حجم جستجوی گوگل و بازارهای مالی در هنگام شیوع COVID-19

از ژانویه سال 2020 Elsevier یک مرکز منابع COVID-19 با اطلاعات رایگان به زبان انگلیسی و ماندارین در رمان Coronavirus Covid-19 ایجاد کرده است. مرکز منابع COVID-19 در وب سایت اخبار و اطلاعات عمومی شرکت Elsevier Connect میزبان است. Elsevier از این طریق اجازه می دهد تا تمام تحقیقات مربوط به COVID-19 خود را که در مرکز منابع Covid-19 موجود است-از جمله این محتوای تحقیق-بلافاصله در مخازن PubMed Central و سایر سرمایه گذاری های عمومی ، مانند پایگاه داده WHO COVID با حقوق در دسترس باشد ، اعطا کند. تحقیقات بدون محدودیت دوباره استفاده و تجزیه و تحلیل به هر شکلی یا به هر وسیله با تأیید منبع اصلی. این مجوزها تا زمانی که مرکز منابع COVID-19 فعال باشد ، توسط Elsevier به صورت رایگان اعطا می شود.

داده های مرتبط

داده های تکمیلی S1 داده های تحقیقاتی خام تکمیلی. این داده های باز تحت CC توسط مجوز http://creativeecommons. org/licenses/by/4. 0/

خلاصه

در حین وقوع COVID-19 ، نگرانی های مربوط به شدت این بیماری همه گیر نقش برجسته ای در تصمیمات سرمایه گذاری داشته است. در این مقاله ، ما رابطه بین توجه عمومی و بازارهای مالی را با استفاده از داده های موتور جستجو از Google Trends تجزیه و تحلیل می کنیم. یافته های ما نشان می دهد که حجم پرس و جو جستجو در ایتالیا ، آلمان ، فرانسه ، بریتانیا ، اسپانیا و ایالات متحده با بازار سهام در ارتباط هستند. شاخص ایتالیایی Google Trends به عنوان محرک اصلی تمام بازارهای در نظر گرفته شده است. علاوه بر این ، تأثیرات بازار خاص کشور نگرانی های مربوط به COVID-19 از نزدیک روند قفل کردن ایتالیا را دنبال می کند.

1. معرفی

از داده های موتور جستجو با موفقیت برای ردیابی توجه جمعی و نگرانی های عمومی استفاده شده است ، که اغلب با رویدادهای اجتماعی ، زیست محیطی و اقتصادی در ارتباط است. Google Trends (GT) فهرست ها را بر اساس حجم نسبی جستجوی وب یک موضوع خاص در طول زمان فراهم می کند. این شاخص ها را می توان برای مناطق جغرافیایی منتخب یا در مقیاس جهانی بازیابی کرد. تفسیر شاخص های GT ساده است: هرچه ارزش یک شاخص GT معین بالاتر باشد ، توجه عمومی بیشتری به آن موضوع وجود دارد. در سالهای اخیر ، نشان داده شده است که محتوای اطلاعاتی داده های GT دارای قدرت توضیحی و پیش بینی در چندین زمینه اقتصاد و دارایی است.

