Dùng lượng truy vấn tìm kiếm để dự báo lợi suất cổ phiếu S&P 100

Tóm tắt

Bài báo kiểm tra liệu hoạt động tìm kiếm trên Google có thể giúp dự đoán cổ phiếu nào trong S&P 100 sẽ vượt trung vị của chỉ số vào ngày hôm sau hay không. Nghiên cứu kết hợp các biến tài chính trễ với khối lượng truy vấn tìm kiếm và huấn luyện cây quyết định tăng cường gradient để phân loại các kết quả đó. Nghiên cứu bao quát giai đoạn từ 2005 đến 2017 và báo cáo diện tích ROC trung bình từ 54.2% đến 56.7% cho ROC, cho thấy khả năng dự đoán cao hơn mức ngẫu nhiên. Trong bài tập danh mục đầu tư được báo cáo, các mô hình kết hợp nhiều nguồn dữ liệu xếp hạng cao nhất.

Các tác giả cũng lập danh mục hằng ngày gồm mười cổ phiếu bằng phương pháp kinh doanh chênh lệch giá thống kê đơn giản và báo cáo hiệu suất hằng năm trên 57% trước chi phí giao dịch. Những con số này là kết quả kiểm thử lịch sử, không phải bằng chứng về lợi nhuận giao dịch ròng đã thực hiện. Chi phí giao dịch bị loại trừ; phần tóm tắt không nêu chi tiết về độ vững, cách xây dựng danh mục hoặc các ràng buộc triển khai. Phát hiện gợi ý hành vi tìm kiếm có thể bổ sung thông tin cho việc dự báo cổ phiếu trong chân trời ngắn, nhưng chưa rõ khả năng sinh lời trong thực tế và hệ quả đối với hiệu quả thị trường.

Ý chính

• Lượng truy vấn tìm kiếm được kết hợp với dữ liệu tài chính lịch sử để phân loại lợi suất tương đối của cổ phiếu vào ngày tiếp theo.
• Các mô hình cây quyết định tăng cường gradient tạo dự báo cho cổ phiếu S&P 100.
• Hiệu quả phân loại được báo cáo cao hơn dự đoán ngẫu nhiên trong giai đoạn nghiên cứu.
• Bài tập danh mục mười cổ phiếu báo cáo lợi suất cao trước chi phí, nhưng không tính chi phí giao dịch.
• Kết quả đặt ra câu hỏi về hiệu quả thị trường nhưng không chứng minh lợi nhuận ròng có thể hiện thực hóa.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.