基于大数据的市场结构模型及其决策机制研究

The dynamic firm relations influence firms’ operational environment and the market structure. To extract and describe dynamic firm relations is important for identifying risks in individual firms and evaluating profits of portfolios. However, existing studies about firm relations focused on supply-chain or co-industry relations, which are built based on low-frequent economic data. To extract dynamic business relations, the project aims at extracting firm relations from breaking news. Such relations are used to describe the dynamic market structure, which provides a new construct for decision making. Theoretically, this project focuses on how to extract firm relations based on text mining methods and how to measure them. Making use of the constructed firm relation model, the project will further investigate the impact of the change in market structure on firm equity value based on a series of empirical studies. The identified contagion and spill-over effects of the dynamic network would contribute to the fields of investment and risk management. In summary, this project is a multi-disciplinary research covering behavioral finance theory, complex network theory, econometric analysis and natural language processing techniques. It is also a typical case study for big data driven decision making in the finance domain.

企业间商业关系的动态变化影响到企业运营环境和市场结构的变化。动态商业关系的提取和描述对识别企业个体经营环境以及判断证券市场投资收益风险均有重要意义。然而现有的企业关系模型，如供应关系模型，主要基于低频财报数据所构建，具有滞后性。鉴于此，本课题旨在从高频财经新闻中挖掘企业关系，构建动态市场结构模型，并研究该模型的经济效用及决策机制。在理论方面，本课题研究基于文本挖掘的企业关系抽取、建模和度量问题。在构建动态市场结构模型的基础上，本课题进一步利用实证方法研究市场环境变化对股票价格的短期和长期影响。该培育项目所揭示的方法和经济机理对设计新型大数据风险监控和收益预测模型有重要意义。本课题综合了投资者认知理论、复杂网络理论、深度学习算法和计量经济模型，体现了信息系统和金融学科交叉的研究特色；同时在PAGE框架下提供了大数据背景下决策范式转变的案例。

企业间商业关系的动态变化影响到企业运营环境和市场结构的变化。动态商业关系的提取和描述对识别企业个体经营环境以及判断证券市场投资收益风险均有重要意义。然而现有的企业关系模型，主要基于低频财报数据所构建，具有滞后性。鉴于此，本课题从高频财经新闻中挖掘企业关系，构建动态市场结构模型，并研究该模型的经济效用及决策机制。在项目中，我们提出了一套基于文本信息的实体关系挖掘方法，该算法可达到91.94%的准确率，92.31%的召回率和92.11%的F-score。利用该挖掘算法，我们通过比较性实体情感分析判断公司相对关系，提取并构建了竞争/合作的企业关系网络。通过调整时间窗口对企业关系进行长期和短期的聚合，结果表明，动态网络能够捕捉市场动态并可以作为市场信号。实验结果显示，相比较于原有大数据指标，具有竞争/合作网络的两个模型的R2提高了44%-58%，NRMSE提高了2%-3%，表明区分竞争/合作关系能够提高对公司股价的预测水平。该项目所揭示的方法和经济机理对设计新型大数据风险监控和收益预测模型有重要意义。在理论方面，本研究提出了新的企业关系挖掘方法，构建了新的动态市场结构指标，丰富了经济管理学科的方法工具和理论；在应用上，本研究解决了基于大数据的实时投资决策和风险预警两个实际应用问题，提供了可视化工具，能够动态显示行业、公司层面的竞争关系变化，预警核心风险点。本课题综合了投资者认知理论、复杂网络理论、深度学习算法和计量经济模型，体现了信息系统和金融学科交叉的研究特色；同时在page框架下提供了大数据背景下决策范式转变的案例。