37382

André Pacheco Miranda
Paulo Sérgio Ceretta
Luis Felipe Dias Lopes

Revista de Administração da UFSM

Quando investidores decidem se aventurar pelo mercado de renda variável, como no mercado de ações, buscam um método que proporcione mais segurança durante a tomada de decisão. Na prática, não há como saber quais ativos se tornarão um investimento lucrativo nem se a predição de um método é melhor que a de outro. Diante disso, este artigo apresenta o desenvolvimento de um método heurístico, utilizando como variáveis de transição o volume negociado e o próprio retorno defasado. Após o desenvolvimento e a aplicação da rede neural, o resultado é confrontado com a predição de um modelo linear, utilizando alguns critérios de avaliação propostos posteriormente. O método heurístico, que conta com uma rede neural multilayer perceptron, treinada com o algoritmo de retropropagação de erro, foi comparado com um modelo autorregressivo de médias móveis (ARMA). Com base nos resultados, pode-se perceber que, embora os dois procedimentos tenham um desempenho satisfatório, a rede neural possui um poder de explicação maior do que aquele dos modelos ARMA.

Modelos ARMA, Multilayer Perceptron, Redes Neurais, Trade System

MIRANDA, A. P.; CERETTA, P. S.; LOPES, L. F. D. Estratégias de mercado acionário utilizando previsão de redes neurais em comparação com modelos autorregressivos. Revista de Administração da UFSM, v. 8, n. 1, p. 42-59, 2015.

Miranda, A. P., Ceretta, P. S., & Lopes, L. F. D. (2015). Estratégias de mercado acionário utilizando previsão de redes neurais em comparação com modelos autorregressivos. Revista de Administração da UFSM, 8(1), 42-59.

10.5902/198346593573

https://www.spell.org.br/documentos/ver/37382/estrategias-de-mercado-acionario-utilizando-previsao-de-redes-neurais-em-comparacao-com-modelos-autorregressivos/i/pt-br

Artigo

Português

ALVES, J. S. Análise comparativa e teste empírico da validade dos modelos CAPM tradicional e condicional: o caso das ações da Petrobrás. Rev. Ciênc. Admin., Fortaleza, v. 13, n. 1, p. 147-157, 2007.

BANIFINVEST. “BI Desktop Streamer5”. São Paulo. 1999. Sistema para Análise Técnica, Disponível em (https://www.banifinvest.com. br/tr/bi/produtos/bidsbeta/index.jsp). Acesso em: 10 Dez. 2009.

BOX, G. E. P.; JEANKINS, G. M. Time Séries Analysis: Forecasting and Control. Englewood Cliffs NJ: Prentice-Hall, New York. 1994.

BOX, G. E. P.; JEANKINS, G. M. Time Séries Analysis: Forecasting and Control. San Francisco: Holden-day. 1976.

CAMPOS, R. J. Previsão de séries temporais com aplicações a séries de consumo de energia elétrica. Dissertação de Pós-Graduação em Engenharia Elétrica da Universidade Federal de Minas Gerais. Belo Horizonte MG. 2008.

CERETTA, Paulo S; RIGHI, Marcelo B; SCHLENDER, Sergio G. PREVISÃO DO PREÇO DA SOJA: uma comparação entre os modelos ARIMA e redes neurais artificiais. Revista Informações Econômicas, Instituto de Economia Agrícola Centro de Comunicação e Transferência do Conhecimento. São Paulo. v.40, n.9. 2010.

COELHO, L. dos S.; SANTOS, A. A.P.; COSTA J.R. N. C. A; Podemos prever a taxa de cambio brasileira? Evidencias empírica utilizando inteligência computacional e modelos econométricos. Revista Gestão de Produção, São Carlos, v.15, n. 3. 2008.

CUNHA, G. B.; MOURA, J. F. L.; NAVES, E. L. M.; ANDRADE, A. O.; PEREIRA, A. A.; MILAGRE, Selma T.. A utilização de uma Rede Neural Artificial para Previsão de Incidência da Malária no Município de Cantá, Estado de Roraima. Revista da Sociedade Brasileira de Medicina Tropical. Uberaba-MG. set./out. . 2010.

FARIAS, H. P.; SÁFADI, T.. Causalidade Entre as Principais Bolsas de Valores do Mundo. RAM Revista de Administração Mackenzie, V. 11, N. 2, São Paulo – SP. 2010.

GALÃO, O. F.; BORSATO, D.; PINTO, J. P.; VISENTAIRNE, J. V.; GREENE, W. Econometric analysis. New Jersey: Prentice Hall, 2000.

GALVÍNCIO, J.D.; SOUSA, F. de A. S; SOUSA I. F.. Uso de Modelos Auto-Regressivos e Medias Moveis para Geração de Vazões Médias Mensais Na Bacia Hidrográfica do Alto São Francisco. XII Congresso Brasileiro de Meteorologia, Foz de Iguaçu-PR, 2002

GRAHAM, B.; DODD, D.. Security Analysis. McGraw-Hill. 2004.

