Network analysis of co-search-based investor attention on stock prices
Ortak arama tabanlı yatırımcı dikkatinin hisse senedi fiyatları üzerindeki ağ analizi
- Tez No: 944360
- Danışmanlar: PROF. DR. OKTAY TAŞ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Maliye, İşletme, Computer Engineering and Computer Science and Control, Finance, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: İşletme Bilim Dalı
- Sayfa Sayısı: 329
Özet
Bu doktora tezi, yatırımcı dikkatinin finansal piyasa dinamiklerini şekillendiren merkezi bir davranışsal unsur olarak rolünü araştırmaktadır. Özellikle getiri öngörülebilirliği, volatilite asimetrisi, eş hareketlilik, likidite ortaklığı ve portföy düzeyinde risk konularına odaklanmaktadır. Google Trends ve StockTwits olmak üzere iki farklı fakat birbirini tamamlayan veri kaynağından yararlanan çalışma, genel bilgi arayışı davranışı ile yatırım odaklı söylemlerden kaynaklanan dikkat biçimlerinin gelişmiş ve gelişmekte olan piyasalarda piyasa çıktıları üzerindeki farklı etkilerini incelemektedir. Gelişmiş ekonometrik modeller, ağ teorisi ve makine öğrenmesi algoritmalarının entegrasyonu ile bu araştırma, davranışsal finans literatürüne yapısal ve bilgi temelli karmaşıklıkları vurgulayan yeni ve çok boyutlu bir çerçeve sunmaktadır. Bu çalışmanın motivasyonu, Etkin Piyasa Hipotezi ve Sermaye Varlıkları Fiyatlama Modeli (Sharpe, 1964) gibi geleneksel finans teorilerinin, gerçek dünyadaki piyasalarda yaygın olarak görülen davranışsal sürtünmeleri, bilişsel önyargıları ve bilgi asimetrilerini yeterince açıklamakta yetersiz kalmasından kaynaklanmaktadır. Özellikle, sınırlı dikkat kavramı, varlık fiyatlaması dinamiklerinin belirlenmesinde kritik bir unsur olarak öne çıkmıştır. Bu tez, bu alandaki temel bazı yanıtsız soruları ele almayı amaçlamaktadır: Yatırımcı dikkati kısa vadeli getiri öngörülebilirliği ve uzun vadeli volatilite kalıcılığı üzerinde nasıl bir etki yaratır? Dikkat, getiri eş hareketliliği ve likidite senkronizasyonunda nasıl bir rol oynar? Davranışsal dikkat değişkenleri, ağ yapıları ve makine öğrenmesi modelleriyle işler hale getirilerek tahmin gücü artırılabilir mi? Bu soruları yanıtlamak için çalışma, hem Borsa İstanbul (gelişmekte olan piyasa) hem de S&P 1500 (gelişmiş piyasa) kapsamında yatırımcı dikkatini analiz eden çift yönlü bir piyasa perspektifi benimsemektedir. Araştırma iki temel dikkat boyutu etrafında yapılandırılmıştır: (1) Google Trends verilerinden türetilen Anormal Arama Hacmi Endeksi (ASVI) ile ölçülen arama temelli dikkat ve (2) StockTwits üzerindeki ortak bahsetme ilişkileri ile temsil edilen söylem temelli dikkat. Bu çift kaynaklı çerçeve, bilgi arayışı ile yatırım söylemi arasındaki farklı dikkat biçimlerinin piyasa çıktılarında nasıl tezahür ettiğini karşılaştırmalı olarak değerlendirmeye imkân tanımaktadır. Arama temelli dikkatle ilgili ampirik bulgular oldukça çarpıcıdır. Borsa İstanbul'da ASVI'ya göre sıralanan portföyler, hem getiri hem de volatilite özelliklerinde belirgin farklılıklar göstermektedir. ASVI değeri yüksek hisselerde uzun, düşük hisselerde kısa