数据集概述
本数据集聚焦系统性风险溢出与投资者情绪的整合分析，包含基于改进TENET模型的网络数据、平安银行多方法投资者情绪数据、市场情绪指标、金融部门尾部风险溢出数据及网络拓扑指标，为风险溢出与情绪关联研究提供支持。
文件详解
- 核心目录结构：
- code and data/: 包含数据存储（data/）和代码文件（model/）
- data/TENET network data at each time point/: 存储各时间节点TENET网络的邻接矩阵等数据，供Network topology analysis.R调用
- 投资者情绪数据文件：
- Ping An Bank Investor Sentiment (Bayesian Machine Learning).csv: 基于机器学习方法的平安银行投资者情绪数据
- Ping An Bank Investor Sentiment (Financial Dictionary).csv: 基于金融词典方法的平安银行投资者情绪数据
- Ping An Bank Investor Sentiment (Pre-trained Deep Learning (ERNIE)).csv: 基于ERNIE模型的平安银行投资者情绪数据
- aligned_sentiment_indices.csv: 市场情绪相关变量，含CSMAR数据库的ISI、CICSI、Confidence index及ERNIE计算的BI指标
- 风险溢出数据文件：
- IIC.csv: 金融部门内部尾部风险溢出数据
- DS.csv: 金融机构部门间尾部风险溢出数据
- BIC.csv: 各部门向其他部门溢出的风险量数据
- BIC_receive.csv: 各部门从其他部门接收的风险量数据
- 网络拓扑指标文件：
- HHI.csv、NAS.csv、AS.csv: 存储网络拓扑指标数据
- code number.xlsx: 金融机构股票代码及简称
- Stock Market Value.csv: 金融机构市值数据，用于识别系统重要性金融机构
- 代码文件（model/目录）：
- 含Sentiment Comparison of Three Approaches for Individual Financial Institutions.py等Python代码，用于生成对应图表
- Network topology analysis.R: R语言代码，用于网络拓扑分析及生成图表
适用场景
- 金融风险研究：分析金融部门间尾部风险溢出效应及系统性风险传导机制
- 投资者情绪分析：对比不同方法（机器学习、金融词典、ERNIE）计算的投资者情绪差异
- 网络拓扑研究：基于HHI、NAS、AS等指标分析金融风险网络结构特征
- 系统重要性金融机构识别：利用市值数据及风险溢出数据识别关键机构
- 情绪与风险关联研究：探究投资者情绪对系统性风险溢出的影响机制
