در عصر اطلاعات، جریان اخبار نقشی حیاتی در شکل‌دهی به افکار عمومی و تصمیم‌گیری‌های اقتصادی ایفا می‌کند. به‌ویژه در بازارهای مالی، سرعت انتشار اطلاعات و نحوه بازتاب آن در رسانه‌ها می‌تواند مستقیماً بر نوسانات و پایداری قیمت دارایی‌ها تأثیر بگذارد. با این حال، حجم عظیم اخبار تولید شده روزانه، تحلیل دستی و جامع آن‌ها را به امری دشوار تبدیل کرده است. مقاله حاضر با عنوان “Narratives from GPT-derived Networks of News, and a link to Financial Markets Dislocations” (روایت‌های حاصل از شبکه‌های خبری GPT و ارتباط آن با نابسامانی‌های بازارهای مالی)، با بهره‌گیری از فناوری‌های نوین پردازش زبان طبیعی (NLP)، روشی نوآورانه برای تحلیل ساختاریافته و خودکار محتوای خبری ارائه می‌دهد و ارتباط میان این روایت‌های خبری و اختلالات رخ‌داده در بازارهای مالی را مورد بررسی قرار می‌دهد.

اهمیت این پژوهش در ارائه یک چارچوب سیستماتیک برای درک عمیق‌تر چگونگی شکل‌گیری روایت‌های خبری و پیامدهای بالقوه آن‌ها بر ثبات یا بی‌ثباتی بازارهای مالی نهفته است. این مطالعه گامی مهم در جهت پر کردن شکاف میان تحلیل محتوای کیفی اخبار و کمی‌سازی اثرات آن بر روندهای اقتصادی محسوب می‌شود.

این مقاله حاصل پژوهش دو محقق برجسته در حوزه مالی محاسباتی و اقتصاد عمومی است: دبورا میوری (Deborah Miori) و کنستانتین پتروف (Constantin Petrov). زمینه تحقیق آن‌ها در تقاطع علوم کامپیوتر، به‌ویژه پردازش زبان طبیعی و یادگیری ماشین، با تحلیل‌های مالی و اقتصادی قرار دارد. این ترکیب تخصصی، امکان بهره‌گیری از ابزارهای پیشرفته محاسباتی را برای پاسخ به سؤالات پیچیده در حوزه اقتصاد فراهم می‌آورد.

حوزه “مالی محاسباتی” به کاربرد روش‌های کمی و الگوریتمی در مسائل مالی می‌پردازد و “اقتصاد عمومی” نیز به مطالعه کلیت اقتصاد و تأثیرات کلان آن. پژوهشگران در این مقاله با ادغام این دو حوزه، سعی در کشف الگوهای پنهان در جریان اخبار و ارتباط دادن آن‌ها به پدیده‌های اقتصادی در مقیاس بزرگ دارند.

چکیده مقاله به خوبی اهداف و روش کار را بیان می‌کند. نویسندگان با جمع‌آوری مجموعه‌ای از مقالات اقتصادی از نشریه The Wall Street Journal، یک روش سیستماتیک نوین برای تحلیل محتوای خبری پویا ارائه کرده‌اند. هسته اصلی این روش، استفاده از مدل‌های پیشرفته پردازش زبان طبیعی مانند GPT-3.5 برای استخراج مهم‌ترین نهادها (Entities) از هر مقاله است. این نهادها سپس در یک گراف هم‌وقوعی (Co-occurrence Graph) در بازه‌های زمانی هفتگی تجمیع می‌شوند.

آنالیز شبکه‌ای و الگوریتم‌های تشخیص اجتماع فازی (Fuzzy Community Detection) بر روی این گراف‌ها اعمال شده و یک چارچوب برای شناسایی قابل تفسیر و سیستماتیک موضوعات و روایت‌های خبری توسعه یافته است. در کنار این، رویکردی برای در نظر گرفتن “احساسات پیرامون نهادهای اصلی” هر مقاله به عنوان معیاری دقیق‌تر برای سنجش احساسات کلی متن پیشنهاد شده است. در نهایت، ویژگی‌هایی برای توصیف نوع و ساختار اخبار در هر هفته طراحی شده و ارتباط آن‌ها با لحظات “اختلال و نابسامانی” در بازارهای مالی، که با نوسانات غیرعادی در کلاس‌های مختلف دارایی تعریف شده‌اند، مورد بررسی قرار گرفته است. یافته کمی مقاله حاکی از ارتباط میان این اختلالات مالی و “آنتروپی بالا” در فضای پربعد اخبار مرتبط است.

