The Emotion Magnitude Effect: Navigating Market Dynamics Amidst Supply Chain Events
Notice bibliographique
Résumé
During the volatile market period of 2019–2021, characterized by geopolitical shifts, economic sanctions, pandemics, natural disasters, and wars, the global market presented a complex landscape for financial decision making and motivated this study. This study makes two groundbreaking and novel contributions. First, we augment Plunket’s emotional research and leverage the emotional classification algorithm in Fin-Emotion to introduce a novel quantitative metric, “emotion magnitude”, that captures the emotional undercurrents of the market. When integrated with traditional time series analysis using Temporal Convolutional Networks applied to stock market futures, this metric offers a more holistic understanding of market dynamics. In our experiments, incorporating it as a feature led to significantly better performance on both the training and validation sets (9.26%, 52.11%) compared to traditional market-based risk measures, in predicting futures market trends based on the commodities and supply chains analyzed. Second, we deploy a multidimensional data science framework that synthesizes disparate data streams and analyses. This includes stock metrics of sector-leading companies, the time horizon of significant market events identified based on company stock data, and the extraction of further knowledge concepts identified through “emotion magnitude” analysis. Our approach stitches together countries, commodities, and supply chains identified in the targeted news search and identifies the domestic companies impacted based on the time horizon of these emotional supply chain events. This methodology culminates in a unified knowledge graph that not only highlights the relationships between supply chain disruptions, affected corporations, and commodities but also quantifies the broader systemic implications of such market events that are revealed. Collectively, these innovations form a robust analytical tool for financial risk strategy, empowering stakeholders to navigate an ever-evolving financial global ecosystem with enhanced insights. This graph encapsulates multi-dimensional forces and enables stakeholders to anticipate and understand the broader causal implications of related supply chain and market events (such as economic sanctions’ impact on the energy, technology, and telecommunication sectors).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».