Sentimiento en Big Data como Indicador del Comportamiento del Mercado Financiero

Amanda Panico Gasperini; Julio Cesar Ruivo Costa

DOI: 10.22167/2675-6528-202602629

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

La relación entre las noticias financieras y el comportamiento de los activos se investigó en el contexto brasileño durante un período de alta volatilidad. El estudio analizó si el sentimiento presente en los titulares de noticias, recopilados entre 2020 y 2024, estuvo asociado a las fluctuaciones diarias del IBOVESPA, del S&P 500 y de tres acciones de B3. Para ello, se recopilaron 675 titulares a través del servicio RSS de Google News, clasificados por polaridad emocional utilizando un léxico financiero personalizado para el portugués, desarrollado después de que modelos BERT generalistas presentaran errores sistemáticos. Las puntuaciones de sentimiento se cruzaron con los retornos del mercado de Yahoo Finance, generando 394 observaciones válidas. La correlación de Pearson reveló una asociación positiva y significativa entre el sentimiento y el retorno del IBOVESPA (r = 0,13; p = 0,013) y de PETR4 (r = 0,10; p = 0,041). El análisis con un desfase de uno a tres días no indicó poder predictivo del sentimiento sobre las sesiones bursátiles siguientes, un resultado coherente con la Hipótesis de los Mercados Semi-Eficientes. Los hallazgos indicaron que los titulares y los precios de los activos se mueven conjuntamente en respuesta a los mismos eventos, y que los modelos de lenguaje generalistas son insuficientes para capturar el vocabulario específico de las noticias financieras en portugués. La principal contribución del trabajo fue la construcción del léxico financiero personalizado, evidenciando la necesidad de herramientas específicas para el idioma y el dominio. El sentimiento mediático funciona como un termómetro del presente, no como una herramienta predictiva.

Palabras clave: COVID-19; Finanzas conductuales; IBOVESPA; Procesamiento del lenguaje natural; Sentimiento mediático.

1. Introducción

La teoría económica clásica, formalizada por la Hipótesis de los Mercados Eficientes de Fama (1970), postula que los precios de los activos financieros reflejan toda la información disponible públicamente. En su versión semifuerte, esta hipótesis sugiere que el análisis de noticias divulgadas no confiere ventaja informacional, ya que su contenido ya estaría incorporado en los precios.

Sin embargo, eventos como la caída del IBOVESPA en un 14,78% en marzo de 2020, coincidiendo con el pico de la cobertura periodística sobre la pandemia, desafían esta premisa. Los modelos basados exclusivamente en fundamentos económicos no predijeron tal movimiento. Surge entonces la cuestión sobre la existencia de una relación medible entre el tono de los medios y el comportamiento de los activos, y en qué condiciones se manifiesta esta relación.

Este cuestionamiento se alinea a las finanzas conductuales, que documentan cómo las emociones y los atajos cognitivos pueden distorsionar las decisiones de inversión (Kahneman, 2012; Shiller, 2014; Mosca, 2009). Paralelamente, el Procesamiento del Lenguaje Natural (PLN) ofrece herramientas para extraer automáticamente información semántica de textos periodísticos a gran escala (Bird, Klein, Loper, 2009). El análisis de sentimiento basado en léxico, una modalidad de minería de texto no supervisada, fue la solución empleada en este trabajo para clasificar titulares financieros.

La integración entre finanzas conductuales y PLN tiene precedentes internacionales, como el estudio de Tetlock (2007), que asoció el pesimismo en columnas periodísticas a caídas en el mercado estadounidense. En Brasil, Improta (2023) probó la incorporación de sentimiento en modelos de previsión de series temporales financieras, con resultados inconclusos que evidencian la complejidad de combinar datos textuales y financieros en el mercado nacional. La producción académica brasileña que cruza PLN con el mercado financiero, especialmente en escenarios de crisis, aún es limitada.

