АО «Центротраст»
Россия
В данной работе исследуются новые методы определения структурных изменений конъюнктуры российского фондового рынка с помощью данных о запросах в поисковой системе Яндекс. Используя данные по 16 экономическим и 12 политическим темам за период с 2018 по 2025 г., авторы применяют методы статистического анализа, тест Грейнджера на причинность и кластерный анализ. Временной отсечкой для анализа структурных изменений служат события февраля 2022 г. Результаты показали статистически значимое увеличение интереса к темам «Курс юаня», «Ключевая ставка» и «Санкции». Корреляционный анализ выявил обратные связи между запросами на тему валют и доходностью индекса IMOEX. Тест Грейнджера обнаружил причинно-следственные связи между запросами на тему переговоров и рыночной доходности, а также между доходностью рынка и запросами на тему «Курс валют». Также с помощью кластерного анализа удалось выделить три режима (кластера) функционирования рынка с различными характеристиками доходности и поисковой активности. Исследование показывает, что поисковые запросы являются ценным источником информации для анализа структурных изменений и могут использоваться как дополнительный инструмент для мониторинга рыночных настроений, особенно в периоды геополитической нестабильности.
поисковые запросы, поведенческие финансы, российский фондовый рынок, структурные изменения, IMOEX, конъюнктура
1. Индекс МосБиржи (IMOEX) [Электронный ресурс] // Московская биржа. — URL: https://www.moex.com/ru/index/ IMOEX (дата обращения: 26.01.2026).
2. Миловидов В.Д. Настроения инвесторов и динамика фондового рынка: пути к прогнозированию цен на акции [Текст] / В.Д. Миловидов // Проблемы прогнозирования. 2024. — № 4. — С. 72–87. — DOI:https://doi.org/10.47711/086863512057287 DOI: https://doi.org/10.47711/0868-6351-205-72-87; EDN: https://elibrary.ru/AUTQWM
3. Яндекс Вордстат [Электронный ресурс] // Яндекс. — URL: https://www.wordstat.yandex.ru (дата обращения: 26.01.2026).
4. Bordino I., Battiston S., Caldarelli G., Cristelli M. Web Search Queries Can Predict Stock Market Volumes // PLoS One. 2012, vol. 7, no. 7, p. e40014. DOI:https://doi.org/10.1371/journal. pone.0040014
5. Choi H., Varian H. Predicting the Present with Google Trends // Economic Record. 2012, vol. 88, pp. 2–9. DOI: DOI: https://doi.org/10.1111/j.1475-4932.2012.00809.x
6. Da Z., Engelberg J., Gao P. In Search of Attention // The Journal of Finance. 2011, vol. 66, no. 5, pp. 1461–1499. DOI:https://doi.org/10.1111/j.15406261.2011.01679.x
7. Preis T., Kenett D.Y., Stanley H.E., Helbing D., BenJacob E. Quantifying the Behavior of Stock Correlations Under Market Stress // Scientific Reports. 2012, vol. 2, p. 752. DOI:https://doi.org/10.1111/j.14754932.2012.00809.x
8. Preis T., Moat H.S., Stanley H.E. Quantifying Trading Behavior in Financial Markets Using Google Trends // Scientific Reports. 2013, vol. 3, p. 1684. DOI:https://doi.org/10.1038/srep01684
