Investor beliefs and their impact on financial markets

Abstract

The idea of this thesis is to use new data sources to approximate investor beliefs. It investigates whether the approximation improves the measurement of return and volatility in existing model frameworks. The findings are that differences in implied volatility, Google Search volume and Twitter Volume can be proxy variables for investor beliefs. They have an impact on financial market indicators and on the prediction of future market movements. Comparison of the trading behaviour of individual and institutional investors to predict market movements The first approach is to create a new sentiment index which compares the difference between retail investor behaviour at the Stuttgart Stock Exchange (SSE) and professional investors at the Frankfurt Stock Exchange (FSE). The measure is a comparison between the implied volatility measures for the DAX at the FSE (VDAX and VDAX-NEW) and a newly created implied volatility index (VSSE) for the SSE. The sentiment index is significant in predicting the daily returns on a size-based long-short portfolio over a four-year period. The analysis shows the persistent inconsistence between prices of structured products for retail investors on the SSE and option prices of professional investors on the FSE. The results provide empirical evidence that there are significant persistent behavioural differences between the two investor types which is reflected in persistent mispricing. Measurability of investor beliefs and their impact on financial markets The second approach is to measure individual investor beliefs with Google search volume (GSV) and Twitter volume (TV) to analyse their impact on financial markets. The basis is a daily panel of 29 Dow Jones Industrial average index (DJIA) stocks over a time period of 3.5 years in a panel data set-up. The impact on trading activity measured by turnover, is positive for GSV and TV on the same day and the next day which indicates their predictive power. The impact on realized volatility (RV), indicating the share of noise traders on the market, is only positive and significant for TV. It is significant on the same day and the next day. The impact of GSV is not significant. The results support the idea that GSV and TV capture the beliefs of individual investors. Although they suggest that the impact of TV on financial markets is more important than the impact of GSV. Predictive power of Google and Twitter The third approach is to use GSV and TV as a proxy for investor attention and investor sentiment, to assess their predictive power on the RV of the DJIA. The basis is a time-series set-up with a vector autoregression (VAR) model over a period of 2.5 years. The findings show that GSV and TV granger cause RV, controlling for macroeconomic and financial factors. Again, the effect of TV on RV is more important than the effect of GSV. In-sample, the linear prediction model with GSV and TV outperforms a standard AR (1) process. Out-of-sample the AR (1) process outperforms the standard model with GSV and TV. Clustering for high and low volatility groups, the analysis shows that the effect of GSV and TV on RV changes. Especially in times of high and low RV, GSV and TV seem to contain new information, as they improve the model fit compared to a standard AR (1) process. However, the results are not persistent in- and out-of-sample. This underlines that the results of GSV and TV are not generally persistent but depend on the selected criteria. Overall, the results of this thesis show that investor beliefs have an impact on financial markets. The measures, such as a sentiment index based on implied volatility, GSV and TV are proxy variables for investor beliefs. Future research should further improve the comprehension of investor beliefs to improve causality and economic significance in the long term.