این پژوهش از یک رویکرد چند مرحله‌ای و ترکیبی بهره می‌برد که در آن فناوری‌های نوین NLP با روش‌های تحلیل شبکه و آمارهای مالی تلفیق شده‌اند:

• جمع‌آوری داده: مجموعه داده اولیه شامل مقالات اقتصادی منتشر شده در The Wall Street Journal است. این انتخاب نشان‌دهنده تمرکز بر منابع خبری معتبر و تاثیرگذار در حوزه مالی است.
• استخراج نهادها (Entity Extraction): با استفاده از مدل‌های پیشرفته زبان طبیعی مانند GPT-3.5، مهم‌ترین نهادهای معرفی شده در هر مقاله (مانند نام شرکت‌ها، افراد، مکان‌ها، مفاهیم اقتصادی) شناسایی و استخراج می‌شوند. GPT-3.5 به دلیل توانایی درک عمیق متن و شناسایی مفاهیم کلیدی، ابزار ایده‌آلی برای این مرحله است.
• ساخت گراف هم‌وقوعی (Co-occurrence Graph): نهادهای استخراج شده در طول یک بازه زمانی مشخص (هفتگی) در یک گراف نمایش داده می‌شوند. در این گراف، گره‌ها (Nodes) نشان‌دهنده نهادها و یال‌ها (Edges) نشان‌دهنده هم‌وقوعی (همراهی) این نهادها در مقالات هستند. این تجمیع در بازه‌های زمانی هفتگی امکان ردیابی تحولات و دینامیک روایت‌ها را فراهم می‌کند.
• تحلیل شبکه و تشخیص اجتماع (Network Analysis & Community Detection): تکنیک‌های تحلیل شبکه برای بررسی ساختار و پویایی این گراف‌ها به کار گرفته می‌شوند. همچنین، از الگوریتم‌های تشخیص اجتماع فازی برای شناسایی گروه‌هایی از نهادها که به طور مکرر با هم ظاهر می‌شوند (و نشان‌دهنده موضوعات یا روایت‌های مرتبط هستند) استفاده می‌شود. روش‌های فازی انعطاف‌پذیری بیشتری نسبت به روش‌های سنتی دارند و امکان همپوشانی بین جوامع مختلف را در نظر می‌گیرند.
• تحلیل احساسات (Sentiment Analysis): فراتر از صرف شناسایی نهادها، مقاله رویکردی برای سنجش احساسات پیرامون هر نهاد کلیدی پیشنهاد می‌دهد. این روش، احساسات کلی متن را با دقت بیشتری نسبت به صرف تحلیل احساسات کل مقاله، منعکس می‌کند. به عنوان مثال، اگر یک خبر مربوط به یک شرکت تکنولوژی است، احساسات پیرامون نام آن شرکت در متن، معیار سنجش احساسات آن بخش از خبر خواهد بود.
• طراحی ویژگی‌های خبری (News Feature Engineering): ویژگی‌هایی طراحی می‌شوند که ماهیت و ساختار اخبار را در هر هفته توصیف می‌کنند. این ویژگی‌ها می‌توانند شامل میزان تمرکز بر یک نهاد خاص، تنوع موضوعی، یا پیچیدگی روابط بین نهادها باشند.
• شناسایی اختلالات بازار مالی (Financial Market Dislocations): این اختلالات به عنوان دوره‌هایی با نوسانات غیرعادی و بالا در طیف گسترده‌ای از کلاس‌های دارایی (مانند سهام، اوراق قرضه، کالاها) تعریف می‌شوند.
• مدل‌سازی ارتباط (Relationship Modeling): در نهایت، ویژگی‌های خبری استخراج شده با معیارهای اختلالات بازار مالی مقایسه می‌شوند تا ارتباط کمی بین این دو برقرار گردد.

پژوهش حاضر چندین یافته کلیدی و قابل توجه را برجسته می‌سازد:

• شناسایی روایت‌های پایدار و پویا: روش پیشنهادی قادر است روایت‌های خبری را در طول زمان ردیابی کند. این به محققان و تحلیلگران اجازه می‌دهد تا درک کنند که چگونه موضوعات خاص در رسانه‌ها شکل گرفته، توسعه یافته و یا محو می‌شوند.
• ارتباط آماری میان اخبار و اختلالات مالی: مهم‌ترین یافته، وجود یک ارتباط کمی و معنی‌دار میان ویژگی‌های ساختاری و موضوعی روایت‌های خبری و لحظات پرنوسان و بی‌ثبات در بازارهای مالی است. به عبارت دیگر، تحولات در نحوه گزارش‌دهی اخبار می‌تواند پیش‌بینی‌کننده یا همزمان با اختلالات مالی باشد.
• مفهوم “آنتروپی خبری” به عنوان شاخص اختلال: مقاله نشان می‌دهد که آنتروپی بالا در فضای پربعد نهادهای خبری با هم، با دوره‌های اختلال در بازارهای مالی مرتبط است. آنتروپی بالا می‌تواند نشان‌دهنده پراکندگی زیاد اطلاعات، پیچیدگی روابط بین موضوعات، یا عدم قطعیت بالا در روایت‌های خبری باشد.
• اهمیت احساسات پیرامونی نهادهای اصلی: سنجش احساسات به صورت محلی (پیرامون نهادهای خاص) نسبت به سنجش کلی متن، تصویری دقیق‌تر از تأثیر خبر بر بازار ارائه می‌دهد. این موضوع تأکیدی بر لزوم تحلیل جزئی‌نگرانه محتوای خبری دارد.
• قابلیت تفسیرپذیری چارچوب: علیرغم استفاده از روش‌های پیچیده محاسباتی، چارچوب توسعه‌یافته به گونه‌ای طراحی شده که نتایج آن قابل تفسیر باشند. این امر امکان درک چرایی ارتباط بین اخبار و بازارهای مالی را فراهم می‌آورد.

