Volumen de búsquedas y rendimientos de acciones del S&P 100

Resumen

El artículo comprueba si la actividad de búsqueda en Google puede ayudar a predecir qué acciones del S&P 100 superarán la mediana del índice al día siguiente. Combina variables financieras rezagadas con volúmenes de consultas de búsqueda y entrena árboles de decisión potenciados por gradiente para clasificar esos resultados. El estudio abarca de 2005 a 2017 y comunica áreas bajo la curva ROC medias de ROC, entre 54.2% y 56.7%, lo que indica una capacidad predictiva superior al azar. En el ejercicio de cartera comunicado, los modelos que combinan fuentes de datos obtienen los mejores resultados.

Los autores también forman carteras diarias de diez acciones mediante un enfoque sencillo de arbitraje estadístico y comunican un rendimiento anual superior a 57% antes de los costes de transacción. Estas cifras son resultados de backtest, no pruebas de rendimientos de trading netos realizados. Se excluyen los costes de transacción y el resumen no detalla la solidez, la construcción de la cartera ni las restricciones de implementación. Los resultados sugieren que el comportamiento de búsqueda puede aportar información para pronosticar acciones a corto plazo, pero dejan sin resolver la rentabilidad práctica y sus implicaciones para la eficiencia del mercado.

Ideas clave

• Los volúmenes de consultas de búsqueda se combinan con datos financieros históricos para clasificar los rendimientos relativos de las acciones al día siguiente.
• Los árboles de decisión potenciados por gradiente generan predicciones para acciones del S&P 100.
• El rendimiento de clasificación comunicado supera las conjeturas aleatorias durante el periodo del estudio.
• Un ejercicio con una cartera de diez acciones comunica altos rendimientos antes de costes, pero excluye los costes de transacción.
• Los resultados plantean preguntas sobre la eficiencia del mercado, pero no demuestran beneficios netos realizables.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.