pozisyon alınarak oluşturulan dikkat temelli long-short stratejileri, CAPM, Fama-French ve Carhart modelleri altında haftalık bazda 190 baz puanı aşan alfa üretmektedir. En yüksek performans, özellikle küçük ölçekli hisselere odaklanan eşit ağırlıklı portföylerde gözlenmektedir; bu da bireysel yatırımcı dikkatinin daha az likit varlıklar üzerinde orantısız bir etki yarattığını göstermektedir. Sharpe oranı gibi risk düzeltilmiş metrikler, dikkat temelli stratejilerin kârlılığını ve sağlamlığını teyit etmektedir. Volatilite dinamikleri de dikkat kalıplarıyla yakından ilişkilidir. GARCH ailesi modelleri (GARCH, GJR-GARCH, GARCH-X, GJR-GARCH-X), ASVI'nin koşullu volatilite için istatistiksel olarak anlamlı bir öngörücü olduğunu göstermektedir. GJR modellerindeki asimetri parametreleri, olumsuz dikkat şoklarının olumlu şoklara kıyasla daha kalıcı volatilite tepkileri yarattığını ortaya koymaktadır. Bu, kayıptan kaçınma ve davranışsal asimetri teorileriyle tutarlıdır. Ayrıca, hareketli pencere tahminleri ve Diebold-Mariano testleri, dikkatle zenginleştirilmiş modellerin geleneksel volatilite tahmin modellerinden tutarlı biçimde daha başarılı olduğunu göstermektedir. Dikkat ve volatilite arasındaki geri besleme döngüsü—Granger nedensellik ve Panel VAR modelleri ile yakalanmıştır—yüksek yatırımcı ilgisinin volatiliteyi artırdığını ve bu volatilitenin daha fazla dikkat çektiğini ortaya koymaktadır. Bu dinamiklerin davranışsal yorumu, yatırımcı aşırı tepkisi ve sürü davranışı teorileriyle temellendirilmiştir. Özellikle belirsizlik dönemlerinde veya medyanın dikkat çekici içerik üretmesinde, bireysel yatırımcılar yeni bilgiyi abartılı şekilde değerlendirmeye meyillidir. Bu da spekülatif işlemlere ve geri besleme odaklı volatilite kümelenmesine yol açmaktadır. Bu etkiler, özellikle bilgi etkinliğinin düşük ve arbitraj mekanizmalarının zayıf olduğu gelişmekte olan piyasalarda daha belirgin şekilde gözlemlenmektedir. Çalışma, dikkat odaklı risk yayılımının asimetrik bir kanal üzerinden işlediğini de ortaya koymaktadır. DCC-GARCH-X modeli kullanılarak yapılan analizlerde, dikkat kaynaklı volatilite yayılımının özellikle hem kaynak hem hedef sektörlerde eşzamanlı dikkat artışlarının olduğu dönemlerde sektörler arasında yayıldığı gözlemlenmiştir. Bu sektörler arası bağımlılık, sistemik riskin davranışsal temellerini vurgulamakta ve önceki volatilite bulaşma modellerini tamamlamaktadır. Bulgular, dikkat dinamiklerinin sistemik risk izleme ve portföy çeşitlendirme çerçevelerine entegre edilmesinin önemini ortaya koymaktadır. Arama temelli dikkat analizinin ötesinde, tez aynı zamanda StockTwits verilerini kullanarak bilgiye dayalı yatırımcı davranışlarını modellemek için makine öğrenmesi odaklı özgün bir çerçeve sunmaktadır. S&P 1500 hisseleri arasında ortak bahsetmeler temel alınarak günlük davranışsal ağlar oluşturulmuştur; her bir bağlantı, yatırımcıların algıladığı ilişkileri temsil etmektedir. Bu ağlar, Node2Vec algoritmaları kullanılarak düşük boyutlu gizli temsillere gömülmüş, ardından K-means algoritması ile yatırımcı dikkat kalıplarını