این پژوهش پیامدهای عملی و نظری قابل توجهی دارد:

• پیش‌بینی ریسک بازار: درک بهتر از چگونگی تأثیر روایت‌های خبری بر نوسانات بازار می‌تواند به مدل‌های مدیریت ریسک در مؤسسات مالی کمک کند تا سیگنال‌های هشدار اولیه را شناسایی کرده و آمادگی خود را در برابر بحران‌های احتمالی افزایش دهند.
• تحلیل تأثیر رسانه بر سیاست‌گذاری: سیاست‌گذاران اقتصادی و رگولاتورها می‌توانند از این چارچوب برای درک بهتر تأثیر انتشار اخبار بر رفتار سرمایه‌گذاران و پایداری بازارهای مالی استفاده کنند و سیاست‌های ارتباطی مؤثرتری اتخاذ نمایند.
• توسعه ابزارهای تحلیل اخبار برای سرمایه‌گذاران: سرمایه‌گذاران نهادی و حتی فردی می‌توانند از این رویکرد برای غربال کردن حجم عظیم اخبار و تمرکز بر روایت‌هایی که بیشترین پتانسیل تأثیرگذاری بر بازار را دارند، بهره ببرند.
• مباحث آکادمیک: این مقاله راه را برای تحقیقات آتی در زمینه مدل‌سازی پیچیدگی در بازارهای مالی، نقش اطلاعات در اقتصاد، و کاربردهای پیشرفته NLP در علوم اجتماعی هموار می‌سازد.
• افزایش شفافیت و درک عمومی: با خودکارسازی و سیستماتیک کردن تحلیل اخبار، می‌توان به درک عمیق‌تری از چگونگی شکل‌گیری ادراک عمومی از رویدادهای اقتصادی دست یافت.

به طور مثال، فرض کنید در یک دوره زمانی، گزارش‌های خبری به طور فزاینده‌ای بر “کمبود عرضه یک ماده اولیه کلیدی” تمرکز کنند و نهادهایی مانند “شرکت‌های تولیدکننده X” و “بازارهای جهانی Y” را به طور مداوم در کنار هم ذکر کنند. اگر این روایت با افزایش نوسانات در قیمت کالاهای مرتبط و سهام شرکت‌های تولیدکننده X همراه شود، پژوهش حاضر این ارتباط را کمی‌سازی کرده و آن را با شاخص‌هایی مانند افزایش آنتروپی در شبکه نهادهای خبری مرتبط می‌داند.

مقاله “روایت‌های حاصل از شبکه‌های خبری GPT و ارتباط آن با نابسامانی‌های بازارهای مالی” دستاوردی قابل توجه در زمینه ادغام تحلیل‌های کمی مالی با قدرت پردازش زبان طبیعی محسوب می‌شود. نویسندگان با ارائه یک چارچوب نوین و سیستماتیک، نشان داده‌اند که چگونه می‌توان از حجم عظیم اخبار موجود، روایت‌های ساختاریافته استخراج کرده و این روایت‌ها را با رویدادهای مهم اقتصادی، به‌ویژه اختلالات در بازارهای مالی، مرتبط ساخت.

یافته کلیدی مبنی بر ارتباط میان آنتروپی در شبکه‌های خبری و بی‌ثباتی بازارهای مالی، دریچه‌ای نو به سوی فهم دینامیک‌های پیچیده اطلاعات در اقتصاد باز کرده است. این پژوهش نه تنها به توسعه ابزارهای تحلیلی پیشرفته در حوزه مالی محاسباتی کمک می‌کند، بلکه اهمیت روزافزون درک تأثیر رسانه‌ها و روایت‌های شکل‌گرفته در آن‌ها را بر سلامت و پایداری سیستم‌های اقتصادی برجسته می‌سازد. تحقیقات آینده می‌تواند بر روی گسترش این چارچوب به زبان‌های دیگر، منابع خبری متنوع‌تر، و بررسی تأثیر انواع خاصی از روایت‌ها (مانند اخبار مثبت/منفی، شایعات، یا گزارش‌های تحلیلی) تمرکز کند.