Return to search

Fractais e redes neurais artificiais aplicados à previsão de retorno de ativos financeiros brasileiros / Fractals and artificial neural networks applied to return forecasting of Brazilian financial assets

Este estudo tem como problema de pesquisa a previsão de retorno de ativos financeiros. Buscou verificar a existência de relação entre memória ou dependência de longo prazo em séries temporais fractais e erro de previsão de retornos de ativos financeiros obtida por meio de Redes Neurais Artificiais (RNA). Espera-se que séries temporais fractais com maior memória de longo prazo permitam obter previsões com menor nível de erro, na medida em que a correlação entre os elementos da série favoreça a qualidade de previsão de RNA. Como medida de memória de longo prazo, foi calculado o expoente de Hurst de cada série temporal, o qual sofreu uma transformação para atuar como um índice de previsibilidade. Para medir o erro de previsão, foi utilizada a Raiz do Erro Quadrado Médio (REQM) produzida pela RNA em cada série temporal. O cálculo do expoente de Hurst foi realizado por meio do algoritmo da análise Rescaled Range (R/S). A arquitetura de RNA utilizada foi a de Rede Neural com Atraso Alimentada Adiante (TLFN), tendo como processo de aprendizagem supervisionada o modelo de retropropagação com gradiente descendente para minimização do erro. A amostra foi composta por ativos financeiros brasileiros negociados na Bolsa de Valores, Mercadorias e Futuros de São Paulo (BM&FBovespa), especificamente ações de companhias abertas e fundos de investimentos imobiliários em um período de 10 anos. Os resultados mostraram que a relação entre as variáveis foi significativa para previsões de retornos médios diários de 126 e 252 dias úteis e não significativa para previsão de retorno de 1 dia útil. Quando a análise foi realizada em somente ativos financeiros com expoentes de Hurst persistentes, a relação foi significativa para previsão de 1 dia útil e ainda mais significativa para previsão de 126 e 252 dias úteis, não sendo significativa quando realizada a análise em somente os ativos financeiros antipersistentes. A amostra foi também particionada entre os ativos que participaram e os que não participaram do índice Bovespa (IBOVESPA) no terceiro quadrimestre de 2013. Quando analisados somente os ativos que participaram do IBOVESPA, não houve relação significativa entre as variáveis estudadas, havendo relação significativa somente quando analisados os ativos não participantes. A participação no IBOVESPA apresentou relação significativa com memória de longo prazo e não foi encontrada relação significativa dessa participação com o erro de previsão de RNA. Os resultados encontrados sugerem que o expoente de Hurst pode ser utilizado previamente para selecionar séries temporais de retornos de ativos financeiros que são mais viáveis de serem previstos, particularmente escolhendo aqueles ativos com retornos mais persistentes e que não participem do IBOVESPA. Um gestor que deseje imprimir uma administração mais ativa de seus investimentos poderia utilizá-lo para selecionar uma carteira de ativos com essas características e realizar previsões com qualidade superior ao utilizar RNA. Um investidor que execute uma administração passiva de investimentos deveria compô-la com ativos com expoentes de Hurst característicos de processos em passeio aleatório, a fim de que não seja prejudicado por movimentos não aleatórios do mercado contra os quais não esteja se protegendo. / This study has the research problem of forecasting financial assets return. It aimed to verify the existence of relationship between long-term memory or dependence in fractal time series and prediction error of financial assets returns obtained by Artificial Neural Networks (ANN). It is expected that fractal time series with larger memory could achieve predictions with lower error, since the correlation between the elements of the series favors the quality of ANN prediction. As a long-term memory measure, the Hurst exponent of each time series was calculated, which has undergone a transformation to act as an index of predictability. To measure the prediction error, the Root Mean Square Error (RMSE) produced by ANN in each time series was used. The Hurst exponent computation was conducted through the rescaled range analysis (R/S) algorithm. The ANN architecture was Time Lagged Feedforward Neural Network (TLFN), with backpropagation supervised learning process and gradient descent for error minimization. The sample was composed of Brazilian financial assets traded in the Securities, Commodities & Futures Exchange of Sao Paulo (BM&FBovespa), more specifically public companies shares and real estate investment funds. The results showed that the relationship between the variables was significant for forecasting daily average returns of 126 and 252 business days, and not significant for predicting returns of 1 business day. When the analysis was performed only in financial assets with persistent Hurst exponents, the relationship was significant for predicting returns of 1 business day and even more significant for prediction returns of 126 and 252 business days. The relationship was not significant when the analysis was performed in only antipersistent financial assets. The sample was also partitioned among the assets participating and not participating in the Bovespa Index (IBOVESPA) of the third quarter of 2013. When only assets that participated in the IBOVESPA are considered, there was no significant relationship between the variables studied, existing significant correlation only when no participants are considered. Participation in IBOVESPA showed a significant relationship with long-term memory and no significant relationship of such participation with ANN prediction error was found. The results suggest that the Hurst exponent can be used to previously select time series of financial assets returns that are most feasible to predict, particularly choosing those assets with more persistent returns and not participating in the IBOVESPA. A manager who wishes to make a more active investment management could use it to select a portfolio with these characteristics and make predictions with superior quality when using artificial neural networks. An investor who accomplishes a passive investment management should compound his portfolio with assets that follows Hurst exponents characteristic of random walk processes, so that his is not impaired by no random market movement that he is not protected.

Identiferoai:union.ndltd.org:usp.br/oai:teses.usp.br:tde-02092014-194147
Date13 August 2014
CreatorsMendonça Neto, João Nunes de
ContributorsFavero, Luiz Paulo Lopes
PublisherBiblioteca Digitais de Teses e Dissertações da USP
Source SetsUniversidade de São Paulo
LanguagePortuguese
Detected LanguageEnglish
TypeDissertação de Mestrado
Formatapplication/pdf
RightsLiberar o conteúdo para acesso público.

Page generated in 0.0026 seconds