利用大数据技术探究银行流动性风险与媒体情绪指数之间的关系:一项关于COVID-19大流行和俄乌冲突时期的研究

《Financial Innovation》:Exploring the relationship between bank liquidity risk and the media sentiment index via big data technology: a study during the COVID-19 pandemic and the Russia–Ukraine conflict

【字体: 大 中 小 】 时间:2026年02月12日 来源:Financial Innovation 6.4

编辑推荐:

  本研究评估了在俄罗斯金融市场背景下,媒体情绪(media sentiment)在金融危机期间对流动性风险(liquidity risk)的影响。贸易制裁,尤其是SWIFT网络(SWIFT network)的暂停,深刻影响了俄罗斯银行部门的流动性。鉴于这种脆弱局

  
本研究评估了在俄罗斯金融市场背景下,媒体情绪(media sentiment)在金融危机期间对流动性风险(liquidity risk)的影响。贸易制裁,尤其是SWIFT网络(SWIFT network)的暂停,深刻影响了俄罗斯银行部门的流动性。鉴于这种脆弱局面,研究人员利用2012年1月至2024年12月的月度数据,采用媒体情绪数据来分析银行部门的绩效。本研究应用大数据建模技术构建了正面、负面和混合媒体情绪指数(media sentiment indices),以评估它们与银行流动性风险之间的关系。基于广义矩估计(GMM)的发现表明,媒体情绪指数与银行流动性风险显著正相关。此外,负面和混合媒体情绪指数对银行绩效产生不利影响,导致流动性风险上升。另外,研究还发现,银行间网络(interbank networks)在缓解流动性风险中发挥了关键作用。总体而言,媒体情绪显著影响银行绩效。这些发现为银行部门政策制定者、金融市场监管者和投资者在正常时期和危机时期做出明智决策提供了实际意义。
**论文解读:媒体情绪与银行流动性风险关系的大数据研究——基于COVID-19大流行和俄乌冲突的背景**

**研究背景与问题**

自2008年全球金融危机(GFC)以来,金融市场表现与危机间的深度关联已成为学界关注焦点。银行流动性风险(liquidity risk)的识别与管理不足可能引发系统性金融危机,尤其在COVID-19大流行和俄乌冲突等多重冲击下更为突出。针对俄乌冲突,国际监管机构及西方盟国对俄罗斯实施了严厉贸易制裁,包括资产冻结、排除出SWIFT(环球银行金融电信协会)网络及限制信贷供给,这些措施严重冲击了俄罗斯经济,尤其是其银行部门。现有研究多依赖公开的股票投资者数据,未能充分捕捉银行绩效、金融市场状况与投资者情绪在流动性问题中的复杂关系。特别是,媒体情绪(media sentiment)作为信息传播的动态渠道,对投资者决策的塑造作用在危机背景下尚未得到深入探讨。因此,本研究旨在填补这一空白,利用大数据技术(big data technology)和人工智能(AI)开展高级情感分析,以评估经济不稳定时期俄罗斯银行部门的绩效。

**研究内容与结论**

研究人员开展了以下研究:通过从俄罗斯央行(CBR)获取银行月度数据(2012年1月至2024年12月),并利用社交媒体平台VKontakte和Telegram上的用户评论,采用Python Dostoevsky库(基于RuSentiment数据集)进行情感分析,构建了正面、负面和混合媒体情绪指数。同时,基于俄罗斯替代SWIFT的金融信息传输系统(SPFS,System for Transfer of Financial Messages)数据,构建了银行网络结构指数。采用广义矩估计(GMM)和固定效应模型进行回归分析。研究得出以下结论:媒体情绪指数与银行流动性风险显著正相关,即负面和混合媒体情绪会加剧流动性风险;银行间网络结构(如SPFS)在缓解流动性风险中发挥积极作用;媒体情绪与网络结构的交互效应中,混合和负面交互能降低流动性风险,而正面交互则增加风险。该研究发表在《Financial Innovation》期刊上,为银行部门政策制定者、金融市场监管者及投资者在正常和危机时期提供决策参考。

