Market volatility and new evidence from media sentiment: An AI-driven approach

Abstract

This dissertation stands at the intersection of finance and machine learning to empirically delve into the intricate relation between media sentiment and market volatility, covering various aspects of this dynamic. Through three research papers, the thesis presents a detailed investigation into how media—ranging from traditional news to social media platforms—shapes market behaviors and sentiments, influencing market volatility. In the first paper, we employ a novel approach to quantify media sentiment’s impact on market volatility across various financial markets. Using advanced natural language processing techniques, we extract semantic sentiment from news headlines and social media posts. Our findings reveal a time-varying connection between media sentiment and market volatility, indicating how changes in media-driven sentiment can lead to fluctuations in market volatility. In the second paper, we shift our focus to the predictive power of sentiment in financial markets. We examine the role of media sentiment, derived from both news and social media, in forecasting oil price volatility, given its critical role in the global economy. Employing a hybrid model that integrates sentiment analysis with forecasting models, we reveal the distinct predictive abilities of news versus social media sentiment. The analysis demonstrates that incorporating media sentiment significantly enhances the accuracy of these predictions. In the third paper, we explore the information transmission pattern from real and fake news to market volatility. Through an advanced analysis of political news stories, we classify news items as either real or fake and then measure their respective impacts on stock market volatility. Our study uncovers the distinct patterns of volatility associated with each type of news, highlighting the more pronounced yet short-lived influence of fake news compared to the sustained but steadier impact of real news.

Denne avhandlingen befinner seg i skjæringspunktet mellom finans og maskinlæring for å empirisk utforske det komplekse forholdet mellom mediesentiment og markedsvolatilitet, og dekker ulike aspekter av denne dynamikken. Gjennom tre forskningsartikler presenterer avhandlingen en detaljert undersøkelse av hvordan medier – alt fra tradisjonelle nyheter til sosiale medieplattformer – former markedsadferd og sentimenter, og til slutt påvirker markedsvolatiliteten. I den første artikkelen benytter vi en ny tilnærming for å kvantifisere mediesentimentets innvirkning på markedsvolatilitet på tvers av ulike finansmarkeder. Ved å bruke avanserte teknikker for naturlig språkbehandling, trekker vi ut semantisk sentiment fra nyhetsoverskrifter og innlegg på sosiale medier. Våre funn avslører en tidsvarierende forbindelse mellom mediesentiment og markedsvolatilitet, som indikerer hvordan endringer i mediedrevet sentiment kan føre til svingninger i markedsvolatilitet. I den andre artikkelen skifter vi fokus til den prediktive kraften av sentiment i finansmarkedene. Vi undersøker rollen til mediesentiment, hentet fra både nyheter og sosiale medier, i å forutsi oljeprisvolatilitet, gitt dens kritiske rolle i den globale økonomien. Ved å bruke en hybridmodell som integrerer sentimentanalyse med prognosemodeller, avslører vi de distinkte prediktive evnene til nyhets- versus sosiale mediesentiment. Analysen viser at inkorporering av mediesentiment betydelig forbedrer nøyaktigheten av disse prediksjonene. I den tredje artikkelen utforsker vi informasjonstransmisjonsmønsteret fra ekte og falske nyheter til markedsvolatilitet. Gjennom en avansert analyse av politiske nyhetshistorier klassifiserer vi nyhetselementer som enten ekte eller falske og måler deretter deres respektive påvirkninger på aksjemarkedsvolatilitet. Vår studie avdekker de distinkte volatilitetsmønstrene assosiert med hver type nyhet, og fremhever den mer uttalte og samtidig kortvarige innflytelsen av falske nyheter sammenlignet med den vedvarende, men jevnere innflytelsen av ekte nyheter.