paylaşan hisse kümeleri tespit edilmiştir. Bu davranışsal ağ yaklaşımı, yatırımcı duyarlılığının piyasa söylemi aracılığıyla nasıl yayıldığını yüksek çözünürlükte ve ayrıntılı şekilde inceleme imkânı sunmaktadır. Aynı ortak bahsetme kümesindeki hisseler, piyasa genelindeki risk faktörleri, firma temelleri ve sektör sınıflamaları kontrol edildiğinde dahi anlamlı ölçüde daha yüksek getiri eş hareketliliği sergilemektedir. Temel benzerliklere göre oluşturulan placebo kümeleri bu davranışsal senkronizasyonu yakalayamamış, böylece yatırımcı yönlü kümeleme yaklaşımının özgün açıklayıcılığı doğrulanmıştır. Ortak bahsetme kümeleri aynı zamanda önemli ölçüde likidite ortaklığı sergilemektedir. Amihud likidite ölçütündeki senkronizasyon, mülkiyet yapısı (örneğin FCAP), sektör üyeliği ve firma büyüklüğü kontrol edildikten sonra dahi devam etmektedir. Bu durum, bilişsel yakınlık ve ortak duyarlılığın işlem koşullarını şekillendirmede daha önce düşünüldüğünden daha büyük bir rol oynadığını göstermektedir. Ortak bahsetme yoğunluğu (kenar ağırlığı) ise hem getiri hem de likidite eş hareketliliğini daha da güçlendirerek dikkat yoğunluğunun belirleyiciliğini vurgulamaktadır. Portföy düzeyinde, davranışsal kümelenmeyle oluşturulan hisse grupları, Sharpe oranı ve içsel tutarlılık açısından üstün performans göstermektedir. Bu portföyler kısa vadeli volatilite açısından daha yüksek oynaklık sergilese de, özellikle eşit ağırlıklı uygulamalarda risk düzeltilmiş getirileri geleneksel sektör bazlı portföyleri aşmaktadır. Bu bulgular, ortak bahsetme ağlarının yatırımcı beklentisi uyumu ve fikir birliğini yakalayarak daha etkin fiyat keşfi ve bilgi entegrasyonu sağladığını göstermektedir. StockTwits ve Google temelli dikkat karşılaştırması, yatırımcı dikkatinin bağlamı ve niteliğinin platform mimarisinden nasıl etkilendiğini de vurgulamaktadır. Google birlikte arama faaliyetleri genellikle daha geniş halk ilgisini, olay odaklı bilgi arayışlarını ve yatırım kararıyla doğrudan ilişkili olmayan eğilimleri yansıtmaktadır. Buna karşın, StockTwits interaktif ve tamamen finans odaklı bir ekosistemdir; cashtag'lerle etiketlenen mesajlar, gerçek zamanlı yatırım tartışmalarını, teknik analizleri ve piyasa yorumlarını kolaylaştırmaktadır. Bu nedenle, StockTwits'ten çıkarılan dikkat sinyalleri genellikle daha bağlam odaklı ve yatırım merkezlidir. Bu ayrım, getiriler, volatilite, eş hareketlilik ve likidite gibi birçok piyasa boyutunda daha güçlü öngörü gücüne sahip modellerle ampirik olarak doğrulanmıştır. Yöntemsel olarak çalışma birkaç önemli yenilik sunmaktadır. İlk olarak, yüksek frekanslı dikkat verilerini geleneksel varlık fiyatlama modellerine entegre ederek duyarlılık göstergelerini tahmin ve strateji geliştirme için operasyonel girdilere dönüştürmektedir. İkinci olarak, Node2Vec gibi derin öğrenme ilhamlı ağ modellerini kullanarak yatırımcı yönlü ekonomik ilişkileri ortaya koymaktadır. Üçüncü olarak ise, dikkat ile volatilite ve risk yayılımı arasındaki nedensel ilişkiyi modellemek için Panel VAR, GMM tahmini ve GARCH-X varyantlarını birleştirmektedir. Bu