El período de 2020 a 2024, marcado por la pandemia de COVID-19, representó un contexto de volumen excepcional de noticias y volatilidad histórica, ofreciendo una oportunidad única para investigar esta relación con datos reales. Ante este escenario, este trabajo tuvo como objetivo verificar si el sentimiento de titulares recopilados entre 2020 y 2024 se asoció con las fluctuaciones diarias del IBOVESPA y del S&P 500, buscando específicamente organizar una base de titulares con fechas identificadas, desarrollar un método de clasificación adecuado al vocabulario financiero en portugués, probar la correlación entre sentimiento y retornos, verificar si el sentimiento de un día anticipa la sesión bursátil siguiente y comparar el comportamiento de esta relación en los diferentes momentos del ciclo pandémico.

2. Material y Métodos

La investigación se caracterizó como un estudio cuantitativo y correlacional, con el objetivo de investigar la asociación entre el sentimiento expresado en titulares de noticias financieras y las fluctuaciones diarias de activos del mercado. El enfoque metodológico implicó la recopilación de datos textuales y financieros, el desarrollo de un léxico de sentimiento personalizado para el portugués y la aplicación de técnicas estadísticas para analizar las relaciones temporales y contemporáneas entre las variables.

La unidad de análisis consistió en titulares de noticias financieras y datos de precios de activos. La recopilación de titulares se realizó entre enero de 2020 y diciembre de 2024, utilizando el servicio RSS de Google News. Se emplearon trece consultas específicas, con términos relacionados con el mercado financiero brasileño, IBOVESPA, S&P 500 y la pandemia de COVID-19, para reunir los títulos. Tras la eliminación de duplicados y el filtrado por período, se obtuvo una base de 675 titulares válidos, cada uno con su título y fecha de publicación.

Para los datos de mercado, se utilizó la API pública de Yahoo Finance, a través de la biblioteca yfinance en Python. Se descargaron los precios de cierre ajustado del IBOVESPA (^BVSP), del S&P 500 (^GSPC), de VALE3.SA, de PETR4.SA y de B3SA3.SA, abarcando el mismo período de los titulares. La selección de estos activos tuvo como objetivo representar el índice amplio de la bolsa brasileña, sectores distintos de la economía nacional y el principal índice americano de referencia, permitiendo capturar la dinámica del mercado doméstico y un benchmark global.

Antes de la clasificación de sentimientos, los titulares pasaron por un proceso de preprocesamiento textual de cuatro pasos. Primero, se eliminó el nombre del medio de comunicación. Luego, se eliminaron los caracteres HTML residuales y las URL. Finalmente, se normalizaron los espacios múltiples. Se conservaron los acentos y caracteres especiales del portugués para no comprometer la identificación de términos financieros específicos. Los titulares con menos de cuatro palabras después de la limpieza fueron descartados.

La clasificación de sentimiento fue un paso técnico central. Inicialmente, se probaron modelos de lenguaje preentrenados basados en la arquitectura BERT (Devlin et al., 2019), específicamente nlptown/bert-base-multilingual-uncased-sentiment e Ixyuan/distilbert-base-multilingual-cased-sentiments-student. Sin embargo, ambos modelos presentaron errores sistemáticos al clasificar titulares financieros en portugués, como categorizar “Ibovespa sube 5% con optimismo sobre vacunas” como negativa o “Circuit breaker se activa por tercera vez” como positiva.

Estos errores se derivaron del entrenamiento de los modelos en dominios generalistas, como evaluaciones de consumidores y redes sociales, donde el vocabulario financiero tiene significados distintos. El modelo BERTimbau (Souza et al., 2020), aunque entrenado para portugués brasileño, no tenía ajuste fino en un corpus financiero específico, lo que mantendría el problema. Ante esto, se optó por la construcción de un léxico financiero personalizado para el contexto brasileño, siguiendo el enfoque de análisis de sentimiento basado en diccionario (Tetlock, 2007).

El léxico personalizado se desarrolló con validación manual de cada término. El conjunto de términos negativos incluyó palabras como “caída”, “crisis”, “colapso”, “circuit breaker”, “recesión”, “desplome”, “pérdida”, “lockdown”, “impago”, “contracción” y “volatilidad”. El conjunto positivo reunió términos como “subida”, “aumenta”, “dispara”, “récord”, “crecimiento”, “recuperación”, “optimismo”, “valoración”, “expansión” y “beneficio”.

