Quem acerta mais? Um estudo comparativo das previsões de mercado por finfluencers e analistas de instituições financeiras
| Ano de defesa: | 2024 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Dissertação |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Palavras-chave em Inglês: | |
| Link de acesso: | https://hdl.handle.net/10438/35525 |
Resumo: | Neste estudo, investigo a precisão preditiva dos influenciadores financeiros digitais versus analistas financeiros de bancos e casas de análise ao serem realizadas recomendações de ativos com excesso de retorno a partir do emprego de técnicas de processamento de linguagem natural (PLN). O estudo extraiu dados não estruturados (publicações e vídeos) das redes sociais “Twitter”, “Instagram” e “Youtube” e, por meio do modelo VADER, classificou o conteúdo publicado por esses usuários. A base de dados final é composta por 5.878 publicações (vídeos e posts); é advinda dos finfluencers que apresentaram maiores engajamentos, segundo o estudo da ANBIMA (Finfluencer 1, 2 e 3); e apresenta 4.147 recomendações de analistas no período de janeiro de 2018 a maio de 2023. Carteiras foram formadas a partir das recomendações e seus retornos foram ajustados pelos fatores de risco, em linha com Fama e French (1993), Carhart (1997), Fama e French (2015). O resultado para as recomendações dos analistas gerou excesso de retorno estatisticamente significativo para as carteiras long/short, mesmo após a correção para os fatores de risco. Os resultados indicam que o fator certificação do finfluencers, tais como CFA e CFP, não se mostrou um diferencial para recomendar ações que formaram portfólios que apresentaram excesso de retorno estatisticamente significante. Os resultados também se diferenciam a depender da rede social utilizada, isto é, YouTube, Instagram e Twitter. |
| id |
FGV_56bc9d939203e7eff46e7b3293d1a087 |
|---|---|
| oai_identifier_str |
oai:repositorio.fgv.br:10438/35525 |
| network_acronym_str |
FGV |
| network_name_str |
Repositório Institucional do FGV (FGV Repositório Digital) |
| repository_id_str |
|
| spelling |
Moraes, Willian VazEscolas::EAESPSchiozer, Rafael FelipeSaffi, Pedro Alberto ChauffailleGenaro, Alan de2024-07-05T12:49:35Z2024-07-05T12:49:35Z2024-05-23https://hdl.handle.net/10438/35525Neste estudo, investigo a precisão preditiva dos influenciadores financeiros digitais versus analistas financeiros de bancos e casas de análise ao serem realizadas recomendações de ativos com excesso de retorno a partir do emprego de técnicas de processamento de linguagem natural (PLN). O estudo extraiu dados não estruturados (publicações e vídeos) das redes sociais “Twitter”, “Instagram” e “Youtube” e, por meio do modelo VADER, classificou o conteúdo publicado por esses usuários. A base de dados final é composta por 5.878 publicações (vídeos e posts); é advinda dos finfluencers que apresentaram maiores engajamentos, segundo o estudo da ANBIMA (Finfluencer 1, 2 e 3); e apresenta 4.147 recomendações de analistas no período de janeiro de 2018 a maio de 2023. Carteiras foram formadas a partir das recomendações e seus retornos foram ajustados pelos fatores de risco, em linha com Fama e French (1993), Carhart (1997), Fama e French (2015). O resultado para as recomendações dos analistas gerou excesso de retorno estatisticamente significativo para as carteiras long/short, mesmo após a correção para os fatores de risco. Os resultados indicam que o fator certificação do finfluencers, tais como CFA e CFP, não se mostrou um diferencial para recomendar ações que formaram portfólios que apresentaram excesso de retorno estatisticamente significante. Os resultados também se diferenciam a depender da rede social utilizada, isto é, YouTube, Instagram e Twitter.In this study, I investigate the predictive accuracy of digital financial influencers versus financial analysts from banks and research firms when making asset recommendations with excess returns using natural language processing (NLP) techniques. The study extracted unstructured data (posts and videos) from social networks