çok yöntemli yaklaşım, sağlamlık, yorumlanabilirlik ve ampirik derinlik sağlamaktadır. Kuramsal olarak bulgular, dikkat – özellikle dijital platformlar aracılığıyla aktarıldığında – kalıcı piyasa etkilerine dönüşen bir mekanizma olduğunu biçimsel hale getirerek davranışsal varlık fiyatlama literatürüne katkı sağlamaktadır. Bu tez, yatırımcı dikkatini geçici bir sapma değil, varlık değerlemesi, bilgi yayılımı ve piyasa bağımlılıklarını şekillendiren yapısal bir davranışsal güç olarak konumlandırmaktadır. Ağ bilimi ile davranışsal finansın entegrasyonu, finansal piyasaların söylem, algı ve sosyal bağlantılarla şekillenen dinamik sistemler olarak anlaşılması için umut vadeden yeni yollar açmaktadır. Uygulamada, bu araştırmanın sonuçları oldukça kapsamlıdır. Varlık yöneticileri ve kurumsal yatırımcılar için dikkat temelli benzerlik grupları, çeşitlendirme ve risk bütçelemesi için alternatif bir çerçeve sunmaktadır—özellikle geleneksel faktör bazlı korelasyonların çöktüğü piyasa stres dönemlerinde. Politika yapıcılar ve düzenleyiciler için ASVI ve ortak bahsetme yoğunluğu gibi dikkat metrikleri, yoğunlaşma, balonlar veya volatilite yayılımlarına yönelik erken uyarı göstergeleri olarak işlev görebilir. Algoritmik yatırımcılar ve nicel analistler için dikkatle zenginleştirilmiş modeller, alfa üretimi, volatilite tahmini ve gerçek zamanlı duyarlılık takibi için yeni fırsatlar sunmaktadır. Tüm bu katkılarına rağmen, çalışma bazı sınırlılıkları da kabul etmektedir. ASVI metriği arama temelli ilgiyi yakalasa da gerçek yatırım davranışını doğrudan yansıtmayabilir; ayrıca StockTwits, davranışsal sinyal açısından zengin olsa da esas olarak bireysel yatırımcılara odaklıdır ve kurumsal söylemleri dışarda bırakabilir. Uygulanan kümeleme teknikleri (örneğin K-means) denetimsizdir ve alan bilgisi temelli ön kabulleri içermez. Ayrıca kapsam, yalnızca 2016 sonrası ABD hisseleri (StockTwits için) ve BIST Tüm Hisseler (Google analizi için) ile sınırlıdır. Gelecekteki araştırmalar, çapraz piyasa analizleri, denetimli öğrenme modelleri ve çoklu platform entegrasyonları (örneğin Twitter, EDGAR, Bloomberg Chat) yoluyla yatırımcı duyarlılığına daha bütüncül bir bakış sağlayabilir. Sonuç olarak, bu doktora tezi, yatırımcı dikkatini finansal piyasa sonuçlarının davranışsal bir belirleyicisi olarak çok boyutlu, veri yoğun ve yöntemsel olarak yenilikçi biçimde incelemektedir. Dikkati hem arama temelli hem de söylem temelli göstergelerle işler hale getirerek, yatırımcı dikkatinin farklı tezahürlerini ve bunların varlık fiyatlamasına etkilerini çift mercekli bir bakış açısıyla ortaya koymaktadır. Bulgular, yatırımcı dikkatinin yalnızca öngörücü değil, aynı zamanda getiri dinamiklerini, volatilite asimetrisini, likidite şoklarını ve portföy risklerini temelden şekillendiren bir unsur olduğunu teyit etmektedir. Finansal piyasaların dijital platformlar ve sosyal bilgi akışlarıyla birlikte evrim geçirdiği günümüzde, yatırımcı dikkatinin yapısını, itici güçlerini ve etkilerini anlamak, hem kuramsal hem de uygulamalı finans alanları için vazgeçilmez hale gelmektedir.
