10 de agosto de 2026
Correlação entre sentimento de manchetes financeiras e retornos do ETF BOVA11
André Baconcelo Prado Furlanetti; Marisa Gomes da Costa
DOI: 10.22167/2675-6528-202600569
Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.
Resumo
O crescente mercado de capitais brasileiro e a proliferação de informações financeiras intensificaram o interesse no papel da mídia na formação de preços. Este estudo analisou a correlação entre um indicador de sentimento, construído a partir do modelo de Processamento de Linguagem Natural (PLN) FinBERT-PT-BR, e os retornos logarítmicos diários do Exchange Traded Fund (ETF) BOVA11 no ano de 2025. Coletaram-se 19.021 manchetes de três portais financeiros brasileiros (InfoMoney, MoneyTimes e Exame) por meio de suas interfaces de programação REST. O modelo FinBERT-PT-BR classificou cada manchete em sentimento positivo, neutro ou negativo, e sua validação manual alcançou acurácia de 76,77% e F1-macro de 0,77. A correlação de Pearson, regressão por Mínimos Quadrados Ordinários (MQO) e o teste de causalidade de Granger foram empregados para analisar a relação entre as séries. A correlação de Pearson contemporânea entre o sentimento médio diário e o retorno do BOVA11 foi de r = +0,36 (p < 0,001), enquanto as defasagens de um a cinco dias não apresentaram significância estatística. A regressão MQO estimou um coeficiente β = +0,031 (p < 0,001) com R² = 0,128. O teste de causalidade de Granger indicou bidirecionalidade parcial: a direção retorno para sentimento foi significativa nas defasagens 1 a 4, e a direção sentimento para retorno apresentou significância nas defasagens 2 a 4. Os achados sugeriram que o sentimento atuou predominantemente como indicador coincidente, alinhado à hipótese de feedback da mídia. Contudo, o uso de múltiplas fontes revelou sinais parciais de precedência informacional da mídia sobre o mercado, indicando que o indicador de sentimento pode servir como ferramenta auxiliar na confirmação de regime de mercado para gestores e analistas.
Palavras-chave: Análise de sentimento; Causalidade de Granger; ETF; FinBERT-PT-BR; Mercado financeiro brasileiro.
1. Introdução
O mercado de capitais brasileiro tem experimentado um crescimento expressivo na última década. Este cenário tem ampliado significativamente o volume de informações financeiras veiculadas por diversos portais especializados, ao mesmo tempo em que intensifica o interesse acadêmico sobre o papel da mídia na formação de preços dos ativos. A B3, por exemplo, registra volumes recordes de negociação e um número crescente de investidores pessoa física, o que sublinha a relevância da informação. Nesse ambiente dinâmico, a velocidade e o volume de dados financeiros disponíveis tornam-se fatores determinantes para a tomada de decisão, pois a assimetria informacional entre os agentes de mercado pode gerar tanto oportunidades quanto riscos desproporcionais (Hayashi, 2017). A mídia financeira, com portais como InfoMoney, MoneyTimes e Exame, exerce um papel central ao sintetizar eventos macroeconômicos, resultados corporativos e expectativas de mercado em manchetes que são amplamente consumidas por investidores institucionais e individuais.
A relação entre a informação midiática e o comportamento dos ativos financeiros tem sido extensivamente documentada na literatura internacional. Pesquisas anteriores demonstraram que o sentimento dos investidores influencia os retornos de ações, particularmente de empresas menores e mais voláteis, estabelecendo o sentimento como um fator relevante na formação de preços (Baker e Wurgler, 2006). Aprofundando essa perspectiva, estudos indicam que o conteúdo pessimista de colunas jornalísticas pode exercer pressão descendente sobre os preços de mercado, introduzindo a hipótese de feedback da mídia. Segundo essa hipótese, os veículos de comunicação tendem a refletir, e não a antecipar, os movimentos do mercado (Tetlock, 2007).
