อารมณ์ความรู้สึกของตลาดจากข่าวส่งผลกระทบต่อความผันผวนในตลาดหลักทรัพย์แห่งประเทศไทย
Article Sidebar
Main Article Content
บทคัดย่อ
ดัชนีอารมณ์ความรู้สึกของตลาดถูกสร้างขึ้นมาจากหัวข้อข่าวที่เกี่ยวข้องกับตลาดหลักทรัพย์แห่งประเทศไทย และนำมาใช้ศึกษาถึงความสามารถในการพยากรณ์และผลของการเปลี่ยนแปลงของอารมณ์ความรู้สึกที่มีต่อความผันผวนในตลาดหลักทรัพย์แห่งประเทศไทยโดยใช้ข้อมูลรายวันระหว่างเดือน พฤศจิกายน 2560 - กุมภาพันธ์ 2561
ผลการศึกษาพบว่า ดัชนีอารมณ์ความรู้สึกของงตลาดจากพาดหัวข้อข่าวทางการเงินมีความสามารถในการพยากรณ์อัตราผลตอบแทนจากดัชนี SET, SET50 และ SET100 อย่างมีนัยสำคัญ นอกจากนั้น อารมณ์ความรู้สึกเชิงบวกจากข่าวของตลาดมีผลต่อความผันผวนในอัตราผลตอบแทนของ SET50 และ SET100 อย่างมีนัยสำคัญในช่วงที่ทำการศึกษา เมื่ออารมณ์ความรู้สึกเชิงบวกเพิ่มขึ้น ความผันผวนใน SET50 และ SET100 จะลดลง
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์ในวารสารเป็นความคิดเห็นของผู้เขียน มิใช่ความคิดเห็นของกองบรรณาธิการและคณะผู้จัดทำวารสาร และบทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของวารสารบริหารธุรกิจและการบัญชี มหาวิทยาลัยขอนแก่น
เอกสารอ้างอิง
Allan, D.E., McAleer, M.J. & Singh, A.K. (2015). Machine news and volatility: The Dow Jones industrial average and the TRNA real-time high-frequency sentiment series. In Gregoriou, G.N. (Ed.). The handbook of high frequency trading. (pp.327-44). Amsterdam: Elsevier.
Atkins A., Niranjan, M. & Gerding, E. (2018). Financial news predicts stock market volatility better than close price. The Journal of Finance and Data Science, 4(2),120-137.
Boudoukh, F., Feldman, R. Kogan, S. & Richardson, M. (2012). Which news moves stock prices? a textual analysis. Cambridge: National Bureau of Economic Research.
Ferguson, N.J.et al. (2015). Media content and stock returns: the predictive power of press. Multinational Finance Journal, 19(1), 1-31.
Garcia, D. (2013). Sentiment during recessions. The Journal of Finance, 68(3), 1267-1300.
Gotthelf, N. & Uhl, M.W. (2018). News sentiment - a new yield curve factor. Journal of Behavioral Finance, 19(3), 31-41.
Heston, S.L. & Sinha, N.R. (2017). News versus sentiment: predicting stock returns from news stories. Financial Analysts Journal, 73(3), 67-83.
Lamoureux, C. & Lastrapes, W. (1990). Heteroskedasticity in stock return data: volume versus GARCH effects. The Journal of Finance, 45(1), 221-229.
Loughran, T. & McDonald, B. (2011). When is a liability not a liability? textual analysis, dictionaries, and 10-Ks. The Journal of Finance, 66(1), 35–65.
McLaren, N. & Shanbhogue, R. (2011). Using internet search data as economic indicators. Cambridge: National Bureau of Economic Research.
Nelson, D.B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica: Journal of the Econometric Society, 59(2),347-370.
Tetlock, P. (2007). Giving content to investor sentiment: the role of media in the stock market. Journal of Finance, 62(3), 1139–1168.
Tetlock, P., Saar-Tsechansky M. & Macskassy S. (2008). More than words: quantifying language to measure firms’ fundamentals. Journal of Finance, 63(3), 1437–1467.
Uhl, M.W. (2014). Reuters sentiment and stock returns, Journal of Behavioral Finance, 15(4), 287-298.
Uhl, M.W. (2017). Emotions matter: sentiment and momentum in foreign exchange, Journal of Behavioral Finance, 18 (3),249-257.