HASSAN, M.D. R.; BAIKUNTH, Nath. Stock Market Forecasting Using Hidden Markov Model: A New Approach. Proceedings of the 2005 5th International Conference on Intelligent Systems Design and Applications (ISDA’05). IEEE Computer Society. 2005.

HAYKIN, S. Redes Neurais: Princípios e Prática. 3ª Edição, São Paulo. Bookman. 2001.

IQUIAPAZA, R. A.; BRESSAN, A. A.; AMARAL, H. F.. Previsão Não-linear de Retornos na BOVESPA: Volume Negociado em um Modelo Auto-Regressivo de Transição Suave. ANPAD - RAC, Curitiba, v. 14, n. 1, art. 8, pp. 149-171, Jan./Fev. 2010

JUDD, J. S, Neural Network design and Complexity of Learning. MIT Press, USA, 1990.

KIM, K.; LEE, W.B .Stock market prediction using artificial neural networks with optimal feature transformation. JournalNeural Computing & Applications. Springer-Verlag, 13: 255-260, 2004.

KIMOTO, T, K; ASAKAWA, M; YODA, M. Takeoka. Stock market prediction system with modular neural networks. In Proceedings of the International Joint Conference on Neural Networks, volume 1, pages 1–6, 1990.

KUMAR, U.; RIDDER Koen. GARCH modelling in association with FFT e ARIMA to forecast ozone episodes.Journal Institute for Technological Research, Elsevier. Belgica. 2010.

LAWRENCE, R. Forecasting stock prices using neural networks. Department of Computer Science, University of Manitobo, December 1997.

LUDWING J.R., OSWALDO; MONTGOMERY, Eduard. Redes Neurais: Fundamentos e Aplicações com Programa em C. Rio de Janeiro: Ciência Moderna, 2007.

MAIA, M.; ALVES, T. S; Métodos Bayesianos de estimação e comparação de modelos na família GARCH; Trabalho de conclusão de curso Estatística – UFPR; Curitiba, 2008.

NASCIMENTO J.R., L Cairo; YONEYANA, Takashy. Inteligência Artificial em Controle de Automação. São Paulo: FAPESP, 2004.

NELSON, D. B. Conditional Heteroskedasticity in Assest Returns: A New Approach. Journal Econometrica, v. 59, p.247-370, 1991.

NORONHA, M.. Análise Técnica: Teorias Ferramentas Estratégias. 7ª Edição. Rio de Janeiro, EDITEC, 2009.

OLIVEIRA, A. C. S.; SOUZA, A. A.; LACERDA, W. S.; Aplicação de Redes Neurais Artificiais na Previsão da Produção de Alcool. Revista Ciência e Agrotecnologia, Lavras-MG. V. 34, n. 2, p. 279-284, mar./abr. 2010.

PANIZZI, M. C. C. Artificial Neural Network in the Classification and Identification of Soybean Cultivars by Planting Region. Journal of the Brazilian Chemical Society. Vol. 22.No. 1, 142-147, 2011.

PHUA, P.K.H.; MING, D.; LIN, W. Neural Network With Genetic Algorithms For Stocks Prediction. Fifth Conference of the Association of Asian-Pacific Operations Research Societies, 5th 7th July, Singapore, 2000.

RABONI, P. L. Anomalias no Mercado de Captais Brasileiro: Ensaios com testes empíricos na BOVESPA. Tese de Doutorado em Administração de Empresas da PUC-Rio. Rio de Janeiro. 2005.

ROBERT E. D.; MAGEE, J.W.H.C. Technical Analysis of Stock Trends. American Management Association, 2007.

SANTOS, Douglas Gomes. Estimação de Volatilidade em Séries Financeiras: Modelos Aditivos Semi Paramétricos e GARCH. Dissertação de Mestrado em Economia – UFRGS, Porto Alegre. 2008.

SCHALKOFF, R. J. Artificial neural networks. SAGE Publication Progress in Physical Geography, New York: McGraw-Hill, 2001.

SMITH, K. A.; GUPTA, J. N. D. Neural networks in business: techniques and applications for the operations researcher. Volume 27, Oxford: Computers & Operations Research, Elsevier, 2000.

SOBREIRO, V. A.; ARAÚJO, P. H. S. L.; NEGANO, M. S. Precificação do Etanol Utilizando Técnicas de Redes Neurais Artificiais. Revista de Administração. São Paulo. v.44, n.1. Nicolau Reinhard. 2009.

STEINER, M.; WITTKEMPER, Hans-Georg. Neural networks as an alternative stock market model. In Neural Networks in the Capital Markets, chapter 9, pages 137–148. John Wiley and Sons, 1995.

VALENÇA, M.Fundamento das Redes Neurais: Exemplos em Java. 2ª Edição. Olinda: Livro Rápido – Elógica, 2009.