No contexto brasileiro, a investigação sobre a relação entre sentimento e mercado acionário também tem ganhado destaque. Souza e Martins (2022) investigaram a relação entre o sentimento extraído do Twitter e o desempenho do Ibovespa, identificando uma correlação positiva contemporânea, mas sem evidência de poder preditivo. Resultados convergentes foram obtidos por Medeiros e Borges (2019), que aplicaram análise de sentimento a tweets relacionados ao mercado acionário brasileiro, reforçando a predominância da direção causal do retorno para o sentimento. Esses estudos, embora importantes, concentraram-se majoritariamente em dados de redes sociais.
A evolução dos modelos de Processamento de Linguagem Natural (PLN) tem possibilitado avanços significativos na classificação automatizada de sentimento em textos financeiros. Modelos baseados na arquitetura Transformer, como o BERT e suas variantes especializadas, superaram abordagens léxicas tradicionais ao capturar nuances semânticas dependentes de contexto (Januário et al., 2022). No cenário brasileiro, Santos et al. (2023) desenvolveram o FinBERT-PT-BR, um modelo ajustado especificamente para o domínio financeiro em português, demonstrando desempenho superior aos modelos genéricos na classificação de manchetes e relatórios de mercado. A eficácia de abordagens especializadas foi confirmada por Beltramini (2024) ao comparar grandes modelos de linguagem na avaliação de sentimentos sobre o Ibovespa. Além disso, Schmitz et al. (2022) demonstraram que manchetes de portais financeiros constituem uma unidade textual suficiente para capturar o sentimento predominante de uma notícia, dispensando a análise do corpo completo.
Apesar desses avanços e da crescente literatura, a maioria dos estudos brasileiros sobre análise de sentimento e mercado acionário tem se concentrado em redes sociais, com o Twitter sendo a principal fonte de dados textuais (Souza e Martins, 2022; Medeiros e Borges, 2019). Embora alguns trabalhos tenham utilizado portais de notícias e até combinado múltiplas fontes jornalísticas, como Schmitz et al. (2022), que propuseram um sistema de categorização de manchetes, esses estudos não empregaram modelos de sentimento baseados em Transformer nem correlacionaram sistematicamente o indicador resultante com retornos de ativos por meio de técnicas econométricas como regressão de Mínimos Quadrados Ordinários (MQO) e causalidade de Granger. Dessa forma, a combinação de um corpus multi-fonte jornalístico com modelos de PLN especializados para a análise da relação sentimento-retorno no mercado brasileiro permanece pouco explorada.
Este estudo justifica-se por duas contribuições complementares. No plano acadêmico, propõe um pipeline reprodutível de coleta, classificação e análise de sentimento a partir de três portais financeiros brasileiros, utilizando o FinBERT-PT-BR em um corpus multi-fonte, avançando em relação aos trabalhos anteriores que se limitaram a fontes únicas ou a redes sociais. No plano prático, avalia se o indicador de sentimento resultante pode servir como ferramenta auxiliar de confirmação de regime de mercado para gestores e analistas, contribuindo para a gestão de risco ao oferecer uma dimensão complementar às métricas tradicionais. Assim, o objetivo deste estudo é analisar a correlação entre o indicador de sentimento construído a partir do modelo FinBERT-PT-BR, aplicado a manchetes de três portais financeiros brasileiros, e os retornos logarítmicos diários do ETF BOVA11 no ano de 2025.
2. Material e Métodos
A presente pesquisa caracterizou-se como quantitativa, descritiva e exploratória, combinando técnicas de Finanças Computacionais e Processamento de Linguagem Natural (PLN). O estudo foi delineado para investigar a relação entre o sentimento midiático e os retornos de mercado, buscando analisar a correlação entre um indicador de sentimento e os retornos logarítmicos diários do ETF BOVA11, conforme o objetivo estabelecido.