Özet (Çeviri)
This dissertation explores investor attention as a core behavioral force shaping financial market dynamics, with a focus on return predictability, volatility asymmetry, co-movement, liquidity commonality, and portfolio-level risk. Using two complementary data sources—Google Trends for search-based attention and StockTwits for investment discourse—it investigates how different forms of attention influence market behavior in both developed (S&P 1500) and emerging (BISTALL-Borsa Istanbul) markets. The study combines econometric modeling, network theory, and machine learning to offer a multidimensional framework for understanding the structural and informational complexity of attention-driven market outcomes. Traditional financial theories such as the Efficient Market Hypothesis and the Capital Asset Pricing Model often fall short in capturing behavioral frictions, cognitive biases, and information asymmetries in real-world markets. The concept of limited attention, in particular, has emerged as a key determinant of asset price behavior. This dissertation seeks to answer how investor attention affects return dynamics, volatility persistence, and systemic co-movement, and whether attention can be operationalized through data-driven network structures to enhance financial forecasting. The empirical analysis relies on two primary attention proxies. Search-based attention is measured via the Abnormal Search Volume Index (ASVI), calculated using Google Trends data. Discourse-based attention is captured through co-mention activity on StockTwits, where user-generated messages referencing multiple stocks are used to construct behavioral networks. This dual-source approach allows for a comparative analysis of general public interest versus investment-focused interaction and their respective market implications. In Borsa Istanbul, portfolios sorted by ASVI display significant differences in return and risk characteristics. Long-short strategies, where long positions are taken in high-ASVI stocks and short positions in low-ASVI ones, generate weekly abnormal returns exceeding 190 basis points under the CAPM, Fama-French, and Carhart models. These effects are especially pronounced in equal-weighted, small-cap portfolios, highlighting the sensitivity of less liquid stocks to retail attention. Sharpe ratio analysis confirms the robustness and profitability of these strategies on a risk-adjusted basis. Volatility modeling further reveals that attention plays a predictive role in conditional volatility. GARCH-family models, including asymmetric versions such as GJR-GARCH and their attention-augmented variants (GARCH-X, GJR-GARCH-X), demonstrate that ASVI significantly predicts future volatility. Importantly, negative attention shocks lead to more persistent volatility responses than positive ones, consistent with behavioral theories such as loss aversion. Forecast accuracy tests, including rolling-window evaluations and Diebold-Mariano statistics, show that models incorporating attention systematically outperform traditional approaches. Moreover, Granger causality and panel VAR analyses uncover a feedback mechanism: heightened attention increases volatility, which in turn attracts more attention, creating a self-reinforcing loop. These patterns align with theories of investor overreaction and herding behavior, especially in markets with lower informational efficiency. Periods of uncertainty or media amplification trigger attention surges among retail investors, who often overweight recent or salient information, leading to speculative trading and volatility clustering. These dynamics are more persistent in emerging markets, where arbitrage is weaker and information diffusion is slower. Attention is also found to drive risk transmission across sectors. Using a DCC-GARCH-X framework, the dissertation shows that volatility spillovers intensify when both source and target sectors experience simultaneous attention surges. This asymmetric contagion pattern highlights investor attention as a behavioral source of systemic risk, complementing existing models of volatility transmission. Such findings underscore the need to incorporate behavioral indicators into financial stability assessments and portfolio risk management. Beyond search-based proxies, the study introduces a machine learning–driven methodology to model investor attention using StockTwits data. Co-mention relationships among S&P 1500 stocks are used to construct daily behavioral networks, with each edge representing investor-perceived links. Node2Vec embeddings map these networks into latent vector spaces, and K-means clustering is applied to identify cohesive groups of stocks that share common attention profiles. This framework captures latent behavioral structures that are invisible to traditional industry classifications. Stocks within the same attention-based clusters exhibit elevated return co-movement, even after controlling for market-wide factors, firm fundamentals, and sector affiliation. Placebo clusters constructed using fundamentals fail to reproduce this effect, demonstrating that behavioral attention clustering