La puntuación de sentimiento para cada titular se calculó como la diferencia normalizada entre los recuentos de términos positivos y negativos presentes en el texto, lo que resultó en valores entre -1 y +1. Los titulares sin términos clasificables recibieron una puntuación de cero. El léxico clasificó el 54,2% de los 675 titulares con una polaridad distinta de cero. Esta métrica capturó la dirección del sentimiento, sin inferir su intensidad, lo que sería inviable sin un corpus financiero anotado en portugués para una validación fiable.

Las bases de datos de sentimiento y de mercado fueron integradas por fecha. Las puntuaciones de sentimiento se agregaron por fecha como la media de todos los titulares de ese día. Esta serie se cruzó con la base de mercado mediante una unión interna, manteniendo solo los días en que había titulares y cotización abierta simultáneamente. Este proceso resultó en 394 observaciones válidas con datos completos para el análisis.

Los rendimientos diarios de los activos se calcularon como la variación porcentual del precio de cierre con respecto al día anterior, multiplicada por 100. Esta transformación tuvo como objetivo eliminar la tendencia a largo plazo de las series de precios absolutos, lo que podría inflar artificialmente los coeficientes de correlación. Todos los análisis se implementaron en Python, utilizando las bibliotecas pandas y scipy, en el entorno Google Colaboratory.

Se aplicaron tres categorías de análisis estadístico. La primera probó la correlación de Pearson entre el sentimiento diario promedio y los retornos porcentuales de cada activo, calculando el coeficiente (r) y el valor p para una prueba bilateral con un nivel de significancia del 5%. La segunda categoría investigó rezagos de uno, dos y tres días hábiles, para verificar el poder predictivo del sentimiento sobre las ruedas de negociación siguientes.

La tercera categoría de análisis dividió la muestra en cuatro subperíodos: pandemia aguda (2020), recuperación (2021), normalización (2022-2023) y pospandemia (2024). Esta división permitió comparar el comportamiento de la relación entre sentimiento y retornos a lo largo de las diferentes fases del ciclo pandémico. Adicionalmente, se estimó un modelo de regresión lineal simple, considerando los retornos de los activos como variable dependiente y el sentimiento medio diario como variable independiente, para complementar el análisis de correlación.

3. Resultados y Discusión

La investigación de la relación entre el sentimiento expresado en titulares de noticias financieras y el comportamiento de los activos del mercado, en el período de 2020 a 2024, reveló hallazgos importantes sobre la dinámica informacional en el contexto brasileño. Los resultados indicaron una asociación positiva y significativa entre el sentimiento mediático y los retornos del IBOVESPA y de PETR4, pero sin ningún poder predictivo sobre las ruedas de negociación futuras. Este estudio también destacó la necesidad de herramientas de Procesamiento de Lenguaje Natural (PLN) especializadas para el portugués financiero, culminando en la construcción de un léxico personalizado, una contribución metodológica central para el área.

El análisis de la base de datos, compuesta por 675 titulares recopilados vía RSS de Google News, demostró una distribución temporal que refleja directamente los eventos históricos del período. Se verificó que el 26,4% de los titulares fueron de 2020 y el 26,8% de 2021, concentrando el mayor volumen de cobertura periodística durante las fases más intensas de la pandemia de COVID-19. Esta concentración no representa un sesgo muestral, sino un espejo de la realidad de la época, caracterizada por una intensa producción de noticias y alta volatilidad en los mercados.

Marzo de 2020, en particular, se destacó como el mes con la mayor densidad de titulares negativos en toda la serie histórica. Este pico de pesimismo mediático coincidió con eventos críticos, como las sucesivas activaciones de *circuit breaker* en la B3 y la declaración oficial de la pandemia por la Organización Mundial de la Salud. Los datos de mercado corroboraron esta observación, con la mayor caída diaria del IBOVESPA, de 14,78%, registrada el 12 de marzo de 2020, y del S&P 500, de 11,98%, el 16 de marzo del mismo año, ambas alineadas al pico de titulares negativos.

