Previsão do índice bovespa por meio de redes neurais artificiais: uma análise comparada aos métodos tradicionais de séries de tempo

Forecast is the basis for making strategic, tactical and operational business decisions. In financial economics, several techniques have been used to predict the behavior of assets over the past decades.Thus, there are several methods to assist in the task of time series forecasting, however, conventional modeling techniques such as statistical models and those based on theoretical mathematical models have produced unsatisfactory predictions, increasing the number of studies in more advanced methods of prediction. Among these, the Artificial Neural Networks (ANN) are a relatively new and promising method for predicting business that shows a technique that has caused much interest in the financial environment and has been used successfully in a wide variety of financial modeling systems applications, in many cases proving its superiority over the statistical models ARIMA-GARCH. In this context, this study aimed to examine whether the ANNs are a more appropriate method for predicting the behavior of Indices in Capital Markets than the traditional methods of time series analysis. For this purpose we developed an quantitative study, from financial economic indices, and developed two models of RNA-type feedfoward supervised learning, whose structures consisted of 20 data in the input layer, 90 neurons in one hidden layer and one given as the output layer (Ibovespa). These models used backpropagation, an input activation function based on the tangent sigmoid and a linear output function. Since the aim of analyzing the adherence of the Method of Artificial Neural Networks to carry out predictions of the Ibovespa, we chose to perform this analysis by comparing results between this and Time Series Predictive Model GARCH, developing a GARCH model (1.1).Once applied both methods (ANN and GARCH) we conducted the results' analysis by comparing the results of the forecast with the historical data and by studying the forecast errors by the MSE, RMSE, MAE, Standard Deviation, the Theil's U and forecasting encompassing tests. It was found that the models developed by means of ANNs had lower MSE, RMSE and MAE than the GARCH (1,1) model and Theil U test indicated that the three models have smaller errors than those of a naïve forecast. Although the ANN based on returns have lower precision indicator values than those of ANN based on prices, the forecast encompassing test rejected the hypothesis that this model is better than that, indicating that the ANN models have a similar level of accuracy . It was concluded that for the data series studied the ANN models show a more appropriate Ibovespa forecasting than the traditional models of time series, represented by the GARCH model

Nas organizações, a previsão constitui a base para a tomada de decisões estratégicas, táticas e operacionais. Na economia financeira, diversas técnicas têm sido usadas a fim de prever o comportamento de ativos no decorrer das últimas décadas. Assim, existem diversos métodos para auxiliar na tarefa de previsão de séries temporais, entretanto, técnicas de modelagem convencionais como modelos estatísticos e aqueles baseados em modelos matemáticos teóricos têm produzido previsões insatisfatórias, aumentando o número de estudos em métodos mais avançados de previsão. Dentre estes, as Redes Neurais Artificiais (RNA) são um método relativamente recente e promissor para a previsão em negócios que se revela uma das técnicas que tem causado muito interesse no ambiente financeiro e tem sido utilizado com sucesso em uma ampla variedade de aplicações de sistemas de modelagem financeiro, provado em muitos casos sua superioridade sobre os modelos estatísticos ARIMA-GARCH (OLIVEIRA,2007). Nesse contexto, o presente trabalho teve por objetivo analisar se as RNAs são um método mais adequado para a previsão do comportamento de Índices em Mercados de Capital do que métodos tradicionais de análise de séries temporais. Para tanto, foi desenvolvido um estudo quantitativo que, a partir de índices econômico financeiros, elaborou dois modelos de RNA do tipo feedfoward de aprendizado supervisionado, cujas estruturas consistiram em 20 dados na camada de entrada, 90 neurônios em uma camada oculta e um dado como camada de saída (índice Ibovespa). Estes modelos utilizaram BackPropagation, função de ativação de entrada baseada na tangente Sigmoid e uma função de saída linear. Visto o intuito de analisar a aderência do Método de Redes Neurais Artificiais à realização de previsões do Ibovespa, optou-se por realizar tal análise por meio da comparação de resultados entre este e o Método de previsão em séries temporais GARCH, desenvolvendo-se um modelo GARCH (1,1). Uma vez aplicadas ambas as metodologias (RNA e GARCH) e desenvolvidos os modelos, realizou-se a análise dos resultados obtidos comparando-se os resultados das previsões com os dados históricos e estudando-se os erros de previsão por meio do MSE, RMSE, MAE, Desvio Padrão, U de Theil e teste abrangente da previsões. Verificou-se que os modelos desenvolvidos por meio de RNAs apresentaram menores MSE, RMSE e MAE que o modelo de controle e o teste U de Theil indicou que os três modelos estudados apresentam erros menores que os de uma previsão ingênua. Embora a RNA baseada em retornos tenha apresentado valores dos indicadores de precisão inferiores aos da RNA baseada em preços, o teste abrangente de regressões rejeitou a hipótese de que este modelo seja superior que aquele, indicando que os modelos de RNA apresentam um nível semelhante de precisão. Concluiu-se que, para a série de dados estudada neste trabalho, as Redes Neurais artificiais se mostram um modelo mais adequado de previsão do que os modelos tradicionais de séries temporais, representado neste pelo método GARCH