Thị trường tài chính và hành vi tìm kiếm trên Internet

Nghiên cứu rất thú vị mới đây trong năm 2013 của nhóm tác giả Tobias Preis, Helen Susannah Moat & H. Eugene Stanley đến từ đại học Boston cho thấy bằng việc nghiên cứu sự tương tác của con người với Internet, chúng ta có thể dự báo biến động của thị trường chứng khoán. Trong nghiên cứu của mình, nhóm tác giả đã chứng minh rằng, bằng việc phân tích khối lượng tuy vấn một số từ khóa tren Google liên quan đến thị trường tài chính, chúng ta có thể có được những “chỉ báo sớm” để dự báo thị trường.

Bằng việc sử dụng công cụ Google Trend để thống kê số lượt tìm kiếm trên Google, với 98 cụm “từ khóa” khác nhau liên quan nhiều nhất đến thị trường tài chính, nghiên cứu của nhóm tác giả cho thấy trong giai đoạn 2004-2011, cụm từ khóa “debt” là cụm từ khóa liên quan nhiều nhất đến cuộc khủng hoảng tài chính và mang lại hiệu quả trading tốt nhất.

Để phân tích mối quan hệ giữa khối lượng tìm kiếm từ khóa và quyết định giao dịch trên thị trường, nhóm nghiên cứu tiến phân tích giá đóng cửa p(t) của chỉ số Dow Jones trong ngày giao dịch đầu tiên của tuần thứ t. Họ sử dụng công cụ Google Trends để thống kê số lượt tìm kiếm cho 1 từ khóa cụ thể (ví dụ “debt”) ở tuần n-1, (ký hiệu n(t-1)) ở đây Google xác đinh 1 tuần kết thúc vào ngày chủ nhật. Để định lượng sự thay đổi hành vi thu thập thong tin, họ sử dụng sự thay đổi tương đối trong khối lượng tìm kiếm: với  

Bảng dưới đây thể hiện sự thay đổi trong khối lượng tìm kiếm từ khóa “debt” và chỉ số DowJones với  = 3 tuần.

Để nghiên cứu sự thay đổi của hành vi thu thập thong tin được phản ánh như thế nào qua Google Trend, một chiến lược giao dịch được thiết lập như sau:

+bán DJ tại mức giá đóng cửa đầu tuần p(t) và mua lại DJ vào mức giá p(t+1) (Vị thế “short position”).

+   , mua DJ tại mức giá đóng cửa đầu tuần p(t) và bán DJ vào mức giá p(t+1) (Vị thế “long position”).

Với “short position” tỷ suất sinh lợi của một quyết định trading là . Với “long position” tỷ suất sinh lợi của một quyết định trading là log⁡(p(t) )-log⁡(p(t+1)). Với “long position” tỷ suất sinh lợi của một quyết định trading là log⁡(p(t+1) )-log⁡(p(t).

Với số vốn đầu tư ban đầu là 1. Với nghiên cứu này, họ bỏ qua phí giao dịch vì số giao dịch lớn nhất trong các từ khóa trong giai đoạn 2004-2012 chỉ là 104 giao dịch và do đó giả định này sẽ không tác động nhiều đến TSSL trong thực tế.

Kết quả nghiên cứu cho thấy từ khó “debt” với tuần đem lại tỷ suất lợi nhuận cao nhất trong giai đoạn 2004-2011 với TSSL tích lũy 326%. Bảng dưới đây so sánh TSSL sử dụng Google Trend với TSSL DowJones và RandomWalk.

Kết quả Trading với một số từ khóa khác.

Thực hiện cả ‘short position” và “long postion” với cột A sử dụng dữ liệu truy cập ở Mỹ và cột B sử dụng dữ liệu toàn cầu.

Chỉ thực hiện “long postion” với cột A sử dụng dữ liệu truy cập ở Mỹ và cột B sử dụng dữ liệu toàn cầu.

Kết luận:

Nghiên cứu thú vị trên của nhóm tác giả đến từ Đại học Boston không phải là nghiên cứu đầu tiên về hành vi tìm kiếm và truy cập Internet và mối tương quan với thị trường chứng khoán. Trước đó, nghiên cứu của Bordino và cộng sự (2012), hay sớm hơn là nghiên cứu của Onnela, J. P., Arbesman, S., Gonzalez, M. C., Barabasi, A. L. & Christakis (2011) đã đề cập đến vần đề hành vi truy cập Yahoo, hay các mạng xã hôi đến quyết định đầu tư. Nghiên cứu trên bổ sung them một phương pháp đo lường thú vị cho chủ đề nghiên cứu này.

Khi Internet ngày càng phát triển và trở thành một phần quan trọng trong cuộc sống của chúng ta, tất nhiên lĩnh vực đầu tư tài chính cũng không ngoại lệ. Tâm lý, cảm xúc và sự đánh giá của con người về thị trường cũng được thể hiện thông qua cách mà chúng ta sử dụng Internet. Do đó, hoàn toàn có thể đo lường hành vi này để dự báo thị trường. Ở Việt Nam, chúng tôi không tìm thấy bất kỳ nghiên cứu nào liên quan đến chủ đề này và đây có thể là một chủ đề mới và thú vị để các bạn có thể nghiên cứu và trao đổi.

Tài liệu tham khảo

1. Axtell, R. L. Zipf distribution of US firm sizes. Science 293 , 1818–1820 (2001).

2. King, G. Ensuring the Data-Rich Future of the Social Sciences. Science 331 , 719–721 (2011).

3. Vespignani, A. Predicting the Behavior of Techno-Social Systems. Science 325 , 425–428 (2009).

4. Petersen, A. M., Tenenbaum, J. N., Havlin, S., Stanley, H. E. & Perc, M. Languages cool as they expand: Allometric scaling and the decreasing need for new words. Scientific Reports 2 , 943 (2012).

5. Bordino, I. et al . Web Search Queries Can Predict Stock Market Volumes. PLoSOne 7, e40014 (2012).

6. Tobias Preis, Helen Susannah Moat & H. Eugene, Quantifying Trading Behavior in Financial Markets Using Google Trends (2013).