Predicting stock returns using Google Trends

Abstract

Blant forskere som undersøker forholdet mellom Googles søkevolum og aksjeavkastning, finner noen at økt søkevolum spår høyere avkastning, mens andre trekker den motsatte konklusjonen. Vi undersøker dette forholdet ved å bruke Fama-Macbeth tverrsnittsregresjoner for Russell 3000-selskapene ved bruk av enten aksjetikker eller selskapsnavn som Google-søkeord, samtidig som vi kontrollerer for flere andre variabler som antall analytikere som følger selskapet. Vi finner et positivt forhold mellom søkevolum og aksjeavkastning i perioden 2004 til 2008, og et negativt forhold i perioden 2009 til 2019. Søk etter aksjetikker er bedre til å forutsi avkastning enn søk etter selskapsnavn fra 2004 til 2008, mens det motsatte gjelder fra 2009 til 2019. Vi vurderer den økonomiske betydningen av resultatene våre med en tradingstrategi bygd på den samme Fama-Macbeth tverrsnittsregresjonen. En tradingstrategi der vi kjøper de 50% av aksjene med høyest antatt unormal avkastning og shorter de 50% av aksjene med lavest antatt unormal avkastning, gir en årlig unormal avkastning på 11,3% etter inkludering av transaksjonskostnader, mens en lignende strategi basert på å kjøpe de 5\% av aksjene med høyest og shorte de 5% av aksjene med lavest antatt avkastning gir en imponerende unormal avkastning på 30,6% etter transaksjonskostnader.

Some research investigating the relationship between Google search volume and stock returns finds that increased search volume predicts higher returns, while other papers draw the opposite conclusion. We reinvestigate this relationship using Fama-Macbeth cross-sectional regressions for the Russell 3000 companies with the use of either stock ticker or company name as Google search keyword while controlling for several other variables such as the number of analysts following the company. We find a positive relationship between search volume and stock return in the period from 2004 to 2008, and a negative relationship in the period from 2009 to 2019. While searches for the stock ticker predict returns better than searches for company name from 2004 to 2008, the opposite is true from 2009 to 2019. We evaluate the economic significance of our results by a trading strategy built upon the same Fama-Macbeth cross-sectional regressions. A trading strategy where we buy the 50% stocks with the highest predicted abnormal return and short the 50% stocks with the lowest predicted abnormal return delivers a yearly abnormal return of 11.3% after accounting for transaction costs, while a similar strategy based on buying the 5% of stocks with the highest and shorting the 5% with the lowest predicted returns delivers an impressive abnormal return of 30.6% after transaction costs.