داده های GT با موفقیت برای اهداف نظارت بر بیماری برای MERS (شین و همکاران ، 2016) ، آبله مرغان (باکر و همکاران ، 2016) و آنفولانزا (یانگ و همکاران ، 2015) استفاده شده است. در رابطه با اقتصاد و دارایی ، دو رشته اصلی تحقیق در مورد داده های جستجوی Google وجود دارد. اولین رشته ادبیات بررسی می کند که چگونه حجم جستجوی وب از نظر بازده ، حجم معاملات و نقدینگی به بازارهای مالی مربوط می شود. این مقالات از کلمات کلیدی مربوط به شرکتهای ذکر شده و شاخص های بورس سهام استفاده می کنند. به عنوان مثال ، جوزف و همکاران.(2011) ، دینگ و هو (2015) و بیجل و همکاران.(2016) جستجوی تیک و نام شرکت های موجود در S& P 500. دا و همکاران.(2011) نامهای سهام ذکر شده در فهرست راسل 3000 را در نظر بگیرید در حالی که Takeda و Wakao (2014) آن دسته از موارد موجود در Nikkei 225 را مطالعه می کنند. Dimpfl و Jank (2016) و Tantaopas و همکاران.(2016) از کلمات کلیدی مربوط به شاخص های بازار سهام استفاده کنید. به طور کلی ، این مقالات همه به یک سؤال تحقیق خاص مربوط می شوند ، یعنی اینکه آیا حجم جستجوی وب در نام شرکت ها یا شاخص های بازار سهام می تواند بازده یک شرکت خاص را پیش بینی کند. بخش دوم ادبیات بر استفاده از شاخص های GT برای ساخت شاخص های عدم اطمینان اقتصادی که می تواند چندین متغیر کلان اقتصادی را توضیح دهد ، متمرکز شده است (Donadelli ، 2015 ، Castelnuovo ، Tran ، 2017 ، Donadelli ، Gerotto ، 2019).

این مقاله دیدگاه متفاوتی دارد و مربوط به ادبیاتی است که تأثیر شوک های برون زا در بازار مالی ، مانند بلایای طبیعی ، وقایع تروریستی و بیماری های عفونی را مورد مطالعه قرار می دهد (Worthington ، Valadkhani ، 2004 ، Chesney ، Reshetar ، Karaman ، 2011 ، Bourdeau-Brien ، Kryzanowski ، 2017). همانطور که در گونگ و همکاران ذکر شد.(2020) ، دومی تاکنون مورد توجه محدودی قرار گرفته است. ما رابطه بین بورس سهام و حجم جستجوی وب مربوط به همه گیر Covid-19 را در نظر می گیریم ، موضوعی که برخلاف مطالعات قبلی که در مورد حجم جستجوی گوگل ذکر شده است ، پیشینی مربوط به هرگونه فعالیت مالی و اقتصادی نیست. به دانش ما ، این مقاله اولین کسی است که این نوع رابطه را تجزیه و تحلیل می کند.

ما معتقدیم که شیوع بیماری همه گیر در بازارهای مالی نشان دهنده یک مورد جالب و بی سابقه برای تحقیق است. هیچ شیوع بیماری قبلی به عنوان همه گیر Covid-19 بر بازارهای مالی تأثیر نگرفته است (بیکر و همکاران ، 2020). به عنوان مثال ، همه گیر H1N1 قبلی که در وسط بحران مالی جهانی در سال 2009 رخ داده است ، تقریباً هیچ اثری در بازار سهام باقی نگذاشته است (برای یک مطالعه مقایسه ای ، شل و همکاران ، 2020). ما همچنین متذکر می شویم که مقدار گسترده ای از حجم کل داده های وب در آن زمان متفاوت بود ، بخشی از آن به دلیل واقعیت هایی که تعداد کاربران اینترنت به طور قابل توجهی پایین تر بود و اینترنت موبایل در مراحل ابتدایی بود.

از این نظر ، ما از ژانویه 2020 تا آوریل 2020 شاخص های کشور GT را برای موضوع Coronavirus (GT-Covid-19) بازیابی می کنیم. ما از آنها به عنوان پراکسی برای توجه عمومی در سطح کشور استفاده می کنیم و تأثیر آنها را در بازارهای مالی در طول شیوع بررسی می کنیم. از بیماری کروناویروس. همه گیر Covid-19 یک مورد جالب برای بررسی است زیرا به دلیل ویروس و عفونی بودن ، این یک شوک بزرگ برونزا برای سیستم های اقتصادی و مالی است. حتی اگر یک بیماری همه گیر جدید یک واقعه بعید نباشد (گودل ، 2020) ، منشأ آن ، شدت و تأثیر آن را نمی توان به طور منطقی پیش بینی کرد و از این رو با بازارها قیمت گذاری می شود.

در تجزیه و تحلیل ما ، ما شش کشور تحت تأثیر را در سراسر جهان از نظر موارد تأیید شده ، از اول ماه مه 2020 در نظر می گیریم: ایالات متحده ، اسپانیا ، ایتالیا ، انگلیس ، آلمان و فرانسه. یافته های ما سه برابر است. اول ، شاخص GT-COVID-19 برای ایتالیا پیش بینی شاخص های GT برای سایر کشورهای در نظر گرفته شده است. این رابطه سرب در درجه اول به این دلیل است که ایتالیا اولین کشور اروپایی بود که شیوع Covid-19 را تجربه کرد ، و همچنین اولین کشور اروپایی بود که از زمان جنگ جهانی دوم اقدامات قفل را اجرا کرد. گسترش متعاقب بیماری Coronavirus در سایر کشورها پویایی مشابهی را در مورد موارد جدید و برای اقدامات قفل شده اجرا می کند. بنابراین ، واکنش تأخیر در این شاخص ها به احتمال زیاد به دلیل شوک وقایع فوق الذکر است.

دوم ، ما تجزیه و تحلیل می کنیم که آیا شاخص های GT-COVID-19 بازده بازار سهام را توضیح می دهند. با توجه به اینکه یک بیماری اپیدمی ، به تعریف ، یک عارضه جانبی است ، شاخص های GT را می توان به عنوان معیار عدم اطمینان مربوط به کروناویروس و خطر درک شده تفسیر کرد. یافته های ما نشان می دهد که شاخص های GT-COVID-19 در توضیح پویایی بازده بورس سهام برای ایتالیا ، اسپانیا و آلمان نقش دارند. جالب اینجاست که شاخص های GT خاص کشور با شاخص ایتالیایی ، رابطه با همه بازارهای در نظر گرفته شده را بزرگ می کند و واریانس توضیح داده شده بازده شاخص سهام را پشت سر می گذارد. این نشان می دهد که شیوع بیماری در ایتالیا ممکن است در درک کلی از شدت همه گیر نقش داشته باشد.

سوم و سرانجام ، ما تجزیه و تحلیل متغیر زمان را برای بررسی تأثیر شاخص های GT-COVID-19 در بازارهای مالی با گذشت زمان انجام می دهیم. جالب اینجاست که ما شدیدترین تأثیرات را در ابتدای هر مرحله از فرآیند قفل ایتالیا شناسایی می کنیم و تقریباً قبل از آغاز بیماری همه گیر در اروپا هیچ تاثیری پیدا نمی کنیم ، حتی اگر حضور Covid-19 در چین قبلاً شناخته شده بوددسامبر 2019.

2. شاخص های GT-COVID-19

ساخت شاخص های GT-Covid-19

ساخت شاخص های توجه جمعی بر اساس داده های Google Trends این فرض را دنبال می کند که نمایندگان اقتصادی و همچنین شرکت کنندگان در بازار ، اطلاعات آنلاین را به عنوان بخشی از روند تصمیم گیری خود جستجو می کنند. این بدان معنی است که هرچه حجم جستجوی وب مربوط به COVID-19 بالاتر باشد ، سطح نگرانی عمومی در مورد این موضوع بالاتر است. Google Trends امکان تولید شاخص ها را با اصطلاح (ها) یا مبحث ، که گروه هایی از اصطلاحات هستند که دارای معانی معادل در زبان های مختلف هستند ، فراهم می کند. حتی اگر بیشتر ادبیات مربوط به جستجوهای مربوط به اصطلاح (ها) باشد ، جستجوی موضوع دارای چندین مزیت است. به عنوان مثال ، این امکان را می دهد تا جستجوهای انجام شده در کشورهای منتخب به زبان های غیر از رسمی (های) را در نظر گرفته شود. در نتیجه ، شاخص های GT مورد استفاده در این مطالعه همچنین نماینده جستجوهای مربوط به COVID-19 است که توسط اقلیت های زبانی/خارجی ها ساخته شده است (به عنوان مثال ، جستجو به زبان چینی ، ساخته شده از ایتالیا).

