ЕКОНОМІЧНА ВАРТІСТЬ ФІНАНСОВИХ ФЕЙКОВИХ НОВИН НА ЄВРОПЕЙСЬКИХ РИНКАХ КАПІТАЛУ

Анотація

Дезінформація у фінансових новинах – це системний ризик, який спотворює механізм виявлення цін та алокацію капіталу, збільшуючи інформаційну асиметрію та послаблюючи довіру інвесторів. У цьому дослідженні розроблено придатний до масштабування рамковий підхід, що поєднує обробку природної мови (NLP) та машинне навчання для виявлення оманливих фінансових наративів у великих цифрових корпусах текстів з використанням великих даних. Після нормалізації тексту, лематизації та вилучення стопслів, у рамках такого підходу виконано порівняння методів TF-IDF та Word2Vec і проведено навчання класифікаторів Logistic Regression, Random Forest та Gradient Boosting. Ефективність підходу оцінено метриками Accuracy (точність), Precision (влучність), Recall (повнота), F1-score (F1-міра) та ROC-AUC (площа під ROC-кривою). У всіх моделях TF-IDF забезпечує кращу дискримінаційну здатність, ніж Word2Vec. TF-IDF у поєднанні з Random Forest показує майже ідеальні результати (ROC-AUC 0,9999; влучність 0,9977). Сфокусованість на прозорих, заснованих на ознаках моделях забезпечує кращу аудитабельність (наприклад, через важливість ознак) і допомагає обмежити кількість шкідливих хибно позитивних результатів, які можуть подавляти справжні сигнали. Результати показують, що високоточні, придатні до інтерпретації, NLP-конвеєри можуть скоротити верифікаційний розрив у швидкозмінних інформаційних середовищах, зменшити макроекономічні втрати від неправдивих наративів та забезпечувати інформацією процеси ринкового нагляду відповідно до вимог Закону про цифрові послуги (Digital Services Act) та Європейського управління з цінних паперів і ринків (European Securities and Markets Authority, ESMA). Такий підхід призначений для розгортання на потокових новинних стрічках і великих архівах платформ.

Класифікація за JEL: G14, D82, C55.