Quem acerta mais? Um estudo comparativo das previsões de mercado por finfluencers e analistas de instituições financeiras

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Moraes, Willian Vaz
Orientador(a): Genaro, Alan de
Banca de defesa: Não Informado pela instituição
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