Os dados textuais foram coletados de três portais financeiros brasileiros: InfoMoney, MoneyTimes e Exame. A coleta ocorreu por meio de suas respectivas interfaces de programação REST, que são baseadas na plataforma WordPress, utilizando o endpoint /wp-json/wp/v2/posts. O período de coleta abrangeu de 1º de janeiro a 31 de dezembro de 2025, garantindo um ano completo de observações.
Para a coleta, utilizaram-se 31 termos de busca relacionados ao mercado de capitais e à macroeconomia brasileira. Esses termos incluíram índices e instrumentos como Ibovespa, BOVA11, Bolsa, Ações, Mercado e B3, além de variáveis macroeconômicas como Câmbio, Dólar, Juros, Selic, Inflação, IPCA, CDI e Economia. Também foram incluídas instituições como Banco Central, Copom e Fazenda, e empresas de grande capitalização como Petrobras, Vale, Itaú, Bradesco, Banco do Brasil, Ambev, Eletrobras, WEG, Suzano, Gerdau, Localiza, Rumo, Equatorial e BTG Pactual.
O pipeline de coleta de dados operou em etapas sequenciais. Inicialmente, para cada portal e termo de busca, realizou-se a paginação completa dos resultados da interface de programação. Em seguida, as manchetes duplicadas foram removidas com base na URL (Uniform Resource Locator) única de cada publicação. Por fim, aplicou-se um filtro temático baseado em trinta palavras-chave do domínio financeiro e macroeconômico para excluir publicações fora do escopo, resultando em um corpus de 19.021 manchetes.
As manchetes publicadas após as 18h00 foram atribuídas ao próximo dia útil, considerando que o mercado à vista da B3 já se encontrava encerrado nesse horário, o que impossibilitaria a incorporação da informação nos preços do mesmo dia (Igarashi et al., 2021). Optou-se pela análise exclusiva de manchetes, sem considerar o corpo completo da notícia, com base na evidência de que os títulos são suficientes para capturar o sentimento predominante (Schmitz et al., 2022).
O sentimento de cada manchete foi classificado pelo modelo FinBERT-PT-BR (lucas-leme/FinBERT-PT-BR), desenvolvido por Santos et al. (2023). Este modelo é ajustado especificamente para textos financeiros em português brasileiro. Ele atribuiu a cada manchete uma distribuição de probabilidades sobre três classes de sentimento: positiva, neutra e negativa.
O score de sentimento foi calculado como a diferença entre a probabilidade positiva e a negativa, resultando em um valor contínuo no intervalo de -1 a +1. Para validar a confiabilidade do modelo no corpus utilizado, realizou-se uma auditoria manual estratificada em 155 manchetes, abrangendo as três classes de sentimento de forma aproximadamente balanceada. A classificação humana foi realizada por um único avaliador, o autor do estudo, que atribuiu a cada manchete a classe de sentimento predominante sem consultar a classificação do modelo.
Como proxy do mercado acionário brasileiro, utilizou-se o Exchange Traded Fund (ETF) BOVA11, que replica a carteira teórica do Ibovespa. Os preços de fechamento ajustados do BOVA11 foram obtidos por meio da biblioteca yfinance. O retorno logarítmico diário foi calculado pela razão entre o preço de fechamento ajustado do dia atual e o preço de fechamento ajustado do dia anterior, aplicando-se o logaritmo natural a essa razão.
Após o cálculo dos retornos, realizou-se o alinhamento entre a série de sentimento diário e a série de retornos do BOVA11. Foram excluídos os dias sem negociação (feriados e fins de semana) e os dias sem cobertura midiática. Dias em que houve cobertura midiática, mas não houve pregão, foram descartados. Não se aplicou imputação de valores ausentes, preservando-se a integridade dos dados observados, o que resultou em 247 observações pareadas.
Antes da análise de correlação e regressão, verificou-se a estacionariedade de ambas as séries por meio do teste Aumentado de Dickey-Fuller (ADF). A correlação linear entre sentimento e retorno foi mensurada pelo coeficiente de Pearson, calculado para defasagens de zero a cinco dias úteis. A relação funcional foi estimada por regressão de Mínimos Quadrados Ordinários (MQO), onde o retorno diário foi modelado como uma função linear do sentimento médio diário, acrescido de um termo de erro.
