Suchanfragevolumen zur Prognose von S&P 100-Aktienrenditen

Zusammenfassung

Die Arbeit prüft, ob Google-Suchaktivität vorhersagen kann, welche S&P-100-Aktien am nächsten Tag den Median des Index übertreffen. Sie kombiniert verzögerte Finanzvariablen mit dem Volumen von Suchanfragen und trainiert Gradient-Boosting-Entscheidungsbäume, um diese Ergebnisse zu klassifizieren. Die Studie umfasst 2005 bis 2017 und berichtet durchschnittliche Flächen unter der ROC-Kurve (ROC) von 54.2% bis 56.7%, was auf eine Vorhersagekraft oberhalb des Zufallsniveaus hindeutet. Modelle, die Datenquellen kombinieren, schneiden im berichteten Portfolioexperiment am besten ab.

Die Autoren bilden außerdem mithilfe eines einfachen statistischen Arbitrageansatzes tägliche Portfolios aus zehn Aktien und berichten eine Jahresperformance von über 57% vor Transaktionskosten. Diese Werte stammen aus Backtests und sind kein Beleg für tatsächlich erzielte Nettorenditen im Handel. Transaktionskosten sind ausgeschlossen; die Zusammenfassung enthält keine Angaben zu Robustheit, Portfoliokonstruktion oder Umsetzungsbeschränkungen. Die Ergebnisse legen nahe, dass Suchverhalten zusätzliche Informationen für kurzfristige Aktienprognosen liefern könnte; die praktische Rentabilität und die Auswirkungen auf die Markteffizienz bleiben jedoch ungewiss.

Kernaussagen

• Das Volumen von Suchanfragen wird mit historischen Finanzdaten kombiniert, um die relativen Aktienrenditen am folgenden Tag zu klassifizieren.
• Gradient-Boosting-Entscheidungsbäume erstellen Prognosen für S&P-100-Aktien.
• Die berichtete Klassifikationsleistung liegt im Untersuchungszeitraum über dem Zufallsniveau.
• Ein Portfolioexperiment mit zehn Aktien weist hohe Renditen vor Kosten aus, lässt Transaktionskosten jedoch unberücksichtigt.
• Die Ergebnisse werfen Fragen zur Markteffizienz auf, belegen aber keine realisierbaren Nettogewinne.

Schlagwörter

# 2205.15853


# Predicting Day-Ahead Stock Returns using Search Engine Query Volumes: An Application of Gradient Boosted Decision Trees to the S&P 100









The internet has changed the way we live, work and take decisions. As it is the major modern resource for research, detailed data on internet usage exhibits vast amounts of behavioral information. This paper aims to answer the question whether this information can be facilitated to predict future returns of stocks on financial capital markets. In an empirical analysis it implements gradient boosted decision trees to learn relationships between abnormal returns of stocks within the S&P 100 index and lagged predictors derived from historical financial data, as well as search term query volumes on the internet search engine Google. Models predict the occurrence of day-ahead stock returns in excess of the index median. On a time frame from 2005 to 2017, all disparate datasets exhibit valuable information. Evaluated models have average areas under the receiver operating characteristic between 54.2% and 56.7%, clearly indicating a classification better than random guessing. Implementing a simple statistical arbitrage strategy, models are used to create daily trading portfolios of ten stocks and result in annual performances of more than 57% before transaction costs. With ensembles of different data sets topping up the performance ranking, the results further question the weak form and semi-strong form efficiency of modern financial capital markets. Even though transaction costs are not included, the approach adds to the existing literature. It gives guidance on how to use and transform data on internet usage behavior for financial and economic modeling and forecasting.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.