captures unique investor-driven dynamics. Similarly, these clusters show significant liquidity commonality, as indicated by synchronized movements in Amihud illiquidity across cluster members. These co-movements persist after controlling for firm size, sector, and ownership structure, suggesting that cognitive proximity and shared sentiment influence trading activity more than previously recognized. Moreover, co-mention intensity, proxied by the edge weight in the network, amplifies both return and liquidity co-movement, indicating that the strength of attention matters as much as its direction. From a portfolio construction perspective, attention-based clusters offer tangible benefits. Portfolios formed from these clusters achieve higher Sharpe ratios and more consistent internal alignment compared to sector-based portfolios. Although such portfolios may experience higher short-term volatility, their risk-adjusted performance is superior, particularly in equal-weighted implementations. This suggests that behavioral attention networks reflect investor consensus and expectation alignment, potentially supporting more efficient price discovery. Comparative analysis between Google- and StockTwits-based attention emphasizes how platform structure shapes attention signals. Google Trends reflects broader, often event-driven public interest, not always directly tied to investment. In contrast, StockTwits provides a finance-specific environment where discussions are more technical and investment-relevant. Consequently, attention measures derived from StockTwits exhibit stronger predictive power across return, volatility, co-movement, and liquidity dimensions. The dissertation makes several methodological contributions. It integrates high-frequency attention proxies into standard asset pricing and volatility models, applies graph embedding techniques to construct latent investor networks, and uses advanced econometric methods—including Panel VAR, GMM, and various GARCH-X variants—to assess causal links between attention and market variables. This multi-method framework improves robustness, interpretability, and forecasting accuracy. On the theoretical front, the study contributes to behavioral asset pricing by showing that attention—particularly when mediated through digital platforms—is not a transient anomaly but a persistent and structural feature of market dynamics. By bridging behavioral finance with network science, it reconceptualizes financial markets as dynamic systems driven by sentiment, perception, and social connectivity. The practical implications are wide-ranging. For institutional investors, attention-based peer groupings offer an alternative lens for diversification, especially under stress conditions where conventional correlations collapse. Regulators may use attention metrics such as ASVI and co-mention intensity as early-warning tools for crowding or systemic shocks. For quantitative analysts, attention-augmented models enhance alpha prediction, volatility estimation, and real-time sentiment tracking. Despite these contributions, some limitations remain. ASVI reflects interest, not actual investment activity, and StockTwits largely captures retail investor sentiment. The clustering methods are unsupervised and may benefit from incorporating economic priors. The analysis is confined to post-2016 U.S. equities and the Turkish market, suggesting room for broader, cross-platform and cross-country extensions. In conclusion, this dissertation presents a comprehensive and methodologically rich investigation of investor attention as a behavioral engine of financial outcomes. By operationalizing attention through both search-based and discourse-based proxies, it offers new insight into how investor focus influences asset pricing, volatility, liquidity, and risk transmission. As financial markets evolve with digital information flows, understanding the structure and impact of attention will be crucial for academics, practitioners, and regulators alike.
Benzer Tezler
- AR-GE projelerinin önceliklendirilmesi ve seçimi üzerine çok kriterli bir model önerisi
A multi-criteria model proposal on prioritization and selection of R&D projects
GİZEM FİLİZ TÜRKMEN
Doktora
Türkçe
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. YUSUF İLKER TOPCU
- Geri bildirim süreçlerinde öğrenme analitikleri: Bibliyometrik bir inceleme
Learning analytics in feedback processes: A bibliometric review
CANSU AYANOĞLU
Yüksek Lisans
Türkçe
2025
Eğitim ve ÖğretimGazi ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
PROF. DR. SİBEL SOMYÜREK
- Mekansal analiz teknikleri ile çok kriterli karar verme yaklaşımı kullanılarak raylı sistem güzergah analizi
Rail system route analysis using multi criteria decision making with spatial analysis techniques
BERNA ÇALIŞKAN
Doktora
Türkçe
2023
Ulaşımİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ OSMAN ATAHAN
- Recognition and binding processes in HIV-1 protease
HIV-1 proteazda peptit tanıma ve bağlanma mekanizmaları
ASUMAN NEVRA ÖZER
Doktora
İngilizce
2008
BiyomühendislikBoğaziçi ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. TÜRKAN HALİLOĞLU