A precedência temporal entre as séries foi investigada pelo teste de causalidade de Granger (Granger, 1969), avaliando-se defasagens de um a cinco dias úteis. Essa faixa de defasagens foi definida com base no ciclo semanal do mercado (cinco dias úteis) e no critério de informação de Akaike (AIC), que indicou modelos parcimoniosos dentro desse intervalo. O teste avaliou se os valores passados de uma série contribuíam para a predição da outra série além do que já era explicado por seus próprios valores passados, utilizando a estatística F baseada na soma dos quadrados dos resíduos. Adotou-se o nível de significância convencional de 5%, reportando-se também os resultados marginalmente significativos a 10%.
3. Resultados e Discussão
A análise dos resultados desta pesquisa revelou padrões significativos na relação entre o sentimento extraído de manchetes financeiras e os retornos do ETF BOVA11, fornecendo insights sobre a dinâmica informacional no mercado de capitais brasileiro. O estudo iniciou com a construção de um corpus robusto e a validação de um modelo de Processamento de Linguagem Natural especializado, estabelecendo a base para as análises econométricas subsequentes. Os achados indicaram uma associação contemporânea positiva entre o sentimento e os retornos, além de um complexo padrão de causalidade bidirecional, que será detalhado nas seções a seguir, em conformidade com o objetivo de analisar a correlação entre o indicador de sentimento e os retornos logarítmicos diários do BOVA11 no ano de 2025.
Composição do corpus
O corpus textual, fundamental para a análise de sentimento, foi composto por 19.021 manchetes coletadas de três portais financeiros brasileiros: InfoMoney, MoneyTimes e Exame. A distribuição das manchetes entre as fontes demonstrou uma cobertura diversificada, com o InfoMoney contribuindo com a maior parcela (39,6%), seguido pelo MoneyTimes (35,9%) e pelo Exame (24,5%). Essa diversificação foi uma estratégia deliberada para mitigar o risco de viés editorial que poderia estar associado a uma única fonte, garantindo uma representatividade mais ampla do discurso midiático financeiro. Ao longo do período analisado, que abrangeu 261 dias úteis, a média diária de manchetes foi de 72,9, com um desvio-padrão de 18,4, indicando uma cobertura consistente e substancial.
Validação do FinBERT-PT-BR
A confiabilidade do modelo FinBERT-PT-BR na classificação de sentimento foi avaliada por meio de uma auditoria manual estratificada em 155 manchetes. Os resultados demonstraram um desempenho robusto, com acurácia de 76,77% e um F1-macro de 0,77. Notavelmente, o modelo exibiu uma elevada sensibilidade na detecção de sentimentos negativos, alcançando um recall de 93% na classe negativa. Este achado é particularmente relevante para aplicações em gestão de risco, onde a identificação precisa de sinais pessimistas é crucial. O principal padrão de erro observado foi a classificação de manchetes neutras como negativas em 15 casos, sugerindo um viés conservador do modelo em situações de ambiguidade textual. O desempenho do FinBERT-PT-BR neste estudo superou o reportado por Beltramini (2024) para o mesmo modelo em textos de redes sociais, que obteve um F1-macro de 0,63. Essa diferença pode ser atribuída à natureza mais estruturada e formal das manchetes jornalísticas em comparação com a linguagem frequentemente coloquial e irônica das redes sociais.
