Wyszukiwanie zaawansowane ?

Obiekt

Wykorzystanie Google Trends do predykcji stopy zwrotu indeksu WIG20
Pobierz

Tytuł: Wykorzystanie Google Trends do predykcji stopy zwrotu indeksu WIG20

Tytuł odmienny:

Using Google Trends to predict the rate of return of WIG20 index

Autor:

Niedzielska, Ewelina

Opis:

Ekonomia XXI Wieku = Economics of the 21st Century, 2018, Nr 3 (19), s. 82-97

Abstrakt:

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

Wydawca:

Uniwersytet Ekonomiczny we Wrocławiu

Miejsce wydania:

Wrocław

Data wydania:

2018

Typ zasobu:

artykuł

Identyfikator zasobu:

doi:10.15611/e21.2018.3.06 ; oai:dbc.wroc.pl:66275

Język:

pol

Powiązania:

Ekonomia XXI Wieku = Economics of the 21st Century, 2018, Nr 3 (19)

Prawa:

Pewne prawa zastrzeżone na rzecz Autorów i Wydawcy

Prawa dostępu:

Dla wszystkich zgodnie z licencją

Licencja:

CC BY-NC-ND 3.0 PL

Lokalizacja oryginału:

Uniwersytet Ekonomiczny we Wrocławiu

Tytuł publikacji grupowej:

Ekonomia XXI Wieku = Economics of the 21st Century

Temat i słowa kluczowe:

giełda uczenie maszynowe Google Trends finanse behawioralne stock exchange machine learning behavioral finance

Kolekcje, do których przypisany jest obiekt:

Data ostatniej modyfikacji:

11 cze 2022

Data dodania obiektu:

30 kwi 2019

Liczba wyświetleń treści obiektu:

583

Wszystkie dostępne wersje tego obiektu:

https://dlibra.kdm.wcss.pl/publication/124048

Wyświetl opis w formacie RDF:

RDF

Wyświetl opis w formacie OAI-PMH:

OAI-PMH

Nazwa wydania Data
Wykorzystanie Google Trends do predykcji stopy zwrotu indeksu WIG20 11 cze 2022

Obiekty Podobne

Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
Skuteczność metod klasyfikacji w prognozowaniu kierunku zmian indeksu giełdowego S&P500

Krawczuk, Jerzy

2012
artykuł
Informatyka Ekonomiczna = Business Informatics
Informatyka Ekonomiczna = Business Informatics
Attack vectors on supervised machine learning systems in business applications

Surma, Jerzy

2020
artykuł
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
Artificial Intelligence in audit

Karmańska, Anna

2022
artykuł
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
Prędkości wirowania wektorów ekonomicznych na stożkach precesji

Juzwiszyn, Jacek

2011
artykuł
Informatyka Ekonomiczna = Business Informatics
Informatyka Ekonomiczna = Business Informatics
Chatbot – modelowanie i aplikacje

Szymański, Grzegorz Jóźwiak, Piotr

2018
artykuł
Debiuty Studenckie
Debiuty Studenckie
Budowa i testowanie wsteczne strategii inwestycyjnej opartej o uczenie maszynowe

Wietrzykowski, Filip Grześkowiak, Alicja. Redakcja Peternek, Piotr. Redakcja

2023
rozdział
Debiuty Studenckie
Debiuty Studenckie
Diagnoza nierówności płacowych wśród sportowców z wykorzystaniem metod uczenia maszynowego

Derda, Aleksandra Stanimir, Agnieszka. Redakcja

2024
rozdział
Informatyka Ekonomiczna = Business Informatics
Informatyka Ekonomiczna = Business Informatics
The Impact of Artificial Intelligence on Managing the Recruitment Process in a Company

Butryn, Beata Rudnicki, Patryk

2024
artykuł
Więcej
×

Cytowanie

Styl cytowania:

Dane kontaktowe

Adres

Politechnika Wrocławska (Koordynator Konsorcjum DBC)
Biblioteka Politechniki Wrocławskiej
Wybrzeże Wyspiańskiego 27
50-370 Wrocław, Polska

Telefon

(+48) 71-320-38-30
(+48) 71-320-47-50

E-Mail

bc@pwr.edu.pl

Odwiedź nas!

https://biblioteka.pwr.edu.pl/

Ta strona wykorzystuje pliki 'cookies'. Więcej informacji