@misc{Niedzielska_Ewelina_Wykorzystanie_2018,
 author={Niedzielska, Ewelina},
 identifier={DOI: 10.15611/e21.2018.3.06},
 year={2018},
 rights={Pewne prawa zastrzeżone na rzecz Autorów i Wydawcy},
 description={Ekonomia XXI Wieku = Economics of the 21st Century, 2018, Nr 3 (19), s. 82-97},
 publisher={Uniwersytet Ekonomiczny we Wrocławiu},
 language={pol},
 abstract={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},
 title={Wykorzystanie Google Trends do predykcji stopy zwrotu indeksu WIG20},
 type={artykuł},
 keywords={giełda, uczenie maszynowe, Google Trends, finanse behawioralne, stock exchange, machine learning, behavioral finance},
}