلف: Haein Lee وآخرون
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تؤكد ورقة البحث على الأهمية المتزايدة للاستدامة في المؤسسات الحديثة، لا سيما من خلال دمج معلومات البيئة والمجتمع والحوكمة (ESG) في التقييمات المالية. يتم تسليط الضوء على مؤشرات ESG كمعايير حاسمة لتقييم ممارسات الشركة المستدامة والحوكمة، والتي تؤثر بدورها على ثقة المستثمرين، وإمكانات النمو، وأسعار الأسهم. تقدم الدراسة نهجًا جديدًا يجمع بين مؤشر مشاعر ESG المستمد من مصادر الأخبار مع مؤشرات فنية للتنبؤ بمؤشر S&P 500، باستخدام نموذج تعلم عميق وتحسين أحجام النوافذ لزيادة الدقة.
تستخدم المنهجية خطأ النسبة المطلقة المتوسطة (MAPE) كمعيار تقييم وتتضمن اختبار إلغاء لتقييم تأثير وعلاقة عوامل ESG بمؤشر S&P 500. تشير النتائج إلى أن دمج مشاعر ESG يحسن بشكل كبير من دقة التنبؤ مقارنة بالنماذج المعتمدة فقط على المؤشرات الفنية أو البيانات التاريخية. لا يعزز هذا النهج فقط توقع أسعار الأسهم من خلال دمج رؤى فنية قصيرة الأجل مع اعتبارات ESG طويلة الأجل، بل يوفر أيضًا رؤى قيمة للمستثمرين وخبراء الأسواق المالية، مما يبرز ضرورة دمج عوامل ESG في استراتيجيات الاستثمار وعمليات اتخاذ القرار.
النتائج
تم اشتقاق نتائج هذه الدراسة من تجارب تتضمن تكوينات مختلفة لأحجام النوافذ (3، 4، و5)، وأحجام الدفعات (2، 4، 6، و8)، وأحجام مخفية (32 و64)، وعدد الطبقات (4، 6، و8)، مع عدد ثابت من العصور المحددة عند 10. كانت النماذج المستخدمة هي الشبكات العصبية التكرارية ثنائية الاتجاه (Bi-RNN) وشبكات الذاكرة طويلة الأمد ثنائية الاتجاه (Bi-LSTM). تم تقييم الأداء باستخدام خطأ النسبة المطلقة المتوسطة (MAPE)، والذي يُعرف على أنه
\[
\text{MAPE} = \frac{1}{n} \sum_{t=1}^{n} \left| \frac{A_t – F_t}{A_t} \right| \times 100,
\]
حيث يمثل \(A_t\) القيمة الفعلية، و\(F_t\) القيمة المتوقعة في الوقت \(t\)، و\(n\) العدد الإجمالي للملاحظات. حقق نموذج Bi-LSTM أفضل أداء مع MAPE قدره 3.05% على بيانات الاختبار عند استخدام حجم نافذة قدره 3، وحجم دفعة قدره 64، وأحجام مخفية قدرها 64 و32، وعدد طبقات قدره 2.
علاوة على ذلك، تم إجراء اختبار إلغاء لتقييم تأثير ميزات الإدخال المختلفة على أداء النموذج. شمل هذا الاختبار ثلاثة سيناريوهات: استخدام بيانات الأسعار فقط، ودمج الأسعار مع المؤشرات الفنية، ودمج الأسعار، والمؤشرات الفنية، ومؤشر مشاعر ESG. أشارت النتائج إلى أن تضمين مشاعر ESG جنبًا إلى جنب مع البيانات الفنية والأسعار عزز بشكل كبير من دقة التنبؤ مقارنة باستخدام بيانات الأسعار فقط. وبالتالي، تم تحقيق الأداء الأمثل لنموذج Bi-LSTM من خلال دمج جميع أنواع الإدخال الثلاثة، مما يؤكد وجود علاقة سببية بين قدرة النموذج التنبؤية لمؤشر S&P 500 ودمج معلومات ESG. يتم تقديم نتائج MAPE التفصيلية في الجدول 3، مع التصورات المقابلة في الشكل 4.