such as Twitter, Instagram, and YouTube. Using the VADER model, it classified the content published by these users. The final database consists of 5,878 posts (videos and posts) from influencers with the highest engagement according to the ANBIMA study (Finfluencer 1, 2, and 3) and includes 4,147 analyst recommendations from January 2018 to May 2023. Portfolios were formed based on the recommendations, and their returns were adjusted for risk factors, in line with Fama and French (1993), Carhart (1997), and Fama and French (2015). The results for analyst recommendations generated statistically significant excess returns for the long/short portfolios, even after adjusting for risk factors. The findings indicate that certification factors for influencers, such as CFA and CFP, did not prove to be a differentiator in recommending stocks that formed portfolios with statistically significant excess returns. The results also vary depending on the social network used, namely YouTube, Instagram, and Twitter.porAnalistas financeirosPrecificação de ativosFinfluencersFinancial analysisAsset pricingAdministração de empresasAções (Finanças) - Preços - PrevisãoInvestimentos - AnáliseConsultores de investimentosPersonalidades da internetProcesso decisórioQuem acerta mais? Um estudo comparativo das previsões de mercado por finfluencers e analistas de instituições financeirasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional do FGV (FGV Repositório Digital)instname:Fundação Getulio Vargas (FGV)instacron:FGVORIGINALDISSERTACAO_WILLIAN_VAZ.pdfDISSERTACAO_WILLIAN_VAZ.pdfPDFapplication/pdf2054010https://repositorio.fgv.br/bitstreams/2f932303-1f79-4669-b5c5-49d68603ccca/download50da700ff7a08c68307745fcb39c2cecMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-85112https://repositorio.fgv.br/bitstreams/3eb7157d-c422-446a-8ede-03a29d59dfbb/download2a4b67231f701c416a809246e7a10077MD52TEXTDISSERTACAO_WILLIAN_VAZ.pdf.txtDISSERTACAO_WILLIAN_VAZ.pdf.txtExtracted texttext/plain102739https://repositorio.fgv.br/bitstreams/6a36be9e-b9b1-4aa0-b496-e8c5847d7d1d/download0c1a71cd174ac0e6a81c38aabd9c2736MD53THUMBNAILDISSERTACAO_WILLIAN_VAZ.pdf.jpgDISSERTACAO_WILLIAN_VAZ.pdf.jpgGenerated Thumbnailimage/jpeg2467https://repositorio.fgv.br/bitstreams/5e897cad-18ac-40b6-a222-9689e3a8da80/download32e4268a454ac7d7d3cfb6b1a78fd57bMD5410438/355252024-07-05 15:11:41.127open.accessoai:repositorio.fgv.br:10438/35525https://repositorio.fgv.brRepositório InstitucionalPRIhttp://bibliotecadigital.fgv.br/dspace-oai/requestopendoar:39742024-07-05T15:11:41Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV)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 |
| dc.title.por.fl_str_mv |
Quem acerta mais? Um estudo comparativo das previsões de mercado por finfluencers e analistas de instituições financeiras |
| title |
Quem acerta mais? Um estudo comparativo das previsões de mercado por finfluencers e analistas de instituições financeiras |
| spellingShingle |
Quem acerta mais? Um estudo comparativo das previsões de mercado por finfluencers e analistas de instituições financeiras Moraes, Willian Vaz Analistas financeiros Precificação de ativos Finfluencers Financial analysis Asset pricing Administração de empresas Ações (Finanças) - Preços - Previsão Investimentos - Análise Consultores de investimentos Personalidades da internet Processo decisório |
| title_short |
Quem acerta mais? Um estudo comparativo das previsões de mercado por finfluencers e analistas de instituições financeiras |
| title_full |
Quem acerta mais? Um estudo comparativo das previsões de mercado por finfluencers e analistas de instituições financeiras |
| title_fullStr |
Quem acerta mais? Um estudo comparativo das previsões de mercado por finfluencers e analistas de instituições financeiras |
| title_full_unstemmed |
Quem acerta mais? Um estudo comparativo das previsões de mercado por finfluencers e analistas de instituições financeiras |
| title_sort |
Quem acerta mais? Um estudo comparativo das previsões de mercado por finfluencers e analistas de instituições financeiras |
