Buscas na internet podem indicar movimentos no mercado financeiro
Analisadores de sentimentos criados por meio de programação ajudam a entender o que as pessoas falam ou pensam.
A internet armazena toda e qualquer informação disponível e já vem de algum tempo a disponibilidade parcial desses dados pelo Google Trends. Entre diversas ideias, prolifera a de que discussões na internet indicam movimentos de um ativo financeiro.
Muitas linguagens de programação possuem bibliotecas para buscar informações no Google, sejam sobre análises de sentimentos, sejam sobre polarizações com uso de palavra-chave. Talvez uma das mais versáteis é a python, que proporciona a criação de analisadores de sentimentos que, com o uso de inteligência artificial, ajudam a entender o que as pessoas falam ou pensam.
Como exemplo, usamos neste texto as bibliotecas pandas e pytrends do python para comparar o que as pessoas buscaram ou falaram sobre petróleo e comparamos com o movimento no volume das ações da Petrobras (PETR4).
O gráfico abaixo é uma amostra do que se pode conseguir com esse tipo de programação.
A linha cinza apresenta o volume na internet pela busca da palavra-chave petróleo, e a vermelha, a média de sete dias do volume de negociação (área em rosa no gráfico). É possível ver uma relação entre o movimento das buscas por informação sobre o petróleo e a resposta para o ativo da Petrobras. O volume da ação PETR4 oscila e, de certa forma, é antecipado pelo “nervosismo” de buscas na internet.
A programação para um robô-algoritmo nesse caso não é complicada. Abaixo, apresentam-se as linhas iniciais.
A linha 11 indica que o servidor de busca está nos Estados Unidos, a 13, a palavra que se deseja buscar, e a 19, o motor de busca no python.
A 13 é a principal linha para que se tenha acesso ao Google Trends. A linha 22 –pytrends.interest_over_time()– ativa a busca e salva o resultado num arquivo DataFrame. É com ele que se faz gráficos ou se analisa as informações, notando que “geo” representa a região do globo, que no nosso caso é Brasil.
Com base nessas informações, podemos cruzar os dados do Google com volumes negociados para o ativo. O DataReader permite a importação direta do Yahoo! Finance na linha 33, usando o período desejado contidos nas linhas 31 e 32. Como visto no gráfico, os dados do volume oscilam bastante com picos e vales intermitentes. Torna-se interessante uma visualização de maneira mais suavizada (média), fazendo uso do método “rolling” da biblioteca pandas apresentada na imagem abaixo.
Com os dados do Google e volume de negociações, constroem-se gráficos com os métodos tradicionais da linguagem. Análises profundas podem ser realizadas, tais como estatísticas de tendências, testes de hipótese, análises de variâncias, densidades de probabilidades, entre tantas outras análises nas bibliotecas do python. Em termos de inteligência artificial, pode-se treinar redes neurais com “deep learning”, ou mesmo usar lógica “fuzzy” para captar padrões de comportamento.
*Professor do Insper, autor de “Python e Mercado Financeiro”