المناقشة
تؤكد قسم المناقشة في ورقة البحث على الدور الحاسم لمؤشرات البيئة والمجتمع والحوكمة (ESG) في التأثير على أداء الشركات وأسعار الأسهم. أثبتت الدراسات السابقة وجود علاقة إيجابية بين الإفصاحات عن ESG وتقييم الشركات، مع الإشارة إلى أن الشركات التي تتمتع بممارسات ESG قوية تميل إلى تجربة تحسين في تصورات السوق ومؤشرات مالية محسنة، مثل q توبين والعائد على الأصول (ROA). لا يخفف دمج عوامل ESG في استراتيجيات الشركات من المخاطر السمعة فحسب، بل يتماشى أيضًا مع تفضيلات المستثمرين للاستدامة، مما يؤثر في النهاية على تقييمات الأسهم. يبرز المؤلفون أن المشهد المالي المتطور يتطلب دمج مؤشرات ESG في النماذج التنبؤية لمؤشر S&P 500، مشيرين إلى أن مثل هذا الدمج يمكن أن يؤدي إلى توقعات أكثر دقة ويعكس الاتجاهات الأوسع في السوق.
علاوة على ذلك، تناقش الورقة تطبيق تقنيات التعلم الآلي المتقدمة، لا سيما نماذج التعلم العميق مثل الشبكات العصبية طويلة الأمد ثنائية الاتجاه (Bi-LSTM)، لتحليل التفاعل بين مؤشرات ESG والمؤشرات الفنية. تظهر الدراسة أن دمج تحليل المشاعر من الأخبار المتعلقة بـ ESG مع المؤشرات الفنية التقليدية يعزز بشكل كبير من دقة التنبؤ بأسعار الأسهم. حقق نموذج Bi-LSTM خطأ نسبة مطلقة متوسطة (MAPE) قدره 3.05، مما يبرز فعاليته في التقاط تفاصيل سلوك السوق المتأثر بعوامل ESG. تؤكد هذه الدراسة على أهمية دمج اعتبارات ESG في التقييمات المالية، مما يعزز بيئة استثمارية أكثر مسؤولية تتماشى مع قيم المستثمرين.
القيود
تقدم الدراسة عدة قيود قد تؤثر على قابلية تعميم نتائجها. أولاً، قد لا يكون الاعتماد على مجموعة بيانات S&P 500 كافيًا لالتقاط الديناميكيات المعقدة للسوق المالية بأكملها، مما يشير إلى أن الأبحاث المستقبلية يجب أن تهدف إلى التحقق من صحة هذه النتائج وتوسيعها من خلال دمج مجموعة أوسع من مجموعات البيانات المالية. ثانيًا، تم اشتقاق مؤشر المشاعر المستخدم في هذا التحليل حصريًا من بيانات الأخبار، مما قد يقيد قوة النتائج. يمكن أن تستفيد التحقيقات المستقبلية من دمج بيانات نصية متنوعة تتعلق بعوامل البيئة والمجتمع والحوكمة (ESG) لتحليل أكثر شمولاً. أخيرًا، تختلف أهمية ESG عبر الصناعات المختلفة؛ وبالتالي، يمكن أن تركز الأبحاث اللاحقة على توقع أداء الأسهم ضمن مجموعات صناعية محددة بدلاً من السوق ككل.
DOI: https://doi.org/10.1038/s41598-024-61106-2
PMID: https://pubmed.ncbi.nlm.nih.gov/38704434
Publication Date: 2024-05-04
Author(s): Haein Lee et al.
Primary Topic: Stock Market Forecasting Methods
Overview
The research paper emphasizes the growing importance of sustainability in modern enterprises, particularly through the integration of environmental, social, and governance (ESG) information into financial assessments. ESG indicators are highlighted as critical metrics for evaluating a company’s sustainable practices and governance, which in turn influence investor trust, growth potential, and stock prices. The study introduces a novel approach that combines an ESG sentiment index derived from news sources with technical indicators to predict the S&P 500 index, utilizing a deep learning model and optimizing window sizes for enhanced accuracy.