Distribuição do sentimento
A análise da distribuição dos scores de sentimento das 19.021 manchetes revelou uma predominância de conteúdo negativo, que representou 46,3% do total. As manchetes neutras corresponderam a 30,0%, enquanto as positivas somaram 23,7%. O score médio de sentimento agregado foi de -0,210, com um desvio-padrão de 0,589, indicando um viés geral para o pessimismo. Este viés negativo é consistente com a literatura acadêmica, que frequentemente documenta a tendência do jornalismo financeiro em enfatizar riscos, perdas e volatilidade, em detrimento de eventos positivos (Tetlock, 2007; Januário et al., 2022). A expressiva proporção de manchetes neutras, por sua vez, refletiu a natureza intrinsecamente informativa de uma parte considerável da cobertura jornalística, que frequentemente reporta dados econômicos e eventos de mercado sem atribuir uma valência emocional explícita, focando na objetividade da informação.
A evolução do sentimento médio diário e o volume de manchetes ao longo de 2025 mostraram flutuações que acompanharam eventos macroeconômicos relevantes do período. A série de sentimento agregado apresentou uma média de -0,212, com um desvio-padrão de 0,116. Observou-se uma tendência de atenuação do viés negativo ao longo do ano, com o sentimento médio mensal passando de -0,22 em janeiro para -0,14 em dezembro. Essa melhora gradual no sentimento pode ser interpretada como um reflexo das expectativas econômicas que se tornaram mais favoráveis ao longo de 2025, indicando que a mídia capturou e transmitiu uma percepção de recuperação ou estabilização do cenário econômico, o que é um fator importante para o comportamento dos investidores e do mercado.
Estacionariedade
Antes de prosseguir com as análises de correlação e regressão, a estacionariedade das séries de dados foi verificada por meio do teste Aumentado de Dickey-Fuller (ADF). Os resultados indicaram que tanto a série de retorno do BOVA11 quanto a série de sentimento diário foram estacionárias em nível, com valores p inferiores a 0,001. As estatísticas de teste ADF para ambas as séries foram significativamente inferiores aos valores críticos a 1% (-3,46), o que dispensou a necessidade de transformações adicionais, como a diferenciação. A confirmação da estacionariedade das séries é um pressuposto crucial para a aplicação de métodos econométricos como o coeficiente de Pearson, a regressão por Mínimos Quadrados Ordinários (MQO) e o teste de causalidade de Granger, garantindo a validade e a confiabilidade dos resultados obtidos.
Correlação de Pearson
A análise da correlação de Pearson revelou uma associação linear positiva e estatisticamente significativa entre o sentimento médio diário e o retorno logarítmico contemporâneo do BOVA11. O coeficiente de correlação no lag 0 foi de r = +0,358, com p < 0,001. Este resultado sugere que, no mesmo dia, um sentimento mais otimista nas manchetes tende a coincidir com retornos mais elevados do ETF. No entanto, para as defasagens de um a cinco dias úteis, nenhuma correlação apresentou significância estatística ao nível de 5%, indicando que a correlação bivariada simples entre o sentimento e os retornos subsequentes foi fraca. É importante notar que a análise simultânea de múltiplas defasagens pode aumentar a probabilidade de se obter resultados significativos por acaso, o que reforça a interpretação de ausência de poder preditivo nas correlações defasadas, embora não descarte relações preditivas mais complexas, que podem ser captadas por modelos multivariados.
Este achado de correlação contemporânea é consistente com estudos anteriores realizados no contexto brasileiro, como os de Souza e Martins (2022) e Medeiros e Borges (2019), que também identificaram correlação significativa apenas no lag contemporâneo ao utilizar dados do Twitter. Contudo, a magnitude da correlação observada neste estudo (r = +0,36) foi superior àquelas obtidas com dados de redes sociais. Isso sugere que os portais financeiros especializados, ao produzirem conteúdo editado por jornalistas profissionais, podem gerar um sinal de sentimento menos ruidoso e mais diretamente relacionado ao mercado do que as informações disseminadas em plataformas de mídia social, que são frequentemente mais suscetíveis a ruídos e subjetividades.
A análise da correlação móvel de 30 dias revelou que a associação entre sentimento e retorno, embora variável em intensidade, manteve-se positiva ao longo de 100% dos dias analisados. A média da correlação móvel situou-se em +0,39, com mediana de +0,41 e desvio-padrão de 0,14, e uma amplitude que variou de +0,05 a +0,62. Essa estabilidade do sinal positivo, sem inversões ao longo do período, reforça a robustez da associação contemporânea identificada. A variabilidade na intensidade da correlação móvel sugere que a influência do sentimento pode ser mais proeminente em certos períodos, possivelmente em resposta a eventos específicos do mercado ou a mudanças no regime de volatilidade, o que pode ser um ponto para futuras investigações.
Regressão MQO
Os resultados da regressão por Mínimos Quadrados Ordinários (MQO) do retorno sobre o sentimento contemporâneo indicaram um coeficiente estimado β = +0,031, com p < 0,001. Este valor sugere que um aumento de uma unidade no score de sentimento esteve associado a um acréscimo de aproximadamente 3,1 pontos percentuais no retorno logarítmico diário do BOVA11. É crucial ressaltar que, por se tratar de uma relação contemporânea, não é possível descartar a possibilidade de simultaneidade, onde o sentimento das manchetes e o retorno do mercado podem ter sido mutuamente influenciados por fatores comuns no mesmo dia. Assim, o coeficiente estimado reflete uma associação, e não necessariamente um efeito causal unidirecional.
Em termos práticos, considerando que o desvio-padrão do sentimento diário foi de 0,116, uma variação de um desvio-padrão no sentimento correspondeu a uma variação de aproximadamente 0,36 ponto percentual no retorno diário. Embora modesto em escala diária, esse impacto pode representar diferenças relevantes em horizontes de investimento mais longos. O coeficiente de determinação (R²) de 12,8% indicou que o sentimento das manchetes explicou uma fração limitada, mas estatisticamente significativa, da variação dos retornos diários. Este resultado é esperado, dada a complexidade dos retornos de ativos financeiros, que são influenciados por múltiplos fatores macroeconômicos, setoriais, regulatórios e comportamentais, conforme preconizado pela Hipótese de Mercados Eficientes (HME) de Fama (1970). Contudo, um R² dessa magnitude é relevante no contexto de modelos univariados aplicados a retornos de ativos, nos quais valores superiores a 10% são incomuns em frequência diária.
Em uma análise complementar, um modelo de regressão múltipla que incluiu o sentimento contemporâneo e suas defasagens de um e dois dias foi estimado. Este modelo alcançou um R² de 0,157 (R² ajustado = 0,147), representando um incremento de 2,9 pontos percentuais em relação ao modelo simples. O coeficiente do sentimento contemporâneo manteve-se significativo (β = +0,034; p < 0,001), enquanto o sentimento defasado em dois dias apresentou um coeficiente negativo e significativo (βt-2 = −0,015; p = 0,007). Este resultado sugeriu que, após dias de sentimento positivo, houve uma tendência de reversão parcial nos retornos dois dias depois, um padrão compatível com a dinâmica de overreaction e correção documentada por De Bondt e Thaler (1985). O sentimento defasado em um dia, por sua vez, não apresentou contribuição significativa (p = 0,993). O valor de Durbin-Watson de 2,363, próximo de 2, indicou ausência de autocorrelação serial relevante nos resíduos, reforçando a adequação do modelo de regressão para os dados analisados.
Causalidade de Granger
O teste de causalidade de Granger foi empregado para investigar a precedência temporal entre as séries de sentimento e retorno, avaliando se os valores passados de uma série contribuem para a previsão da outra, sem implicar causalidade no sentido estrito. Os resultados revelaram um padrão de bidirecionalidade assimétrica. Na direção Retorno → Sentimento, observou-se significância ao nível de 5% nas defasagens de um a quatro dias (p < 0,05). Isso indica que os retornos passados do BOVA11 continham informação preditiva sobre o tom das manchetes subsequentes, um achado que é compatível com a hipótese de feedback da mídia (Tetlock, 2007) e com a Hipótese de Mercados Eficientes (HME) na forma semiforte (Fama, 1970). Ou seja, os portais financeiros tenderam a refletir nas manchetes dos dias seguintes o desempenho observado nos pregões anteriores, um padrão consistente com a literatura brasileira (Souza e Martins, 2022; Medeiros e Borges, 2019).
Na direção Sentimento → Retorno, identificou-se significância ao nível de 5% nas defasagens dois, três e quatro (p = 0,009, p = 0,025 e p = 0,046, respectivamente), além de significância marginal a 10% nas defasagens um e cinco. Este resultado sugeriu que o sentimento agregado das manchetes continha informação preditiva sobre os retornos com dois a quatro dias de antecedência. Embora esta evidência seja sugestiva, ela deve ser interpretada com cautela, considerando que os p-valores se situaram próximos ao limiar de 5% e que o tamanho amostral de 247 observações pode limitar o poder estatístico em defasagens múltiplas. Para confirmar a robustez desse sinal, estudos com amostras maiores seriam necessários, permitindo uma análise mais aprofundada e conclusiva sobre a capacidade preditiva do sentimento midiático.
O padrão de bidirecionalidade assimétrica observado indicou que o mercado precedeu a mídia de forma mais imediata, com significância já no lag um, enquanto as manchetes precederam os retornos com uma defasagem ligeiramente maior, a partir do lag dois. Essa assimetria é coerente com a dinâmica esperada do mercado financeiro e da mídia: os portais financeiros reagem rapidamente aos eventos de mercado, incorporando-os em suas notícias. Contudo, ao sintetizarem análises de múltiplos analistas e fontes, esses portais podem também conter informações que, de forma marginal, antecipam o consenso dos investidores, oferecendo um sinal preditivo que, embora sutil, pode ser valioso para a compreensão das tendências de mercado.
Em síntese, o estudo demonstrou que o indicador de sentimento construído a partir de manchetes financeiras, utilizando o modelo FinBERT-PT-BR, apresentou uma correlação contemporânea positiva e estatisticamente significativa com os retornos do BOVA11. Embora o sentimento tenha atuado predominantemente como um indicador coincidente, alinhado à hipótese de feedback da mídia, a análise de causalidade de Granger revelou sinais parciais de precedência informacional da mídia sobre o mercado em defasagens de dois a quatro dias. Esses achados sugerem que o indicador de sentimento pode servir como uma ferramenta auxiliar na confirmação de regime de mercado para gestores e analistas, complementando as métricas tradicionais e contribuindo para uma gestão de risco mais informada no dinâmico mercado de capitais brasileiro.
4. Conclusão
O presente estudo analisou a correlação entre um indicador de sentimento, construído a partir do modelo FinBERT-PT-BR aplicado a manchetes de três portais financeiros brasileiros, e os retornos logarítmicos diários do ETF BOVA11 no ano de 2025. Verificou-se uma associação contemporânea positiva e estatisticamente significativa entre o sentimento médio diário e os retornos do BOVA11, com um coeficiente de Pearson de +0,36. A regressão por Mínimos Quadrados Ordinários indicou que um aumento de uma unidade no score de sentimento esteve associado a um acréscimo de aproximadamente 3,1 pontos percentuais no retorno diário, explicando 12,8% da variação dos retornos. O teste de causalidade de Granger revelou um padrão de bidirecionalidade assimétrica. Observou-se que os retornos passados do BOVA11 continham informação preditiva sobre o sentimento das manchetes nas defasagens de um a quatro dias, alinhado à hipótese de feedback da mídia. Contudo, o sentimento das manchetes também apresentou informação preditiva sobre os retornos com dois a quatro dias de antecedência, sugerindo uma precedência informacional parcial da mídia sobre o mercado. A principal contribuição acadêmica reside na proposição de um pipeline reprodutível de coleta, classificação e análise de sentimento em um corpus multi-fonte jornalístico, avançando em relação a estudos anteriores. No plano prático, o indicador de sentimento pode servir como ferramenta auxiliar na confirmação de regime de mercado para gestores e analistas, complementando métricas tradicionais na gestão de risco.