ما روندهای Google را برای آلمان (DE) ، فرانسه (FR) ، بریتانیا (GB) ، ایالات متحده (ایالات متحده) ، ایتالیا (IT) و اسپانیا (ES) از اول ژانویه تا 14 آوریل 2020 جمع آوری کرده ایم. این کشورها بودندبیشترین تأثیر در سراسر جهان از نظر موارد تأیید شده ، از اول مه 2020.

برای هر کشور ، ما شاخص های روزانه GT را برای YouTube ، Google News و Google Search بازیابی کرده ایم ، مطابق با موضوع "Coronavirus" (Q =/M/01CPYY). Google Trends (GT) مقادیر نجات یافته حجم جستجوی نسبی در هر واحد زمان را فراهم می کند. روش تولید داده GT را می توان به شرح زیر خلاصه کرد:

یک نمونه تصادفی از نمایش داده شدگان مربوط به منطقه جغرافیایی جستجو شده (GEO) ، منبع (GPROP) و زمان (تاریخ) را استخراج کنید.

برای هر واحد زمان (طول/مدت زمان آن به مدت زمان بستگی دارد) تعداد تعداد جستجوهای مطابق با پارامتر پرس و جو (ها)/موضوع (Q) را تقسیم می کند ، با تعداد کل جستجوها در یکسانواحد زمان ؛

با از بین بردن حداقل مقدار سری به تمام مقادیر ، تقسیم تمام مقادیر سری بر اساس حداکثر مقدار سری ، ضرب همه مقادیر 100 و گرد کردن به نزدیکترین عدد صحیح ، سری زمانی به دست آمده در فاصله [0،100] را ذخیره کنید.

فرآیند استخراج داده برای GT در شکل 1 به تفصیل نشان داده شده است و مقادیر پارامترها در جدول 1 ذکر شده است.

روند استخراج داده های Google Trends. نمودار جریان فرآیند استخراج داده های Google Trends. توپ ها نمایش داده ها را نشان می دهند ، رنگ سیاه نشان دهنده نمایش داده هایی با پارامتر موضوع q است.

پس از بارگیری ، شاخص های GT در فاصله [0،1] نجات یافته اند.

داده های بازار مالی

برای همین مدت (75 روز بازار) ، ما قیمت بسته شدن شاخص های بورس سهام را برای به دست آوردن برگه های مربوطه در نظر می گیریم. با استفاده از بلومبرگ به عنوان ارائه دهنده داده ، ما S & P500 (US) ، FTSE MIB 30 (IT) ، DAX (DE) ، CAC 40 (FR) ، IBEX (ES) و FTSE 100 (GB) را بارگیری کرده ایم.

شکل 2 مجموعه زمانی بازده های ورود به سیستم و سه گروه از شاخص های GT را نشان می دهد که توسط منبع تقسیم شده اند. برای هر کشور من، ما سری ورود به سیستم ، Y I ، T و سه شاخص GT G T J ، I ، T را مشاهده می کنیم ، جایی که J ∈، به ترتیب مربوط به YouTube ، Google News و Google Search است. سری GT خاص کشور یک پویا مشترک را نشان می دهد ، در حالی که برای هر منبع ناهمگونی بین کشور وجود دارد. شایان ذکر است که مقادیر بالای شاخص GT با فواصل زمانی مطابقت دارد که پویایی آشفته برای بازده بازار سهام را نشان می دهد. این به ویژه در طول ماه مارس مشهود است. با نگاهی به آغاز دوره ، مشاهده می کنیم که به نظر نمی رسد که هم شاخص های GT و هم سری مالی نسبت به واقعیت های مربوط به همه گیر که در چین است ، واکنش نشان می دهند.