En cuanto a la clasificación de sentimiento, el léxico financiero personalizado desarrollado para este trabajo logró asignar polaridad no nula al 54,2% de los titulares. De este total, el 29,7% fueron clasificados como negativos y el 24,5% como positivos. La distribución del sentimiento a lo largo del tiempo también siguió la cronología de la pandemia: los meses de marzo a junio de 2020 presentaron la mayor densidad de titulares negativos, mientras que el período de octubre de 2020 a marzo de 2021, marcado por los primeros anuncios de eficacia de las vacunas, registró las mayores puntuaciones positivas.

La construcción del léxico financiero personalizado fue un paso crucial, motivada por la inadecuación de modelos de lenguaje generalistas, como los basados en la arquitectura BERT, para el vocabulario financiero en portugués. Pruebas iniciales con modelos como *nlptown/bert-base-multilingual-uncased-sentiment* y *lxyuan/distilbert-base-multilingual-cased-sentiments-student* demostraron errores sistemáticos. Por ejemplo, el titular “Ibovespa sube 5% con optimismo sobre vacunas” fue clasificado como negativo por un modelo, y “Circuit breaker se activa por tercera vez” como positivo por otro, evidenciando la falla en capturar el significado contextual de términos específicos del mercado financiero.

Esta limitación de los modelos generalistas se deriva del hecho de que se entrenan en evaluaciones de consumidores o comentarios de redes sociales, dominios donde la semántica de términos como “circuit breaker” difiere drásticamente del contexto financiero. La ausencia de un *corpus* financiero anotado en portugués, según se identificó en el estudio, refuerza la relevancia del enfoque basado en léxico, que, aunque técnicamente más simple, ha demostrado ser eficaz para el dominio específico. El léxico desarrollado incluyó términos negativos como “caída”, “crisis”, “colapso” y “circuit breaker”, y términos positivos como “subida”, “aumenta”, “récord” y “crecimiento”, con puntuaciones que varían de -1 a +1 para indicar la dirección del sentimiento.

El análisis de correlación contemporánea entre el sentimiento diario promedio de los titulares y los retornos porcentuales de los activos reveló resultados significativos para el IBOVESPA y PETR4. El coeficiente de Pearson para el IBOVESPA fue de +0.1255, con un p-valor de 0.013, lo que indica una asociación positiva y estadísticamente significativa. Para PETR4, el coeficiente fue de +0.1029, con un p-valor de 0.041, también apuntando a una correlación positiva y significativa. Los demás activos analizados, S&P 500, VALE3 y B3SA3, presentaron coeficientes positivos de magnitud similar, pero sin significancia estadística al nivel del 5%.

El signo positivo de estas correlaciones sugiere que los días con un tono más favorable en los titulares tendieron a coincidir con rendimientos positivos en los activos, mientras que una cobertura pesimista acompañó caídas. Es crucial interpretar esta relación como un fenómeno de co-movimiento, y no de causalidad directa, como destacó Tetlock (2007). Los titulares y los precios de los activos probablemente reaccionan conjuntamente a los mismos eventos, con el mercado cotizando la información en la subasta del día y la prensa publicando el tono correspondiente casi en tiempo real.

La magnitud relativamente débil de los coeficientes de correlación era esperada, ya que los precios de los activos están influenciados por una multiplicidad de factores, como tasas de interés, tipo de cambio, flujo de capital externo y resultados corporativos. El sentimiento de los titulares, en este escenario, actúa como una señal en un entorno informacional ruidoso y complejo. La ausencia de significancia para el S&P 500, un índice de un mercado desarrollado, es consistente con la hipótesis de que los mercados con mayor profundidad analítica y diversidad de participantes institucionales son menos sensibles al clima narrativo de los medios generalistas.

