PROCESSO DE EXTRAÇÃO DE SENTIMENTO NO MERCADO FINANCEIRO
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Resumo
Este estudo investiga a relação entre o sentimento, expresso em notícias financeiras, e a movimentação do mercado, utilizando notícias extraídas do Yahoo Finance entre setembro de 2020 e setembro de 2023. A metodologia empregou técnicas de Processamento de Linguagem Natural (PLN) para análise de sentimento, utilizando as bibliotecas NLTK (VADER) e TextBlob. As notícias foram coletadas via web scraping e analisadas quanto à polaridade (positiva, neutra ou negativa), sendo posteriormente comparadas com as variações do índice S&P 500. Os resultados indicaram que o sentimento das notícias foi, em média, levemente positivo, com pequenas discrepâncias entre os métodos de análise. Foi observado que, em determinados períodos, como no início de 2021, um aumento na quantidade de notícias positivas coincidiu com a recuperação do mercado, mas a relação entre sentimento e desempenho do mercado não se mostrou linear, sugerindo a influência de fatores macroeconômicos e geopolíticos. Conclui-se que a análise de sentimento pode ser um indicador complementar na previsão de tendências do mercado financeiro, mas sua aplicação deve considerar múltiplas fontes de informação e modelos mais avançados para aprimorar a precisão das previsões.
##plugins.themes.bootstrap3.article.details##
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Direitos autorais (c) .
Esta obra está licenciada sob uma licença Creative Commons Atribuição 4.0 Internacional.
Referências
ABOWATH, U. Z. et al. “Advanced Deep Learning Techniques for Analyzing Earnings Call Transcripts: Methodologies and Applications”. ArXiv Preprint [2025]. Disponível em: . Acesso em: 20/03/2025.
BOLLEN, J.; MAO, H.; ZENG, X. “Twitter mood predicts the stock market”. Journal of Computational Science, vol. 2, n. 1, 2011.
BREEN, J. R. “By example: Mining Twitter for consumer attitudes towards airlines. Boston Predictive Analytics [2011]. Disponível em: . Acesso em: 12/03/2025.
BROWN, C.; WILSON, D. “Tomada de decisões de investimento informadas: o papel das fontes de informação”. Finance Research Letters, vol. 2, n. 15, 2018
CAMBRIA, E. et al. A practical guide to sentiment analysis. Cham: Springer, 2017.
COSTOLA, M. et al. “Does investor sentiment affect the stock market? Evidence from machine learning methods”. Finance Research Letters, vol. 51, 2023.
CRISTESCU, A. et al. “Sentiment Analysis of Financial News for Stock Market Prediction”. Journal of Financial Analytics, vol. 12, n. 3, 2023.
DA, Z.; ENGELBERG, J.; GAO, P. “In Search of Attention”. Journal of Finance, vol. 66, n. 5, 2011.
DAHAL, K. P. et al. “Sentiment Analysis for Stock Market Prediction using Deep Learning Approaches”. PloS One, vol. 18, n. 4, 2023.
DOE, M. et al. “Influência das mídias sociais nas ações da Via Varejo”. Journal of Investment Strategies, vol. 4, n. 12, 2020.
FATOUROS, G. et al. “Transforming sentiment analysis in the financial domain with ChatGPT”. Machine Learning with Applications, vol. 12, 2023.
GORODNICHENKO, Y. et al. “The voice of monetary policy”. American Economic Review, vol.2, n. 113, 2023.
GURUSWAMY, B.; YU, W. B.; LEA, B. R. “A Theoretic Framework Integrating Text Mining and Energy Demand Forecasting”. International Journal of Electronic Business Management, vol. 5, n. 3, 2007.
HUANG, A. et al. “FinBERT: A Pretrained Language Model for Financial Communications”. Journal of Financial Data Science, vol. 5, n. 2, 2023.
JAWALE, P. et al. “Sentiment Analysis for Financial Markets”. International Journal for Research in Applied Science and Engineering Technology, vol. 11, 2023
JEON, J. et al. “News sentiment and stock price jumps: Evidence from a machine learning approach”. Journal of Financial Economics, vol. 146, n. 3, 2022.
JOHNSON, A.; BROWN, C. “O impacto das redes sociais na tomada de decisões financeiras”. Journal of Financial Analysis, vol. 2, n. 28, 2019.
KAHNEMAN, D.; TVERSKY, A. “Prospect Theory: An Analysis of Decision under Risk”. Econometrica, vol. 47, n. 2, 1979.