بازده بازار سهام و شاخص های Google Trends بین 1 ژانویه 2020 و 14 آوریل 2020 (تقویم بازار). گزارش بازده فهرست بازار (بالا سمت چپ) و سری GT-COVID-19 در سطوح: Google News (بالا سمت راست)، YouTube (پایین-چپ)، و جستجوی Google (پایین-راست). کشورها: DE (فیروزه ای)، FR (قرمز)، GB (آبی)، ایالات متحده (نارنجی)، IT (سبز)، ES (بنفش).

همبستگی متقابل بین شاخص های GT-COVID-19

با نگاهی به شاخص های GT موجود در شکل 2، متوجه می شویم که شاخص های ایتالیایی (خط سبز) به نظر می رسد که شاخص های سایر کشورها را پیش بینی می کنند. در واقع، شاخص های GT-COVID-19 برای ایتالیا به آخرین اوج خود در حوالی 11 مارس می رسند و سپس قبل از سایرین شروع به کاهش می کنند. برای آزمایش وجود روابط لید-لگ، ما یک تحلیل همبستگی متقابل هر کشور در مقابل ایتالیا برای جستجوی Google، YouTube و Google News انجام می دهیم. جدول 2 اوج همبستگی متقاطع را گزارش می کند، با مقادیر منفی که نشان می دهد سری برای ایتالیا پیشرو است. ما متوجه شدیم که ایتالیا با پیشتازی از 3 روز (اسپانیا و آلمان) تا 8 روز (بریتانیا) از سایر کشورها پیشتاز است.

میز 1

لیست پارامترهای جستجوی Google Trends (ستون 1)، شرح پارامترها (ستون 2) و مقادیر پارامترها (ستون 3).

جدول 2

روابط لید-لگ برای شاخص های GT در مقابل ایتالیا. اوج همبستگی متقاطع روزانه شاخص های GT-COVID-19 (در سطوح) در مقابل ایتالیا. مقادیر منفی به این معنی است که سری های مربوط به ایتالیا پیشرو هستند.

3. تاثیر شاخص های GT-COVID-19 بر بازارهای سهام

ما رابطه بین بازده بازار سهام و نگرانی عمومی را که توسط شاخص های GT-COVID-19 ارائه می شود، بررسی می کنیم. هدف این است که تشخیص دهیم آیا این شاخص ها در توضیح استرس بازار مالی در طول شیوع COVID-19 نقش دارند یا خیر. در این رابطه، ما یک پارامتر ثابت و یک پارامتر متغیر زمانی را تجزیه و تحلیل می کنیم.

تجزیه و تحلیل پارامترهای ثابت

ما برای هر کشور مدل زیر را تخمین می زنیم:

در اینجا ، ما نتایج را در شاخص های YouTube ، یعنی G T J ، I ، T = G T Y ، I ، T ارائه می دهیم. 1 جدول 3 نشان می دهد که تأثیر شاخص GT-Covid-19 خاص کشور برای آلمان (-0. 032) ، ایالات متحده (-0. 03) ، ایتالیا (0. 058) و اسپانیا (-0. 05) معنی دار و منفی است. شاخص GT-COVID-19 به طور مشابه با شاخص های احساسات رفتار می کند ، به عنوان مثال ، نگرش های مالی و اقتصادی که توسط جستجو (ترس) بر اساس داده های GT نشان داده شده و توسط دا و همکاران پیشنهاد شده است.(2015). به عنوان مثال ، افزایش یک واحد برای ایتالیا (در اینجا 0. 01 با شاخص نجات یافته) با ضرر 0. 058 ٪ در بازار سهام مرتبط با ایتالیا مطابقت دارد. برعکس ، این رابطه برای فرانسه و انگلیس قابل توجه نیست که نشان می دهد نگرانی عمومی داخلی و بازار در آن کشورها متفاوت واکنش نشان داده اند.

جدول 3

نتایج رگرسیون پارامتر ثابت ، با استفاده از شاخص GT-Covid-19 خاص کشور برای YouTube.

یادداشت ها: خطاهای استاندارد HAC در پرانتز هستند.*، ** ، و *** به ترتیب اهمیت آماری را در 10 ٪ ، 5 ٪ و 1 ٪ نشان می دهد.