El análisis con desfase temporal, que buscó verificar si el sentimiento de un día anticiparía los movimientos del mercado en los días siguientes, no produjo resultados significativos. Las pruebas con desfases de uno, dos y tres días hábiles para el IBOVESPA y el S&P 500 no revelaron poder predictivo del sentimiento. Por ejemplo, para el IBOVESPA, la correlación con desfase de un día fue de +0,0038 (p = 0,9397), y para el S&P 500, de -0,0555 (p = 0,2728), ambos sin significancia estadística.

Este hallazgo es coherente con la Hipótesis de los Mercados Semi-Eficientes de Fama (1970), que postula que los precios de los activos ya incorporan rápidamente toda la información públicamente disponible, incluido el contenido de las noticias. Si el sentimiento mediático tuviera poder predictivo, sería posible desarrollar estrategias de inversión simples y lucrativas, lo que los datos no respaldan. La ventana de oportunidad para reaccionar a la información de los titulares se cierra el mismo día, distinguiendo el sentimiento mediático de variables con poder predictivo genuino, como los indicadores macroeconómicos con efectos retardados.

El análisis por subperíodo, que dividió la muestra en fases de la pandemia (pandemia aguda, recuperación, normalización y pospandemia), no encontró significancia estadística en ninguno de los grupos. Esta falta de significancia puede atribuirse a la reducción del número de observaciones en cada subperíodo, variando entre 75 y 127 registros, lo que disminuye el poder estadístico para detectar efectos de magnitud débil. Sin embargo, el patrón de los coeficientes a lo largo del tiempo ofrece *insights* analíticos relevantes.

En el período de pandemia aguda (2020), el coeficiente de correlación para el IBOVESPA fue el mayor positivo (r = +0.1682), aunque no significativo. Este resultado sugiere que en momentos de alta incertidumbre, cuando los fundamentos económicos son difíciles de evaluar, el tono de las noticias puede tener un mayor peso en las decisiones de los inversores. Esta observación se alinea con la descripción de Kahneman (2012) sobre el procesamiento intuitivo que domina en entornos caóticos, haciendo a los agentes más reactivos al clima emocional de las noticias.

En 2021, durante la fase de recuperación, el coeficiente de correlación para el IBOVESPA estuvo cerca de cero y ligeramente negativo (r = -0,0090). Esto puede indicar una divergencia entre el entusiasmo del mercado, impulsado por las vacunas y la reapertura económica, y la cobertura mediática, que aún dedicaba atención a las variantes del virus e incertidumbres sobre la reanudación. En los subperíodos de normalización (2022-2023) y pospandemia (2024), los coeficientes volvieron a ser positivos (r = +0,1495 y r = +0,1229, respectivamente), cercanos al umbral de significancia, reforzando la idea de que la relación entre sentimiento mediático y mercado no es constante, intensificándose en períodos de mayor incertidumbre.

Desde el punto de vista práctico, los hallazgos de este estudio indican que el sentimiento mediático, aunque no sea una herramienta predictiva, posee valor como un termómetro del presente y una variable auxiliar de contexto para gestores de inversión. En momentos de alta incertidumbre, como los vividos durante la pandemia, puntuaciones de sentimiento fuertemente negativas pueden señalar un deterioro del apetito por el riesgo, complementando la lectura de otros indicadores de estrés de mercado. Esta información puede auxiliar en decisiones de gestión de exposición, *hedge* o en el *timing* de rebalanceo de carteras.

Es fundamental resaltar que el uso del sentimiento mediático debe ser comprendido dentro de sus limitaciones. No confiere ventaja para estrategias de anticipación de movimientos de precio y no debe ser tratado como una señal aislada de compra o venta. Su carácter es diagnóstico y contemporáneo, ofreciendo un insumo adicional para la interpretación del ambiente de mercado, pero no un modelo de decisión. La principal contribución de este trabajo, la construcción del léxico financiero personalizado para el portugués, evidencia la necesidad de herramientas específicas para el idioma y dominio, superando las deficiencias de modelos generalistas y abriendo camino para futuras investigaciones más robustas.

