[pt] A previsão de movimentos futuros para o mercado de ações é conhecidamente uma tarefa difícil de ser satisfatoriamente realizada. Além disso, a própria possibilidade desta previsão é constantemente questionada na literatura. O estudo presente investiga se essa dificuldade poderia ser amenizada escolhendo janelas específicas de tempo, onde uma dinâmica mais evidente prevaleça, e se a identificação desses períodos pode ser aprendida através de dados passados. Um framework é proposto para tratar desses problemas. Esse framework é nomeado de Predictability Crawler (P-Craw). A proposta usa rotinas de otimização como o Particle Swarm Optimization (PSO) e Algorítimos Genéticos (GA) para selecionar sub-conjuntos de dados históricos onde modelos de aprendizado estatístico possam ser treinados de forma mais eficiente. Para validar a acurácia do método, este é testado em dois diferentes conjuntos de dados. Primeiro, simulações com diferentes níveis de ruído são geradas. Nelas, o P-Craw é capaz de identificar os subconjuntos ótimos em cenários com 20 por cento a 100 por cento de amostras previsíveis. Por fim, dados de transações intradiárias da bolsa de valores brasileira (BOVESPA) são agregados e processados uma matrix de variáveis de entrada e um vetor de previsões. Quando o P-Craw é testado contra o método usual de treinar os modelos em todo conjunto histórico disponível nos dados da BOVESPA, o framework é capaz de aumentar significativamente o número de vezes que o modelo acerta a direção do movimento do preço das ações, enquanto consegue chegar a reduzir em até 19 por cento o erro médio absoluto da tarefa. / [en] Predicting stock movements in the market its known to be an extremely difficult task. More than that, the predictability of the series itself is a controversial matter. The present study investigates if this difficulty could be alleviated by choosing specific windows of time where a more structured dynamic prevails, and whether the identification of those moments could be learned from past data. In order to do that, a novel framework is proposed. This framework is called the Predictability Crawler (P-Craw). It uses optimizations routines such as the Particle Swarm Optimization (PSO) or Genetic Algorithms (GA) to select subsets of historical data where statistical learning algorithms can be more efficiently trained. To access the accuracy of the method, it is tested against two different datasets. First, simulated data with varying percentage of noise is generated and used. In the simulations, The P-Craw is able to reliably identify the optimal subsets in scenarios ranging from 20 percent to 100 percent of predictable samples in the data. Second, intraday data from the Brazilian stocks exchange (BOVESPA) is collected and aggregated into feature and target matrices. When benchmarked against training with the whole samples in the BOVESPA data, the framework is able to significantly raise the correct directional changes of the trained models while reducing the Mean Absolute Error in up to 19 percent.

[pt] O mercado cambial doméstico, bem como o de outros países são objeto de estudo de vários e diversificados trabalhos. Neste estudo, utiliza-se a regressão quantílica e algumas de suas novas formulações para analisar a relação dos retornos cambiais com os retornos no mercado de bolsa, a volatilidade cambial e os efeitos das intervenções governamentais no nível e na volatilidade da taxa de câmbio. Encontrou-se que o mercado de câmbio é mais sensível a variações na bolsa,na presença de maiores desvalorizações cambiais. O método CAViaR, que aplica funções autorregressivas à regressão quantílica para estimar a volatilidade, mostrou-se eficaz quando comparado a outros métodos. Por fim, as reações do mercado cambial às intervenções governamentais foram analisadas com o ferramental da regressão quantílica com variáveis instrumentais, o que permite tratar o problema de endogeneidade existente. Não há conhecimento por parte da autora de aplicação desse método para o caso das intervenções cambiais. Os resultados abrem uma nova forma de análise para dados que não possuem o comportamento completamente aleatório e que se mostraram, ainda, com diferentes impactos (coeficientes angulares) ao longo da distribuição da taxa de câmbio, seja seu retorno ou sua volatilidade. / [en] Not only the Brazilian Exchange Market, but also those of other countries are studied in a great number of works. In this study, we use the regression quantile and some of its new formulas to analyze the relationship of currency returns with the returns in the stock market, exchange rate volatility and the effects of government intervention in the level and volatility of the exchange rate. It was found that the currency market is more sensitive to variations in the bag in the presence of major devaluations. Caviar method, that applies autoregressive functions in quantile regression to estimate volatility, was effective when compared to other methods. Finally, the reactions of the forex market to government interventions were analyzed using quantile regression with instrumental variables, which can deal with the existing endogeneity problem. The findings open up a new way of analysis to data that do not have the completely random behavior and also showed different impacts (slope coefficients) over the distribution of the exchange rate, either its return or volatility.

[pt] Esta pesquisa investiga primeiramente, por meio de regressões, a relação entre as volatilidades implícitas das opções e os retornos futuros de 20, 40 e 60 dias das ações subjacentes no mercado acionário brasileiro. Essas regressões são então submetidas a testes de heterocedasticidade para garantir que não são regressões espúrias. Por fim, submetemos os resultados a um teste de robustez que confirma as regressões válidas e verifica a presença de autocorrelação nas séries de retornos futuros. O período analisado é de janeiro de 2011 a dezembro de 2021 em um total de onze anos completos. Apesar de apresentarem coeficientes de regressão significativos, nem todas essas regressões passam pelos testes, e sempre deve-se ter cautela ao usar uma volatilidade implícita de opção como sendo capaz de prever retornos das ações subjacentes no mercado brasileiro. / [en] This research first investigates, through regressions, the relationship between the implied volatilities of options and the future returns of 20, 40 and 60 days of the underlying stocks within the Brazilian stock market. These regressions are then subjected to heteroscedasticity tests to ensure that they are not spurious regressions. Finally, we submit the results to robustness tests to confirm the valid regressions and verify the presence of autocorrelation in the series of future returns. The period under analysis is from January 2011 to December 2021, totalling 11 years. Despite having significant regression coefficients, not all of these regressions pass the tests, and one should always exercise caution when using an option implied volatility as a predictor of underlying equity returns in the Brazilian market.