Die Idee dieser Arbeit ist es neue Datenquellen zu nutzen, um die Erwartungen der Anleger zu approximieren. Es wird untersucht, ob die Approximierung die Messung von Rendite und Volatilität in verbessern. Die Ergebnisse sind, dass Unterschiede in der impliziten Volatilität, Google Suchvolumen Twitter Volumen Proxy-Variablen für Anlegerüberzeugungen sein können. Sie wirken sich auf Finanzmarktindikatoren und auf die Vorhersage künftiger Marktbewegungen aus. Vergleich des Handelsverhaltens von individuellen und institutionellen Anlegern zur Vorhersage von Marktbewegungen Der erste Ansatz besteht darin, einen neuen Sentiment-Index zu erstellen, der den Unterschied zwischen dem Verhalten von Privatanlegern an der Stuttgarter Börse (SSE) und professionellen Anlegern an der Frankfurter Börse (FSE) vergleicht. Das Maß ist ein Vergleich zwischen den impliziten Volatilitätsmaßen für den DAX an der FSE (VDAX und VDAX-NEW) und einem neu geschaffenen impliziten Volatilitätsindex (VSSE) für die SSE. Der Sentiment-Index ist signifikant für die Vorhersage der täglichen Renditen eines größenbasierten Long-Short-Portfolios über einen Zeitraum von vier Jahren. Die Analyse zeigt die anhaltende Inkonsistenz zwischen den Preisen strukturierter Produkte für Kleinanleger an der SSE und den Optionspreisen für professionelle Anleger an der FSE. Die Ergebnisse liefern empirische Belege dafür, dass es signifikante und anhaltende Verhaltensunterschiede zwischen den beiden Anlegertypen gibt, die sich in anhaltenden Fehlbewertungen niederschlagen. Messbarkeit der Anlegererwartungen und ihre Auswirkungen auf die Finanzmärkte Der zweite Ansatz besteht darin, individuelle Anlegeerwartungen anhand des Google-Suchvolumens (GSV) und des Twitter-Volumens (TV) zu messen, um ihre Auswirkungen auf die Finanzmärkte zu analysieren. Die Basis ist ein tägliches Panel von 29 Aktien des Dow Jones Industrial Average Index (DJIA) über einen Zeitraum von 3,5 Jahren in einem Paneldaten-Setup. Die Auswirkungen auf die Handelsaktivität, gemessen am Umsatz, sind für GSV und TV am gleichen Tag und am nächsten Tag positiv, was auf ihre Vorhersagekraft hinweist. Die Auswirkung auf die realisierte Volatilität (RV), die den Anteil der "noise traders" auf dem Markt angibt, ist nur für TV positiv und signifikant. Er ist am gleichen Tag und am nächsten Tag signifikant. Der Einfluss von GSV ist nicht signifikant. Die Ergebnisse stützen die Idee, dass GSV und TV die Überzeugungen der einzelnen Anleger erfassen. Allerdings deuten sie darauf hin, dass der Einfluss von TV auf die Finanzmärkte wichtiger ist als der Einfluss von GSV. Vorhersagekraft von Google und Twitter Der dritte Ansatz besteht darin, GSV und TV als Stellvertreter für die Aufmerksamkeit der Anleger und das Anleger-Sentiment (Anlegerstimmung) zu verwenden, um ihre Vorhersagekraft für die realisierte Volatilität (RV) des DJIA zu bewerten. Grundlage ist ein Zeitreihenaufbau mit einem Vektor-Autoregressionsmodell (VAR) über einen Zeitraum von 2,5 Jahren. Die Ergebnisse zeigen, dass GSV und TV unter Kontrolle makroökonomischer und finanzieller Faktoren einen Granger-Effekt auf die RV haben. Auch hier ist die Auswirkung von TV auf den RV wichtiger als die Auswirkung von GSV. In der Stichprobe übertrifft das lineare Vorhersagemodell mit GSV und TV einen Standard-AR(1)-Prozess. Außerhalb der Stichprobe übertrifft der AR(1)-Prozess das Standardmodell mit GSV und TV. Die Analyse zeigt, dass sich die Wirkung von GSV und TV auf die RV verändert, wenn man die Gruppen mit hoher und niedriger Volatilität zusammenfasst. Insbesondere in Zeiten hoher und niedriger RV scheinen GSV und TV neue Informationen zu enthalten, da sie die Vorhersagemodelle im Vergleich zu einem Standard-AR(1)-Prozess besser abschneiden. Allerdings sind die Ergebnisse innerhalb und außerhalb der Stichprobe nicht beständig. Dies unterstreicht, dass die Ergebnisse von GSV und TV nicht allgemein beständig sind, sondern von den gewählten Kriterien abhängen. Insgesamt zeigen die Ergebnisse dieser Arbeit, dass die Erwartungen der Anleger einen Einfluss auf die Finanzmärkte haben. Die Messgrößen, wie ein auf der impliziten Volatilität basierender Stimmungsindex, GSV und TV, sind Proxy-Variablen für die Überzeugungen der Anleger. Zukünftige Forschungsarbeiten sollten das Verständnis der Anlegerüberzeugungen weiter verbessern, um die Kausalität und die wirtschaftliche Bedeutung auf lange Sicht zu erhöhen.