Volumes de buscas para prever retornos de ações do S&P 100

Resumo

O artigo testa se a atividade de pesquisa do Google pode ajudar a prever quais ações do S&P 100 terão desempenho superior à mediana do índice no dia seguinte. Ele combina variáveis financeiras defasadas com volumes de consultas de pesquisa e treina árvores de decisão com boosting de gradiente para classificar esses resultados. O estudo abrange de 2005 a 2017 e relata áreas ROC médias de ROC entre 54.2% e 56.7%, indicando poder preditivo acima do acaso. Os modelos que combinam fontes de dados ficam mais bem classificados no exercício de carteira relatado.

Os autores também formam carteiras diárias de dez ações usando uma abordagem simples de arbitragem estatística e relatam desempenho anual acima de 57% antes dos custos de transação. Esses números são resultados de backtest, não evidência de retornos de trading líquidos efetivamente realizados. Os custos de transação são excluídos, e o resumo não fornece detalhes sobre robustez, construção da carteira ou restrições de implementação. Os resultados sugerem que o comportamento de busca pode acrescentar informação à previsão de ações em horizontes curtos, mas deixam incertas a rentabilidade prática e as implicações para a eficiência do mercado.

Ideias principais

• Volumes de consultas de busca são combinados com dados financeiros históricos para classificar retornos relativos de ações no dia seguinte.
• Árvores de decisão com gradient boosting geram previsões para ações do S&P 100.
• O desempenho de classificação relatado supera o de palpites aleatórios durante o período estudado.
• Um exercício com uma carteira de dez ações relata retornos elevados antes dos custos, mas exclui os custos de transação.
• Os resultados levantam questões sobre a eficiência do mercado, sem comprovar lucros líquidos realizáveis.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.