PT
A proliferação das redes sociais impactou profundamente os mercados financeiros,
tornando a análise de sentimento uma ferramenta altamente eficiente para a compreensão
das dinâmicas de mercado. Esta dissertação investiga a influência do sentimento social,
especificamente de top influencers na plataforma Stocktwits, nos retornos diários de um
conjunto diversificado de ativos financeiros, incluindo ações, criptomoedas e Exchange-
Traded Funds. Utilizando técnicas de análise de séries temporais como a Função de
Correlação Cruzada e testes de Causalidade de Granger, juntamente com modelação de
regressão Linear via Mínimos Quadrados Ordinários e Regressão Quantílica, este estudo
quantifica tanto o impacto médio como o condicional do sentimento.
Os testes de causalidade de Granger revelam um poder preditivo limitado do
sentimento para os retornos (significativo para NVIDIA Corporation, Alphabet Inc.), mas
indicam padrões de sentimento reativo para outros (Palantir Technologies Inc., Bitcoin).
Embora a regressão Linear via Mínimos Quadrados Ordinários mostre consistentemente
um impacto médio positivo e estatisticamente significativo do sentimento em todos os
ativos, a Regressão Quantílica descobre uma heterogeneidade substancial. Emergem três
padrões distintos: (1) Um efeito Buy the Dip (ex., NVIDIA Corporation, SoFi Technologies
Inc.), onde o sentimento positivo exerce uma influência mais forte durante as quedas de
mercado (quantis inferiores); (2) Um efeito Fear Of Missing Out/Momentum (ex., NIO
Inc., Ripple), onde o impacto do sentimento se intensifica durante as subidas de mercado
(quantis superiores); e (3) Um efeito Constante-Linear (ex., Meta Platforms, Inc., Bitcoin),
onde o impacto do sentimento é estável ao longo da distribuição dos retornos, validando
os achados do Mínimos Quadrados Ordinários para estes ativos específicos.
Estes resultados destacam as limitações dos modelos baseados na média e demon-
stram que a influência do sentimento social é específica do ativo e dependente do estado do
mercado, variando significativamente com as condições deste. As assimetrias descobertas
oferecem perceções valiosas para investidores que ajustam estratégias baseadas em senti-
mento e para reguladores que monitorizam a estabilidade do mercado, particularmente
no que concerne a ativos propensos a dinâmicas de momentum amplificadas pelas redes
sociais.
EN
The proliferation of social media has profoundly impacted financial markets, making
sentiment analysis a highly efficient tool for understanding market dynamics. This
dissertation investigates the influence of social sentiment, specifically from top influencers
on the Stocktwits platform, on the daily returns of a diverse set of financial assets,
including stocks, cryptocurrencies, and Exchange-Traded Funds. Using time series analysis
techniques such as the Cross Correlation Function and Granger Causality tests, along
with Linear regression modeling via Ordinary Least Squares and Quantile Regression, this
study quantifies both the average and conditional impact of sentiment.
Granger causality tests reveal limited predictive power of sentiment for returns
(significant for NVIDIA Corporation, Alphabet Inc.), but indicate reactive sentiment
patterns for others (Palantir Technologies Inc., Bitcoin). Although Linear regression
via Ordinary Least Squares consistently shows a positive and statistically significant
average impact of sentiment across all assets, Quantile Regression uncovers substantial
heterogeneity. Three distinct patterns emerge: (1) A Buy the Dip effect (e.g., NVIDIA
Corporation, SoFi Technologies Inc.), where positive sentiment exerts a stronger influence
during market downturns (lower quantiles); (2) A Fear Of Missing Out/Momentum effect
(e.g., NIO Inc., Ripple), where the impact of sentiment intensifies during market upturns
(upper quantiles); and (3) A Constant-Linear effect (e.g., Meta Platforms Inc., Bitcoin),
where the sentiment’s impact is stable across the return distribution, validating the
Ordinary Least Squares findings for these specific assets.
These results highlight the limitations of mean-based models and demonstrate that
the influence of social sentiment is asset-specific and market-state dependent, varying
significantly with market conditions. The discovered asymmetries offer valuable insights
for investors adjusting sentiment-based strategies and for regulators monitoring mar-
ket stability, particularly concerning assets prone to social media-amplified momentum
dynamics.
