Eficiência no Mercado Ibérico de Títulos: Evidência na Forma Fraca

A forma fraca da Hipótese de Eficiência de Mercado (HEM) é das três formas de eficiência propostas por Fama (1970) aquela que tem sido mais testada ao longo do tempo, em grande parte devido à disponibilidade de informação relativa aos dados históricos dos títulos. De acordo com esta hipótese, é impossível obter ganhos anormais através de estratégias de investimento com base em padrões dos preços passados. O objectivo deste trabalho é o de testar a hipótese de eficiência de mercado, na sua forma fraca, tendo por base os dois principais índices de acções do mercado de capitais ibérico ˗˗ o índice de acções português (Portuguese Stock Index, PSI-20) e o índice de acções espanhol (Spanish Stock Index, IBEX-35) ˗˗ no período compreendido entre Janeiro de 1997 a Dezembro de 2010. Para tal, recorre-se a uma metodologia baseada em quatro testes para analisar a hipótese de passeio aleatório: teste de correlação linear, teste de sequências, teste de raiz unitária e teste do rácio de variância. Todos estes testes foram realizados através dos softwares estatísticos EVIEWS 7.0 e SPSS 17.0. Os testes efectuados reportam resultados empíricos mistos. Apesar da hipótese de passeio aleatório ser suportada pelo teste de correlação linear, para as rendibilidades diárias dos dois índices de acções, e pelo teste de sequências para as rendibilidades diárias em relação ao IBEX-35, verifica-se que existem fortes evidências que conduzem à rejeição desta hipótese. Por conseguinte, a hipótese de eficiência na forma fraca também é rejeitada para os dois mercados bolsistas.

Protótipo de testes para aprendizagem com classificadores múltiplos

Os classificadores múltiplos são processos que utilizam um conjunto de modelos, cada um deles obtido pela aplicação de um processo de aprendizagem para um problema dado. Combinam vários classificadores individuais, em que para cada um deles são utilizados dados de treino para gerar limites de decisão diferentes. As decisões produzidas pelos classificadores individuais contém erros, que são combinados pelos classificadores múltiplos de forma a reduzir o erro total. Estes têm vindo a ganhar uma crescente importância devido principalmente ao facto de permitirem obter um melhor desempenho quando comparado com o obtido por qualquer um dos modelos que o compõem, principalmente quando as correlações entre os erros cometidos pelos modelos de base são baixos. A investigação nesta área tem crescido, tornando-se uma área de investigação importante. No entanto, para que o desempenho seja melhor do que o desempenho obtido por cada classificador individualmente, é necessário que cada um deles produza uma decisão diferente originando uma diversidade de classificação. Esta diversidade pode ser obtida tanto pela utilização de diferentes conjuntos de dados para o treino individual de cada classificador, como também pela utilização de diferentes parâmetros de formação de diferentes classificadores. Apesar disso, a utilização de classificadores múltiplos para aplicações no mundo real pode apresentar-se como dispendiosa e morosa. Tem-se notado nos dias de hoje que o desenvolvimento web tem vindo a crescer exponencialmente, assim como o uso de bases de dados. Desta forma, combinando a forte utilização da linguagem R para cálculos estatísticos com a crescente utilização das tecnologias web, foi implementado um protótipo que facilitasse a utilização dos classificadores múltiplos, mais precisamente, foi desenvolvida uma aplicação web que permitisse o teste para aprendizagem com classificadores múltiplos, sendo utilizadas as tecnologias PHP, R e MySQL. Com esta aplicação pretende-se que seja possível testar algoritmos independentes do software em que estejam desenvolvidos, não sendo necessariamente escritos em R. Nesta Dissertação foi utilizada a expressão “classificadores múltiplos” por ser a mais comum, apesar de ser redutora e existirem outros termos mais genéricos como por exemplo modelos múltiplos e ensemble learning.