4. Conclusión

Este estudio tuvo como objetivo verificar la asociación entre el sentimiento expresado en titulares de noticias financieras y las fluctuaciones diarias de activos en el mercado brasileño, abarcando el período de 2020 a 2024. Se verificó una asociación positiva y estadísticamente significativa entre el sentimiento mediático y los retornos del IBOVESPA y de PETR4. Sin embargo, el análisis con desfase temporal no indicó poder predictivo del sentimiento sobre las ruedas siguientes, un hallazgo que se alinea a la Hipótesis de los Mercados Semi-Eficientes. Los resultados sugieren que los titulares y los precios de los activos tienden a moverse de forma conjunta, reaccionando a los mismos eventos de mercado.

La principal contribución de este trabajo reside en la construcción de un léxico financiero personalizado para el portugués brasileño. Esta herramienta se desarrolló tras constatar la inadecuación de modelos de lenguaje generalistas, como los basados en la arquitectura BERT, para capturar el vocabulario específico de las noticias financieras en portugués, que presentaron errores sistemáticos en la clasificación de términos contextuales. La ausencia de un corpus financiero anotado para el idioma nacional fue un hallazgo metodológico relevante, reforzando la necesidad de soluciones especializadas y la relevancia de la curación manual de léxico para este dominio. Desde el punto de vista práctico, los hallazgos indican que el sentimiento mediático, aunque no sea una herramienta predictiva, ofrece valor como un termómetro del presente y una variable auxiliar de contexto para gestores de inversión. En períodos de alta incertidumbre, como los vividos durante la pandemia, puntuaciones de sentimiento fuertemente negativas pueden señalar un deterioro del apetito al riesgo, complementando otros indicadores de estrés de mercado y auxiliando en decisiones de gestión de exposición o rebalanceo de carteras. Sin embargo, es crucial reconocer las limitaciones del estudio, como la magnitud débil de los coeficientes de correlación, esperada en un ambiente con múltiples factores influyentes, y la reducción del poder estadístico en el análisis por subperíodos debido al menor número de observaciones. Para estudios futuros, se sugiere replicar la metodología para el mercado estadounidense, comparando directamente la magnitud y la significancia de las correlaciones del S&P 500 con las del IBOVESPA, lo que podría profundizar la comprensión sobre la reacción de mercados emergentes y desarrollados a la cobertura mediática.

Referencias Bibliográficas

BIRD, S.; KLEIN, E.; LOPER, E. Natural Language Processing with Python: Analyzing Text with the Natural Language Toolkit. Sebastopol: O’Reilly Media, 2009.

DEVLIN, J.; CHANG, M.-W.; LEE, K.; TOUTANOVA, K. BERT: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805, 2019. Disponível em: https://arxiv.org/abs/1810.04805. Acesso em: mar. 2025.

FAMA, E. F. Efficient capital markets: a review of theory and empirical work. The Journal of Finance, v. 25, n. 2, p. 383-417, 1970.

IMPROTA, A. D. S. S. Incorporando análise de sentimentos na predição em séries temporais financeiras por meio de modelos TabNet. 2023. Monografia (MBA em Inteligência Artificial e Big Data) Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2023. Disponível em: https://bdta.abcd.usp.br/directbitstream/aa074227-cb33-4cff-a6de-099f775784a0/Alexandre%20Improta.pdf. Acesso em: mar. 2025.

KAHNEMAN, D. Rápido e Devagar: Duas Formas de Pensar. Rio de Janeiro: Objetiva, 2012.

MOSCA, A. Finanças Comportamentais. Rio de Janeiro: Elsevier, 2009.

SHILLER, R. J. Exuberância Irracional. 3. ed. São Paulo: Saraiva, 2014.

SOUZA, F.; NOGUEIRA, R.; LOTUFO, R. BERTimbau: Pretrained BERT models for Brazilian Portuguese. In: BRAZILIAN CONFERENCE ON INTELLIGENT SYSTEMS (BRACIS), 9., 2020, Rio Grande. Anais… Rio Grande: BRACIS, 2020. p. 403-417.

TETLOCK, P. C. Giving content to investor sentiment: the role of media in the stock market. The Journal of Finance, v. 62, n. 3, p. 1139-1168, jun. 2007.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy