Wykorzystanie Google Trends do predykcji stopy zwrotu indeksu WIG20

• Autorzy: Ewelina Niedzielska

Warianty tytułu

Using Google Trends to Predict the Rate of Return of WIG20 Index

• Języki publikacji: PL

Abstrakty

W artykule podjęto próbę wykorzystania danych, będących wynikiem aktywności użytkowników Internetu, do predykcji stopy zwrotu indeksu WIG20. Jako źródło tego typu danych przyjęta została baza Google Trends, która umożliwia przeglądanie i pobieranie zagregowanych wskaźników zapytań w wyszukiwarce Google. W pierwszej części artykułu autorka zwraca uwagę na to, że w konsekwencji rewolucji technologicznej zmianie uległ sposób pozyskiwania i kreowania informacji. Z punktu widzenia nauki o finansach jest to o tyle istotne, że informacja stanowi centralną oś hipotezy efektywności rynku. "Zalew informacyjny", którego jesteśmy uczestnikami, skłania do ponownego podjęcia refleksji nad możliwościami dyskontowania informacji przez rynek i jego graczy. W tym kontekście autorka kieruje się ku paradygmatowi finansów behawioralnych. Badacze z tego nurtu zwracają bowiem szczególną uwagę na ograniczone zdolności poznawcze człowieka. Ich zdaniem nie jest możliwe, aby inwestorzy byli w stanie zabsorbować całą dostępną na temat zdarzeń rynkowych wiedzę. Taki tok rozumowania skłania do zadania pytań o to, w jaki sposób inwestorzy dokonują selekcji informacji, co w danym momencie może znajdować się centrum ich zainteresowania oraz jakie może mieć to konsekwencje dla wyników rynkowych. W części empirycznej eksploracji podlegały dwie kwestie. Po pierwsze, sprawdzone zostało występowanie korelacji między zapytaniami użytkowników wyszukiwarki Google a zamknięciem indeksu WIG20. Spośród niemal 30 haseł, tematycznie związanych z giełdą i finansami, wyselekcjonowano siedem, które charakteryzowały się najwyższymi współczynnikami korelacji. Po drugie, zbadana została możliwość wykorzystania tego typu danych w celach predykcyjnych. W tym kontekście zastosowane zostały dwa algorytmy klasyfikacyjne uczenia maszynowego: regresja logarytmiczna oraz naiwny klasyfikator Bayesa. Badania przeprowadzano w trzech próbach. Pierwsza liczyła 113 tygodni. Jej celem było sprawdzenie zdolności predykcyjnych wskaźników wyszukiwań przy założeniu, że ich wartości przeliczane były w tym samym tygodniu co stopa zwrotu indeksu. Druga próba liczyła 112 tygodni i uwzględniała różnicę wyszukiwań w ramach tygodniowego opóźnienia. Trzecia próba składała się ze 111 tygodni i uwzględniała różnicę wyszukiwań z dwutygodniowym opóźnieniem. Szczególnie wysokimi wartościami predykcyjnymi charakteryzował się klasyfikator Bayesa w trzeciej próbie. Wyniki badań stanowić mogą przesłankę do stwierdzenia, że dane pochodzące z Google Trends niosą ze sobą walor predykcyjny w kontekście rodzimego rynku kapitałowego. Dokonany przez autorkę przegląd literatury może wskazywać na to, że poruszana w artykule problematyka charakteryzuje się aktualnością, zarówno w rozumieniu wspomnianych zmian technologicznych, jak i światowego dorobku badawczego. Jednocześnie, zgodnie z wiedzą autorki, na gruncie polskiej nauki nie podejmowano jak dotąd prób stosowania uczenia maszynowego do predykcji finansowych przy wykorzystaniu danych pochodzących z wyszukiwarek internetowych.(abstrakt oryginalny)

EN

The article attempts to use data resulting from Internet users' activity to predict the rate of return of the WIG20 index. As a source of this type of data, the Google Trends database has been adopted. This tool allows to view and download data which are the result of searching information on Google. In the first part of the article, the author points out that as a consequence of the technological revolution, the way of acquiring and creating information has changed. From the financial science point of view, it is important because information is the central axis of the market efficiency hypothesis. The "Information lagoon", which we are participants in, prompts us to rethink the abilities of market and its players to discount all knowledge of market events. In this context, the author turns to behavioral finance paradigm. Researchers from this paradigm pay special attention to limited human cognitive abilities. In their opinion, it is not possible for investors to be able to absorb all available knowledge about market events. Such reasoning leads to the question of how investors select information, what the center of their interest may be at a given moment and what the consequences for market results may have. Two issues were covered in the empirical part of this article. First, correlation between the occurrence of queries Google search users, and the closure of the WIG20 index has been checked. Out of almost 30 entries, thematically related to the stock exchange and finance, seven were selected, which were characterized by the highest correlation coefficients. Secondly, the possibility of using this type of data for prediction purposes was examined. In this context, two classification algorithms of machine learning were used: logarithmic regression and the naive Bayes classifier. The tests were carried out in three trials. The first consisted of 113 weeks. Its aim was to test the ability of searches indicators to predict the rate of return, assuming that their values were calculated in the same week as the rate return of index. The second attempt consisted of 112 weeks and included searches difference within a week delay. The third trial consisted of a sample of 111 weeks and included the search difference with a two-week delay. Particularly high values of the predictive characterized Bayes classifier in the third sample. The research results may constitute a premise to conclude that data from Google Trends bring with them a predictive value in the context of the domestic capital market. The literature review carried out by the author may indicate that the issue discussed in the article is characterized by timeliness, both in the understanding of the technological changes mentioned above as well as the global research achievements. At the same time, according to the author's knowledge, no attempts have been made so far on the basis of Polish science to use machine learning for financial predictions using data from search engines.(original abstract)

