Google Trends e Mercado Financeiro

Com o consequente aumento do uso de mecanismos de buscas para se obter informações sobre qualquer objeto de interesse, foi criado uma nova forma de obter relações entre diversas variáveis através dos dados. Essa questão também pode ser aplicada ao mercado financeiro. Com a inserção de mais brasileiros no mundo das finanças, o aumento de pesquisas sobre termos relacionados a empresas podem ser úteis na investigação dos movimentos de seus preços. No post de hoje iremos realizar um exercício, no qual iremos ver a relação entre a pesquisa do termo "Ibovespa" no Google com a cotação mensal da Ibovespa.

Primeiro, devemos obter nossos dados. Um forma simples de extrair o número de pesquisa de um termo se dá através do Google Trends, e em que podemos utilizar o pacote {gtrendsR}. Para extrair os dados da Ibovespa, utilizamos o pacote {quantmod}.

library(gtrendsR)
library(tidyverse)
library(timetk)
library(quantmod)
library(astsa)
</pre>
# Busca o termo "Ibovespa"

data_gtrends = gtrends(keyword = c("Ibovespa"),
geo = "BR", time='all', onlyInterest=TRUE)

# Tratamos os dados, seleciona o período e transforma em time series

ibov_gtrends <- purrr::map_df(data_gtrends, ~ .x) %>%
dplyr::select(date,hits) %>%
filter(date > "2018-01-01") %>%
tk_ts(start = 2018, frequency = 12)
<pre>
</pre>
# Busca a cotação da Ibovespa

getSymbols("^BVsp",
warnings = FALSE,
from = "2018-01-01",
src = "yahoo")

# Transforma os dados em mensais

ibovespa_monthly <- BVSP %>%
to.period(period = "months",
OHLC = TRUE)

# Transforma em objeto time series, retirando a cotação ajustada

ibovespa_ts <- ts(Ad(ibovespa_monthly), start = c(2018, 01), freq = 12)
<pre>
</pre>
# Junta os dois objetos time series

ibov_all <- ts.intersect(ibov_gtrends, ibovespa_ts)

# Junta em um objeto data frame

ibov_df <- data.frame(date = as.Date(time(ibov_all)),
ibov_gtrends = ibov_all[,1],
ibovespa = ibov_all[,2]/1000)
<pre>

Vemos o comportamento das séries ao longo do tempo.

</pre>
# Plota os gráficos em conjunto

ggplot(ibov_df, aes(x = date))+
geom_line(aes(y = ibovespa, colour= 'Ibovespa'), size = .8)+
geom_line(aes(y = ibov_gtrends, colour = 'Ibovespa Gtrends'), size = .8)+
scale_y_continuous(sec.axis = sec_axis(~., name= 'Ibov Gtrends Hits'))+
scale_colour_manual('',
values=c('darkblue', 'red'))+
theme(legend.position = c(.2, .3))+
xlab('')+ylab('Ibovespa (mil pontos)')+
theme(axis.text.x = element_text(angle = 45, hjust = 1))+
labs(title='Ibovespa vs. Buscas por Ibovespa no Google',
caption='Fonte: analisemacro.com.br')
<pre>

 


Podemos ver a correlação entre as séries e em relação a sua defasagens. Há um correlação positiva entre ambas, porém, não podemos inferir um evento causal, sendo necessário maiores investigações.

lag2.plot(ibov_all[,"ibov_gtrends"], ibov_all[,"ibovespa_ts"], max.lag = 3)

________________________

(*) Para conhecer mais sobre as relações entre variáveis do mundo das finanças, veja nossos Cursos de Finanças Quantitativas.

________________________

 

 

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

O que é um Vector Database e como criar um com LangChain

Nesta postagem, mostramos como construir um pipeline simples de RAG (Retrieval-Augmented Generation) usando o LangChain, o modelo Gemini 2.0 Flash e o Vector Database Chroma. Utilizamos como exemplo o Relatório de Inflação de junho de 2025 do Banco Central do Brasil. O fluxo envolve o download e leitura do PDF, divisão do texto com RecursiveCharacterTextSplitter, geração de embeddings com Gemini, armazenamento vetorial com Chroma e busca semântica para responder perguntas com base no conteúdo do relatório. É uma aplicação prática e didática para economistas que desejam integrar IA ao seu fluxo de análise.

Automatizando a Construção de Códigos em Python com LangGraph

Neste post, mostramos como construir um agente de código em Python utilizando LangGraph, LangChain e Gemini. A proposta é construir um protótipo para automatizar o ciclo completo de geração, execução e correção de código com o uso de LLMs, organizando o processo em um grafo de estados.

Análise de Dados com REPL Tool e LLM usando LangGraph

Neste post, vamos mostrar como você pode criar um agente que interpreta e executa código Python em tempo real, utilizando o REPL-Tool e um LLM da família Gemini. Começamos com um exemplo genérico e, em seguida, aplicamos a mesma estrutura à análise econômica de uma série histórica do IPCA.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.