به دنبال بینش از روابط سرب-LAG ، ما نمایشگاه سهام سهام را به نگرانی عمومی در ایتالیا بررسی می کنیم و مدل را با استفاده از G T I ، T = G T I T ، T برای همه من تخمین می زنیم. جالب اینجاست که ، همانطور که در جدول 4 نشان داده شده است ، شاخص GT-Covid-19 ایتالیایی یک متغیر توضیحی کلیدی برای بازده شاخص سهام سطح کشور را به دست می آورد ، و استفاده از آن به طرز چشمگیری باعث افزایش R 2 و اهمیت آماری (کمتر از 1 ٪) می شود. به استفاده از شاخص های GT خاص کشور. به عنوان مثال ، R 2 تنظیم شده از 0. 047 (0. 107) به 0. 122 (0. 186) برای آلمان (اسپانیا) حرکت می کند ، همانطور که در ستون اول (آخرین) دو جدول نشان داده شده است. همچنین ، بزرگی ضرایب به طور قابل توجهی افزایش می یابد (به عنوان مثال ، آلمان ، ایالات متحده). سرانجام ، بازارهای فرانسوی و انگلیس نسبت به نگرانی های عمومی داخلی بی حساس هستند ، اما با GT-Covid-19 ایتالیایی به طور قابل توجهی ارتباط منفی دارند. این امر برجسته می کند که شدت شیوع درک شده از ایتالیا نشان دهنده یک شاخص به موقع از تأثیر بی ثبات کننده همه گیر در بازارهای مالی است.

جدول 4

نتایج رگرسیون پارامتر ثابت ، با استفاده از شاخص GT-Covid-19 ایتالیایی برای YouTube.

یادداشت ها: خطاهای استاندارد HAC در پرانتز هستند.*، ** ، و *** به ترتیب اهمیت آماری را در 10 ٪ ، 5 ٪ و 1 ٪ نشان می دهد.

ما با کنترل (i) جلوه های آخر هفته ایتالیایی 2 (W E I T ، T) ، (ب) تغییر شاخص سختگیرانه آکسفورد 3 (Δ O X I ، T) ، (iii) کشور ، استحکام یافته های خود را بررسی کردیم. نوسانات ضمنی خاص 4 (I V I ، T) و (IV) نرخ رشد خاص کشور از موارد جدید Covid-19 5 (Δ ٪ C C I ، T).

در مورد دوم ، ما مدل را تخمین زدیم

y i ، t = α i + β i g t i t ، t + Δ i y i ، t - 1 + η i w e i t ، t + λ i Δ o x i ، t + γ i i ، t + ω i Δ ٪ c c i ،t + ϵ i ، t ، ϵ i ، t ∼ n (0 ، σ i).

نتایج در جدول 5 گنجانده شده است و نشان می دهد که بزرگی ضرایب برای GT-Covid-19 ایتالیایی پس از کنترل آن متغیرها حتی بیشتر افزایش می یابد. نرخ رشد موارد جدید COVID-19 از نظر آماری برای ایتالیا ، اسپانیا و آلمان معنی دار است. همانطور که انتظار می رفت ، ما هیچ تأثیر آماری معنی داری از اثر آخر هفته نمی یابیم (W E I T ، T). این به احتمال زیاد به این دلیل است که سری زمانی شاخص GT- COVID-19 در دوره تحت تجزیه و تحلیل کاملاً پایدار است ، از این رو متغیر آخر هفته هیچ اطلاعات اضافی را در مقایسه با شاخص GT-COVID-19 معاصر ارائه نمی دهد. به عنوان مثال ، روز دوشنبه ارزش اثر آخر هفته شامل اطلاعات مربوط به شاخص GT در روزهای شنبه و یکشنبه است ، در حالی که شاخص معاصر GT-Covid-19 نیز اطلاعات "جدید" خود را در دوشنبه حمل می کند. این امر به وضوح مشهود است که شاخص GT در حال افزایش (کاهش) باشد ، زیرا در این شرایط آخرین مشاهده ارزش بالاتری نسبت به آخرین موارد دارد.