**关键技术与方法**

本研究采用的主要关键技术方法包括:1)数据来源:银行财务数据来自俄罗斯央行官方网站(https://www.cbr.ru 和 https://www.fedstat.ru),网络结构数据基于俄罗斯SPFS系统;媒体情绪数据采集自VKontakte和Telegram平台,通过API和Python请求库收集涉及经济话题的新闻帖子和评论。2)情感分析:使用Python Dostoevsky库,该库基于RuSentiment数据集训练,能对文本进行正面、负面和混合情感分类。3)构建指数:基于情感分析结果,构建正面媒体情绪指数(PX)、负面媒体情绪指数(NX)和混合媒体情绪指数(MX),以及对应的网络信息结构指数(PNI、NNI、MNI)。4)计量估计:采用固定效应(FE)模型和系统广义矩估计(GMM)方法,以处理内生性和动态调整问题,并通过Wald和Sargan检验进行稳健性验证。

**研究结果**

**Summary statistics(描述性统计)**
通过描述性统计发现,俄罗斯银行部门的流动性比率(LR)波动范围较大,部分银行接近监管标准,表明存在潜在的高流动性风险。混合媒体情绪(MX)和正面媒体情绪(PX)的数值反映了类似的风险水平,强调了媒体情绪对流动性缺口的影响,尤其在俄乌冲突和COVID-19大流行背景下。

**Static model and estimation mechanism(静态模型与估计机制)**
采用固定效应和最大似然估计(MLE)对模型(1)-(4)进行回归。结果显示:混合媒体情绪指数(MX)、正面媒体情绪指数(PX)和负面媒体情绪指数(NX)均显著负向影响流动性比率,即增加流动性风险,支持假设H-1。混合银行网络结构(MNI)、正面网络结构(PNI)和负面网络结构(NNI)显著正向影响流动性比率,即降低流动性风险,支持假设H-2。交互效应中,混合交互和负面交互显著正向影响流动性比率(缓解风险),而正面交互则负向影响(增加风险)。银行规模(BS)正向影响流动性比率,M2增长率负向影响。

**Dynamic system GMM(动态系统GMM)**
为解决静态回归的局限性,引入系统GMM模型。结果显示,滞后流动性比率与当前流动性比率显著相关,确认了动态调整过程。动态回归结果与静态模型一致,但变量影响程度有差异:MX、MNI、PX、PNI和NNI在动态模型中对流动性风险的影响更大,而MNI、NX和NNI的影响较小。这表明持续冲突对银行部门流动性风险有显著增加效应。

**Robustness test(稳健性检验)**
通过Wald检验和Sargan检验进行稳健性评估,确认了行为变量与流动性风险关系的一致性,处理了潜在内生性问题,验证了模型可靠性。

**Broader contextualization of findings(研究发现的更广泛背景化)**
研究结果具有超越俄罗斯银行部门的更广泛意义。强大的银行间网络结构与降低流动性风险相关联,为面临类似制裁或金融孤立的国家(如伊朗、伊拉克、中国)提供了增强银行系统韧性的策略框架。

**结论总结与讨论**
研究结论部分指出:危机与金融市场效率之间存在响应关系。COVID-19大流行和俄乌冲突对全球及俄罗斯经济产生重大影响,制裁导致俄罗斯银行部门流动性风险上升并受到媒体关注。通过大数据技术和复杂网络理论构建媒体情绪指数和银行网络结构指数,基于GMM估计的回归分析得出重要发现:第一,媒体情绪指数与银行流动性风险显著正相关,表明媒体报告影响投资者决策,对系统重要性银行构成风险异常;第二,银行网络结构指数与流动性风险显著负相关,反映其对银行财务健康的双重作用,在危机前起调节作用,但在危机中加速风险传播;第三,混合和负面交互效应显著降低流动性风险,而正面交互效应显著增加风险,表明投资者对正面报道更敏感,凸显了非理性行为和市场不成熟性。政策建议方面,研究建议金融市场监管者密切关注媒体报告,利用正面媒体情绪作为缓解策略,并加强银行间网络建设以维护系统稳定,同时投资者应评估银行财务健康和网络连接。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号