| author |
Moraes, Willian Vaz |
| author_facet |
Moraes, Willian Vaz |
| author_role |
author |
| dc.contributor.unidadefgv.por.fl_str_mv |
Escolas::EAESP |
| dc.contributor.member.none.fl_str_mv |
Schiozer, Rafael Felipe Saffi, Pedro Alberto Chauffaille |
| dc.contributor.author.fl_str_mv |
Moraes, Willian Vaz |
| dc.contributor.advisor1.fl_str_mv |
Genaro, Alan de |
| contributor_str_mv |
Genaro, Alan de |
| dc.subject.por.fl_str_mv |
Analistas financeiros Precificação de ativos |
| topic |
Analistas financeiros Precificação de ativos Finfluencers Financial analysis Asset pricing Administração de empresas Ações (Finanças) - Preços - Previsão Investimentos - Análise Consultores de investimentos Personalidades da internet Processo decisório |
| dc.subject.eng.fl_str_mv |
Finfluencers Financial analysis Asset pricing |
| dc.subject.area.por.fl_str_mv |
Administração de empresas |
| dc.subject.bibliodata.por.fl_str_mv |
Ações (Finanças) - Preços - Previsão Investimentos - Análise Consultores de investimentos Personalidades da internet Processo decisório |
| description |
Neste estudo, investigo a precisão preditiva dos influenciadores financeiros digitais versus analistas financeiros de bancos e casas de análise ao serem realizadas recomendações de ativos com excesso de retorno a partir do emprego de técnicas de processamento de linguagem natural (PLN). O estudo extraiu dados não estruturados (publicações e vídeos) das redes sociais “Twitter”, “Instagram” e “Youtube” e, por meio do modelo VADER, classificou o conteúdo publicado por esses usuários. A base de dados final é composta por 5.878 publicações (vídeos e posts); é advinda dos finfluencers que apresentaram maiores engajamentos, segundo o estudo da ANBIMA (Finfluencer 1, 2 e 3); e apresenta 4.147 recomendações de analistas no período de janeiro de 2018 a maio de 2023. Carteiras foram formadas a partir das recomendações e seus retornos foram ajustados pelos fatores de risco, em linha com Fama e French (1993), Carhart (1997), Fama e French (2015). O resultado para as recomendações dos analistas gerou excesso de retorno estatisticamente significativo para as carteiras long/short, mesmo após a correção para os fatores de risco. Os resultados indicam que o fator certificação do finfluencers, tais como CFA e CFP, não se mostrou um diferencial para recomendar ações que formaram portfólios que apresentaram excesso de retorno estatisticamente significante. Os resultados também se diferenciam a depender da rede social utilizada, isto é, YouTube, Instagram e Twitter. |
| publishDate |
2024 |
| dc.date.accessioned.fl_str_mv |
2024-07-05T12:49:35Z |
| dc.date.available.fl_str_mv |
2024-07-05T12:49:35Z |
| dc.date.issued.fl_str_mv |
2024-05-23 |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| format |
masterThesis |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/10438/35525 |
| url |
https://hdl.handle.net/10438/35525 |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
| eu_rights_str_mv |
openAccess |
| dc.source.none.fl_str_mv |
reponame:Repositório Institucional do FGV (FGV Repositório Digital) instname:Fundação Getulio Vargas (FGV) instacron:FGV |
| instname_str |
Fundação Getulio Vargas (FGV) |
| instacron_str |
FGV |
| institution |
FGV |
| reponame_str |
Repositório Institucional do FGV (FGV Repositório Digital) |
| collection |
Repositório Institucional do FGV (FGV Repositório Digital) |
| bitstream.url.fl_str_mv |
https://repositorio.fgv.br/bitstreams/2f932303-1f79-4669-b5c5-49d68603ccca/download https://repositorio.fgv.br/bitstreams/3eb7157d-c422-446a-8ede-03a29d59dfbb/download https://repositorio.fgv.br/bitstreams/6a36be9e-b9b1-4aa0-b496-e8c5847d7d1d/download https://repositorio.fgv.br/bitstreams/5e897cad-18ac-40b6-a222-9689e3a8da80/download |
| bitstream.checksum.fl_str_mv |
50da700ff7a08c68307745fcb39c2cec 2a4b67231f701c416a809246e7a10077 0c1a71cd174ac0e6a81c38aabd9c2736 32e4268a454ac7d7d3cfb6b1a78fd57b |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV) |
| repository.mail.fl_str_mv |
|
| _version_ |
1827842423035789312 |