Previsão de volatilidade em ações brasileiras: o papel preditivo do Google Trends

Abstract

Este trabalho investiga se o Search Volume Index (SVI) do Google Trends, utilizado como proxy de atenção do investidor, possui poder preditivo sobre a volatilidade realizada semanal de ações brasileiras listadas na B3. A pesquisa compara três mode- los de previsão: o passeio aleatório (M0), como referência ingênua; o eGARCH(1,1) (M1); e o eGARCH-X(1,1) (M2), que incorpora a atenção anormal de buscas. A variável exógena é o desvio logarítmico do SVI em relação à sua mediana das oito semanas anteriores. A comparação baseia-se em um exercício de previsão fora da amostra, com janela móvel de 156 semanas e previsões de um passo à frente para um painel de 260 ações, avaliado pela função de perda QLIKE combinada ao procedi- mento Model Confidence Set (MCS). Os resultados mostram que ambos os modelos eGARCH superam amplamente o passeio aleatório, mas o conjunto de confiança do MCS, ao nível de 10%, contém exclusivamente o eGARCH puro. Portanto, a inclusão da atenção de buscas não melhora a previsão da volatilidade no agregado, resultado robusto a diferentes critérios de filtragem das séries. Ao mesmo tempo, o coeficiente associado ao SVI é estatisticamente significativo em pelo menos metade das janelas para 101 dos 260 ativos. Além disso, os tickers com SVI significativo em mais de 70% da previsão fora da amostra possuem maior volatilidade realizada média que os demais. Conclui-se que a significância estatística do coeficiente de atenção e a sua utilidade preditiva fora da amostra são fenômenos empiricamente independentes, e que a atenção anormal do investidor segue a volatilidade realizada, em vez de antecedê-la. Os achados contribuem para a literatura de finanças comportamentais e atenção do investidor em mercados emergentes, sinalizando que a atenção captada por buscas na internet tem relevância estatística para a dinâmica da volatilidade, mas benefício preditivo incremental limitado e heterogêneo entre os ativos.

This study investigates whether the Google Trends Search Volume Index (SVI), used as a proxy for investor attention, has predictive power over the weekly realized volatility of Brazilian stocks listed on B3. The analysis compares three forecasting models: a random walk benchmark (M0), serving as a naïve reference model; an eGARCH(1,1) model (M1); and an eGARCH-X(1,1) model (M2), which incorporates abnormal search attention. The exogenous variable is defined as the logarithmic de- viation of the SVI from its median over the previous eight weeks. Model performance is evaluated through an out-of-sample forecasting exercise using a rolling window of 156 weeks and one-step-ahead forecasts for a panel of 260 stocks. Forecast accuracy is assessed using the QLIKE loss function combined with the Model Confidence Set (MCS) procedure. The results show that both eGARCH specifications substantially outperform the random walk benchmark. However, at the 10% significance level, the MCS confidence set contains only the standard eGARCH model. Therefore, the inclusion of search-based attention does not improve volatility forecasts in the aggre- gate, a result that remains robust across different data-filtering criteria. At the same time, the coefficient associated with the SVI is statistically significant in at least half of the estimation windows for 101 of the 260 assets. Furthermore, stocks for which the SVI coefficient is significant in more than 70% of the out-of-sample fore- casting period exhibit higher average realized volatility than the remaining stocks. These findings indicate that the statistical significance of the attention coefficient and its out-of-sample predictive usefulness are empirically distinct phenomena. The evidence suggests that abnormal investor attention tends to follow realized volatility rather than precede it. The study contributes to the literature on behavioral finance and investor attention in emerging markets by showing that internet search activ- ity carries statistical relevance for volatility dynamics, while providing limited and heterogeneous incremental forecasting benefits across assets.