جدول 5

برآورد مدل کلی برای همه کشورها.

یادداشت ها: خطاهای HAC در پرانتز هستند ، *، ** و *** اهمیت آماری را به ترتیب 10 ٪ ، 5 ٪ و 1 ٪ نشان می دهد.

علاوه بر این ، ما تجزیه و تحلیل خود را به کشورهای BRICS گسترش داده ایم و جستجوهای Google را که قبل از بسته شدن بازارها با استفاده از شاخص های GT-Covid-19 انجام شده است ، کنترل کرده ایم. تجزیه و تحلیل نتایج ما را تأیید می کند و در مواد تکمیلی گنجانده شده است. 6

تجزیه و تحلیل پارامترهای متغیر زمان

برای تجزیه و تحلیل بیشتر رابطه بین شاخص های GT-COVID-19 و بازده بازار ، ما یک مدل پارامترهای متغیر متغیر را تخمین می زنیم که در آن تأثیر شاخص های GT-COVID-19 مجاز به تکامل طبق:

y i ، t = α i + β i ، t g t i ، t + Δ i y i ، t - 1 + ϵ i ، t ϵ i ، t ∼ n (0 ، σ i) ، β i ، t = a i β i ،t - 1 + η i ، t η i ، t ∼ n (0 ، b i) ،

جایی که ϵ i ، t و η i ، t مستقل هستند. برآورد β I ، T با استفاده از Smoother Kalman انجام می شود.

شکل 3 پارامترهای متغیر متغیر کشور از شاخص های GT را در بازده شاخص سهام مربوطه ترسیم می کند. ضرایب تخمین زده شده قبل از اولین مورد تأیید شده در آلمان (23 ژانویه) بسیار نزدیک به صفر هستند. جالب اینجاست که کمترین قله در مکاتبات تصویب قفل های ایتالیایی رخ می دهد: (من) قفل استانهای ایتالیا شمالی (24 فوریه).(ب) قفل برای همه شهروندان ایتالیایی (9 مارس) ؛و (iii) قفل بیشتر فعالیت های اقتصادی ایتالیا (12 مارس). این امر برجسته می کند که توجه عموم مردم قبل از گسترش همه گیر به اروپا هیچ تاثیری در بازارهای مالی ندارد ، حتی اگر حضور Covid-19 در چین از پایان دسامبر 2019 شناخته شده باشد. بنابراین ، درک پیامدهای اقتصادی ناشی از آنبه شدت بیماری همه گیر Covid-19 تقریباً پس از شیوع اروپا تغییر کرده است.

تکامل پارامترهای متغیر زمان. برگه های ورود به سیستم (خط سیاه جامد) و ضریب تخمین زده شده (خط آبی DOT-Rashed) از شاخص GT برای YouTube. خطوط قرمز عمودی با 23 ژانویه (اولین پرونده Covid-19 در آلمان) ، 24 فوریه (قفل استانهای ایتالیا شمالی) ، 9 مارس (قفل برای همه شهروندان ایتالیایی) ، 12 مارس (قفل بیشتر فعالیت های اقتصادی ایتالیا) مطابقت دارد.

4. نتیجه گیری

ادبیات اخیر نشان داده است که داده های Google Trends می تواند با موفقیت الگوهای فعلی و آینده وضعیت اقتصاد ، به ویژه در رویدادهای نامطلوب را توضیح دهد (هیبرگر ، 2015 ، یو ، ژائو ، تانگ ، یانگ ، 2019 ، ژونگ ، راگاب ، 2019). بر خلاف بحران های مالی اخیر ، COVID-19 یک شوک برونزا برای سیستم بوده است که چندین کشور را با زمان بندی های مختلف که مربوط به شیوع بیماری است ، تحت تأثیر قرار داده است. ما در مورد قرار گرفتن در معرض بازده شاخص سهام ایتالیا ، فرانسه ، آلمان ، بریتانیا ، ایالات متحده و اسپانیا به شاخص های GT-COVID-19 بر اساس حجم پرس و جو موتور جستجو بررسی کرده ایم.