The methodology employs mean absolute percentage error (MAPE) as an evaluation metric and includes an ablation test to assess the influence and causality of ESG factors on the S&P 500 index. Results indicate that incorporating ESG sentiment significantly improves predictive accuracy compared to models based solely on technical indicators or historical data. This approach not only enhances stock price prediction by merging short-term technical insights with long-term ESG considerations but also provides valuable insights for investors and financial market experts, underscoring the necessity of integrating ESG factors into investment strategies and decision-making processes.
Results
The results of this study were derived from experiments involving various configurations of window sizes (3, 4, and 5), batch sizes (2, 4, 6, and 8), hidden sizes (32 and 64), and layer counts (4, 6, and 8), with a fixed number of epochs set at 10. The models employed were Bidirectional Recurrent Neural Networks (Bi-RNN) and Bidirectional Long Short-Term Memory networks (Bi-LSTM). Performance was assessed using the Mean Absolute Percentage Error (MAPE), defined as
\[
\text{MAPE} = \frac{1}{n} \sum_{t=1}^{n} \left| \frac{A_t – F_t}{A_t} \right| \times 100,
\]
where \(A_t\) represents the actual value, \(F_t\) the predicted value at time \(t\), and \(n\) the total number of observations. The Bi-LSTM model achieved the best performance with a MAPE of 3.05% on the test data when utilizing a window size of 3, a batch size of 64, hidden sizes of 64 and 32, and a layer count of 2.
Furthermore, an ablation test was conducted to assess the impact of different input features on model performance. This test involved three scenarios: using only price data, combining price with technical indicators, and integrating price, technical indicators, and the ESG sentiment index. The results indicated that the inclusion of ESG sentiment alongside technical and price data significantly enhanced predictive accuracy compared to using price data alone. The optimal performance of the Bi-LSTM model was thus achieved with the integration of all three input types, confirming a causal relationship between the model’s predictive capability for the S&P 500 index and the incorporation of ESG information. Detailed MAPE outcomes are presented in Table 3, with corresponding visualizations in Figure 4.
Discussion
The discussion section of the research paper emphasizes the critical role of Environmental, Social, and Governance (ESG) metrics in influencing corporate performance and stock prices. Prior studies have established a positive correlation between ESG disclosures and corporate valuation, with findings indicating that companies with strong ESG practices tend to experience enhanced market perceptions and improved financial metrics, such as Tobin’s q and Return on Assets (ROA). The integration of ESG factors into corporate strategies not only mitigates reputational risks but also aligns with investor preferences for sustainability, ultimately impacting stock valuations. The authors highlight that the evolving financial landscape necessitates the incorporation of ESG indicators into predictive models for the S&P 500 index, suggesting that such integration can yield more accurate forecasts and reflect broader market trends.
Furthermore, the paper discusses the application of advanced machine learning techniques, particularly deep learning models like Bidirectional Long Short-Term Memory networks (Bi-LSTM), to analyze the interplay between ESG metrics and technical indicators. The study demonstrates that combining sentiment analysis from ESG-related news with traditional technical indicators significantly enhances prediction accuracy for stock prices. The Bi-LSTM model achieved a Mean Absolute Percentage Error (MAPE) of 3.05, showcasing its effectiveness in capturing the nuances of market behavior influenced by ESG factors. This research underscores the importance of integrating ESG considerations into financial assessments, thereby fostering a more responsible investment landscape that aligns corporate practices with investor values.
Limitations
The study presents several limitations that may affect the generalizability of its findings. Firstly, the reliance on the S&P 500 dataset may not adequately capture the complex dynamics of the entire financial market, suggesting that future research should aim to validate and expand these results by incorporating a broader range of financial datasets. Secondly, the sentiment index utilized in this analysis was exclusively derived from news data, which may restrict the robustness of the findings. Future investigations could benefit from integrating diverse textual data related to Environmental, Social, and Governance (ESG) factors for a more comprehensive analysis. Lastly, the significance of ESG varies across different industries; thus, subsequent research could focus on predicting stock performance within specific industry groups rather than the market as a whole.