KANAKARAJ, M.; GUDDETI, R. M. R. “Performance analysis of Ensemble methods on Twitter sentiment analysis using NLP techniques”. Proceedings of the 2015 IEEE 9th International Conference on Semantic Computing. Anaheim: IEEE, 2015.
KIRTAC, R.; GERMANO, G. “Sentiment Analysis and Stock Market Prediction: A Comparative Study of Machine Learning Techniques”. SSRN [2024]. Disponível em: . Acesso em: 12/03/2025.
KÖCHE, I. G. et al. “Estratégias de inovação do modelo do negócio em fintechs”. Revista Boletim de Conjuntura (BOCA), vol. 14, n. 42, 2023.
KOUKARAS, P. et al. “Stock Market Prediction Using Microblogging Sentiment Analysis and Machine Learning”. Telecom, vol. Vol. 3, n. 2, 2022.
LIU, B. Sentiment analysis and opinion mining. London: Springer Nature, 2022.
LIU, T.; SHI, A. “The impact of news sentiment on intraday stock price volatility: Evidence from GPT-4 sentiment analysis”. Journal of Theoretical and Applied Electronic Commerce Research, vol. 19, 2024.
LOUGHRAN, T.; MCDONALD, B. “When is a Liability Not a Liability? Textual Analysis, Dictionaries, and 10‐Ks”. Journal of Finance, vol. 66, n. 1, 2011.
MAO, H. et al. “The role of social media sentiment in predicting stock market fluctuations: A large-scale empirical analysis”. Journal of Empirical Finance, vol. 72, 2023.
MULAKALA, B. K. et al. “Use of milk proteins as biomarkers of changes in the rumen metaproteome of Holstein cows fed low-fiber, high-starch diets”. Journal of Dairy Science, vol. 106, n. 12, 2023.
NAGAR, A.; HAHSLER, M. “Using Text and Data Mining Techniques to extract Stock Market Sentiment from Live News Streams”. International Conference on Computer Technology and Science. Singapore: IPCSIT Press, 2015.
NASSIRTOUSSI, A. K. et al. “Text Mining for Market Prediction: A Systematic Review”. Expert Systems with Applications, vol. 41, n. 16, 2015.
NYAKURUKWA, K.; SEETHARAM, Y. “Sentimental showdown: News media vs. social media in stock markets“. Heliyon, vol. 10, n. 9, 2024.
REIS, J. et al. “Uma abordagem multilíngue para análise de sentimentos”. Anais do IV Brazilian Workshop on Social Network Analysis and Mining. São Paulo: SBC, 2015
RISO, L.; VACCA, G. “Sentiment dynamics and volatility: A study based on GARCH-MIDAS and machine learning”. Finance Research Letters, vol. 60, 2024.
RIZINSKI, M. et al. “Sentiment Analysis in Finance: From Transformers Back to eXplainable Lexicons (XLex)”. ArXiv [2023]. Disponível em: . Acesso em: 20/02/2025.
SHAH, A.; MUKHERJEE, P.; PATEL, R. “Evaluating TextBlob and VADER for Financial Sentiment Analysis: Challenges and Performance Metrics”. Computational Economics Review, vol. 9, n. 2, 2022.
SHILLER, R. J. Narrative economics: how stories go viral and drive major economic events. Princeton: Princeton University Press, 2019
SHYNKEVICH, Y. et al. “Predicting stock price movements based on different categories of news articles”. IEEE [2015]. Disponível em: . Acesso em: 23/03/2025.
ŚPIEWANOWSKI, P.; TALAVERA, O.; VI, L. “Applications of Web Scraping in Economics and Finance”. Oxford Research Encyclopedia of Economics and Finance [2022]. Disponível em: . Acesso em: 12/02/2025.
TETLOCK, P. C. “Giving Content to Investor Sentiment: The Role of Media in the Stock Market”. Journal of Finance, vol. 62, n. 3, 2007.
VADER - Valence Aware Dictionary and sEntiment Reasoner. “Code”. VADER [2024]. Disponível em: . Acesso em: 10/02/2025.
WILSON, T.; WIEBE, J.; HOFFMANN, P. “Recognizing contextual polarity in phrase-level sentiment analysis”. Proceedings of Human Language Technology Conference and Conference on Empirical Methods in Natural Language Processing. Vancouver: Association for Computational Linguistics, 2005.
ZHAO, B. “Web scraping”. In: SCHINTLER, L.; MCNEELY, C. L. Encyclopedia of Big Data. London: Springer, 2017.