یافته های ما نشان می دهد که بیشتر این شاخص ها قدرت توضیحی قابل توجهی در بازده بورس دارند. جالب اینجاست که شاخص GT-Covid-19 ایتالیایی به عنوان پیشرو عمل می کند و بهتر بازده بازار سایر کشورها را توضیح می دهد. علاوه بر این ، بیشترین تأثیر شاخص های GT در مکاتبات مراحل مختلف قفل شدن در ایتالیا ، با وجود آگاهی عمومی از این بیماری در چین موجود از ژانویه رخ می دهد.

اثر مختل کننده Covid-19 در بازارهای مالی به خوبی توسط نگرانی عمومی که در ایتالیا درک شده است ، به خوبی توصیف شده است ، که اولین کشور غربی بوده است که شیوع ویروسی را تجربه کرده و اقدامات شدید را اتخاذ کرده است.

بیانیه مشارکت در نویسندگی اعتباری

میشل کاستولا: مفهوم سازی ، روش شناسی ، درمان داده ها ، نوشتن - بررسی و ویرایش. Matteo Iacopini: مفهوم سازی ، روش شناسی ، درمان داده ها ، نوشتن - بررسی و ویرایش. کارلو R. M. A. Santagiustina: مفهوم سازی ، روش شناسی ، درمان داده ها ، نوشتن - بررسی و ویرایش.

تصدیق

Matteo Iacopini حمایت مالی از برنامه EU Horizon 2020 را تحت طرح ماری Sklodowska-Curie تأیید می کند (توافقنامه کمک مالی شماره 887220).

پانویسها و منابع

1 نتایج مشابه با استفاده از Google News یا شاخص های جستجوی Google به دست آمده است. علاوه بر این ، ما همچنین با استفاده از نگرانی عمومی ، اولین مؤلفه اصلی تخمین زده شده از سه سری را متغیر کرده ایم و نتایج بسیار مشابهی را بدست آورده ایم. نتایج در صورت درخواست در دسترس است.

2 این سری زمانی به عنوان تفاوت بین میانگین ارزش شاخص GT-COVID-19 مشاهده شده در آخر هفته (شنبه و یکشنبه) و ارزش آن در روز جمعه محاسبه می شود. تمام سریال های زمانی این مقدار را در دوشنبه ها می گیرد و در تمام روزهای دیگر 0 است.

3 این شاخص سخت گیری سیاست های "سبک قفل" را که در درجه اول رفتار مردم را محدود می کند ، ثبت می کند. منبع: https://covidtracker. bsg. ox. ac. uk.

4 برای سری نوسانات ضمنی ، ما در نظر می گیریم: VIX (US) ، FTSEMIB INDEX FLDS MONEYNESS (ایتالیا) ، V1x (آلمان) ، VCAC 40 (فرانسه) ، Vibex (اسپانیا) و IViuk (انگلیس بزرگ). منبع: بلومبرگ.

5 ما سری موارد Covid-19 را در نظر می گیریم: Ncovusca (ایالات متحده) ، NCOVITCA (ایتالیا) ، NCOVDECA (آلمان) ، NCOVFRCA (فرانسه) ، NCOVESCA (اسپانیا) و NCOVUKCA (بریتانیا). منبع: بلومبرگ.

6 ما برای پیشنهادات به یک داوری ناشناس مدیون هستیم.

مطالب تکمیلی مرتبط با این مقاله را می توان در نسخه آنلاین در DOI یافت: 10. 1016/j. frl. 2020. 101884.< Pan> 2 این سری زمانی به عنوان تفاوت بین میانگین ارزش شاخص GT-COVID-19 مشاهده شده در آخر هفته (شنبه و یکشنبه) و ارزش آن در روز جمعه محاسبه می شود. تمام سریال های زمانی این مقدار را در دوشنبه ها می گیرد و در تمام روزهای دیگر 0 است.