Este estudo, contudo, apresentou algumas limitações. A análise restringiu-se ao ano de 2025, um período com condições macroeconômicas específicas que podem ter influenciado os padrões observados. Utilizaram-se apenas manchetes, sem considerar o corpo completo das notícias, o que pode ter restringido a riqueza semântica do sinal de sentimento. As fontes foram limitadas a portais de língua portuguesa, excluindo veículos internacionais que poderiam influenciar investidores institucionais. Adicionalmente, o tamanho amostral de 247 dias úteis, embora adequado para as análises empregadas, pode ser insuficiente para conclusões robustas sobre causalidade em defasagens específicas. Para pesquisas futuras, sugere-se a inclusão de dados de redes sociais para comparação direta com fontes jornalísticas, a utilização de dados intradiários para capturar efeitos de curto prazo, a adoção de modelos multivariados que incorporem variáveis macroeconômicas de controle, como taxa de câmbio e índice de volatilidade, e a extensão do período de análise para verificar a estabilidade dos resultados em diferentes ciclos de mercado, particularmente em períodos de crise.
Referências Bibliográficas
Baker, M.; Wurgler, J. 2006. Investor sentiment and the cross-section of stock returns. Journal of Finance 61(4): 1645–1680.
Beltramini, J.V. 2024. Análise comparativa de grandes modelos de linguagem na avaliação de sentimentos sobre o IBOVESPA em redes sociais. Trabalho de Conclusão de Curso, Universidade Federal de Santa Catarina, Florianópolis, SC, Brasil.
De Bondt, W.F.M.; Thaler, R. 1985. Does the stock market overreact? Journal of Finance 40(3): 793-805.
Fama, E.F. 1970. Efficient capital markets: a review of theory and empirical work. Journal of Finance 25(2): 383–417.
Granger, C.W.J. 1969. Investigating causal relations by econometric models and cross-spectral methods. Econometrica 37(3): 424–438.
Hayashi, A.H. 2017. Processo para predição de preços das ações no mercado financeiro com uso de Big Data. Dissertação de Mestrado, Instituto de Pesquisas Tecnológicas do Estado de São Paulo, São Paulo, SP, Brasil.
Igarashi, W.; Valdevieso, G.S.; Igarashi, D.C.C. 2021. Análise de sentimentos e indicadores técnicos: uma análise da correlação dos preços de ativos com a polaridade de notícias do mercado de ações. Brazilian Journals of Business 3(1): 470–487.
Januário, B.A.; Carosia, A.Ε.Ο.; Silva, Α.Ε.Α.; Coelho, G.P. 2022. Sentiment analysis applied to news from the Brazilian stock market. IEEE Latin America Transactions 20(3): 512-522.
Medeiros, M.C.; Borges, V.R.P. 2019. Tweet sentiment analysis regarding the Brazilian stock market. In: Brazilian Workshop on Social Network Analysis and Mining (BraSNAM), 8, 2019, Belém. Anais […]. Porto Alegre: SBC, p. 71-82.
Santos, L.L.; Bianchi, R.A.C.; Costa, A.H.R. 2023. FinBERT-PT-BR: análise de sentimentos de textos em português do mercado financeiro. Escola Politécnica, Universidade de São Paulo, São Paulo, SP, Brasil.
Schmitz, M.; Immich, R.; Pessin, G.; Rocha Filho, G.P. 2022. Towards the categorization of Brazilian financial market headlines. IEEE Latin America Transactions 20(2): 344–351.
Souza, D.M.S.; Martins, O.S. 2022. Brazilian stock market performance and investor sentiment on Twitter. REGE Revista de Gestão 31(1): 18–32.
Tetlock, P.C. 2007. Giving content to investor sentiment: the role of media in the stock market. Journal of Finance 62(3): 1139–1168.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Economia, Investimentos e Banking do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