Słowa kluczowe

PL

Giełda; Uczenie maszynowe; Finanse behawioralne

EN

Stock exchange; Machine learning; Behavioural finance

• Czasopismo: Ekonomia XXI Wieku
• Rocznik: 2018
• Numer: nr 3 (19)
• Strony: 82--97

Twórcy

autor

Ewelina Niedzielska

• Uniwersytet Łódzki

Bibliografia

• Bijl L., Kringhaug G., Molnár P., Sandvik E., 2016, Google searches and stock returns, International Review of Financial Analysis, vol. 45, s. 150-156.
• Blazquez D., Domenech J., 2017, Big Data sources and methods for social and economic analyses, Technological Forecasting & Social Change, vol. 130, s. 99-113.
• Chan E.H., Sahai V., Conrad C., Brownstein J.S., 2011, Using web search query data to monitor dengue epidemics: a new model for neglected tropical disease surveillance, PLoS Neglected Tropical Diseases, vol. 5, s. 1-6.
• Cheikh E, Nadine C., Nicolle C., 2015, Understandable Big Data: A survey, Computer Science Review, vol. 17, s. 70-81.
• Choi H., Varian H. (red.), 2009, Predicting the Present with Google Trends, Google Inc, Mountain View.
• Connors S., Courbe J., Waishampayan V., 2013, Where have you been all my life? How the financial services industry can unlock the value in Big Data, https://www.pwc.com/us/en/financial-services/ publications/viewpoints/assets/pwc-unlocking-big-data-value.pdf (20.08.2017).
• D'Amuri F., Marcucci J., 2017, The predictive power of Google searches in forecasting US unemployment, International Journal of Forecasting, vol. 33, s. 801-816.
• Da Z., Engelberg J., Gao P., 2013, The sum of all FEARS: investor sentiment and asset prices. Review of financial studies, The Review of Financial Studies, vol. 28, no. 1, s. 1-32.
• Da Z., Engelberg J., Gao P., 2011, In search of attention, The Journal of Finance, vol. LXVI, no. 5, s. 1461-1499.
• Fondeur Y., Karamé F., 2013, Can Google data help predict French youth unemployment, Economic Modelling, vol. 30, s. 117-125.
• Ginsberg J. i in., 2009, Detecting influenza epidemics using search engine query data, Nature, vol. 457, no. 7232, s. 1012-1014.
• Google Trends, Sposób dostosowywania danych w trendach, https://support.google.com/trends/answer/ 4365533?hl=pl&ref_topic=6248052 (18.04.2018).
• Grossman S.J., Stiglitz J.E., 1980, On the impossibility of informationally efficient markets, Amer. Econ. Rev. 70 (1980), s. 393-408.
• Hu H., Tang L., Zhang S., Wang H., 2018, Predicting the direction of stock markets using optimized neural networks with Google Trends, Neurocomputing, vol. 285, s. 188-195.
• Joseph K., Wintoki M.B., Zhang Z., 2011, Forecasting abnormal stock returns and trading volume using investor sentiment: Evidence from online search, International Journal of Forecasting, vol. 27, s. 1116-1127.
• Jun S., Yoo H., Choi S., 2017, Ten years of research change using Google Trends: From the perspective of big data utilizations and applications, Technological Forecasting & Social Change, vol. 130, s. 69-87.
• Kahneman D., Tversky A., 1979, Prospect theory: an analysis of decision under risk, Econometrica, vol. 47, no. 2, s. 263-292.
• Kristoufek L., 2013, Can Google Trends search queries contribute to risk diversification?, Scientific Reports, vol. 3, no. 2713, s. 1-6.
• McKinsey Global Institute, 2016, The age of analytics: competing in a data-driven world, https:// www.mckinsey.com/~/media/mckinsey/business functions/mckinsey analytics/our insights/ the age of analytics competing in a data driven world/ mgi-the-age-of-analytics-executive-summary.ashx (18.04.2018).
• Naccarato A., Falorsi S., Loriga S., Pierini A., 2017, Combining official and Google Trends data to forecast the Italian youth unemployment rate, Technological Forecasting & Social Change, vol. 130, s. 114-122.
• Preis T., Moat H.S., Stanley E.H., 2013, Quantifying trading behavior in financial markets using Google trends, Scientific Reports, vol. 3, no. 1684, s. 1-6.
• Takeda F., Wakao T., 2014, Google search intensity and its relationship with returns and trading volume of Japanese stocks, Pacific-Basin Finance Journal, vol. 27, s. 1-18.
• Yao T., Zhang Y-J., Ma C-Q., 2017, How does investor attention affect international crude oil prices, Applied Energy Journal, vol. 205, s. 336-344.
• Yu L., Zhaoa Y., Tangc L., Yangd Z., 2018, Online big data-driven oil consumption forecasting with Google trends, International Journal of Forecasting, w druku.

Identyfikatory

DOI

10.15611/e21.2018.3.06