Resumo

As principais dificuldades para modelar a previsão de séries temporais financeiras residem nas próprias particularidades das séries, tais como: tendências, heteroscedasticidade condicional, pontos influentes (atípicos), sazonalidade e a não-linearidade, isto é, particularidades que demonstram, volatilidade e não estacionariedade (MORETTIN; TOLOI, 2006). Coelho, Santos e Costa Jr. (2008) observam que o uso de modelos lineares na tentativa de explicação e previsão do comportamento dinâmico e não linear de séries temporais financeiras tem gerado críticas entre os estudiosos do campo.

Partindo-se do pressuposto que os fatores que influenciaram os padrões de comportamento das séries temporais no passado continuarão a influenciar o comportamento futuro, o presente trabalho tem por objetivo realizar a previsão das séries temporais do Índice Bovespa (Ibovespa) utilizando os métodos de Redes Neurais Artificiais – RNA e Adaptive Neuro Fuzzy Inference Systems – ANFIS. Tendo em vista buscar alternativas a modelos lineares que podem ignorar certos aspectos das estruturas dinâmicas existentes no mercado de ações.

O campo de previsão de séries temporais financeiras tem produzidos importantes trabalhos que buscam questionar as hipóteses de eficiência de mercado e o Random Walk (ver POTERBA; SUMMERS, 1988; MACIEL; BALLINI; GOMIDE, 2017). Nesses trabalhos os autores evidenciam que o retorno das ações pode ser predito em algum nível, isso em decorrência do fato que em muitas séries de tempo financeiras existem evidências de heteroscedasticidade condicional, o que demonstra que os retornos não são completamente independentes e identicamente distribuídos como pressupõe o modelo Random Walk.

Para as técnicas de análise de dados, tendo em vista as possíveis características das séries temporais financeiras, optou-se por utilizar dois métodos não lineares para a análise, ou seja, uma rede neural artificial (RNA) com arquitetura MLP (multilayer perceptron) com algoritmo Levenberg-Marquardt e também o método Adaptative Neuro-Fuzzy Inference System (ANFIS). As séries temporais escolhidas para análise foram às séries do Índice Bovespa (Ibovespa).

O modelo de Redes Neurais Artificiais apresentou um maior erro que o Modelo Adaptive Neuro Fuzzy Inference Systems, tanto no que se refere ao RMSE, quanto ao MAPE. Entre as alterações ocorridas no espaço amostral, pode-se ver que as relações geradas quando o Spreadt é alto e o Retornot-1 é baixo, impactam em um valor do Fechamentot+1 baixo, para esse caso o inverso também é verdadeiro. Outro ponto é que generalizando o modelo para previsões em t+2 até t+6 (uma semana à frente) percebe-se que o erro aumenta de forma linear o que possibilita uma maior margem de previsão para tomada de decisão.

Verificou-se um bom ajuste do modelo para a série estudada, o que confirma que modelos híbridos apresentam características que podem ser úteis para lidar com séries temporais que possuem estruturas dinâmicas complexas e não-lineares. Por meio de métodos como o Adaptive Neuro Fuzzy Inference Systems – ANFIS, pode-se realizar previsões para o mercado acionário com certa previsibilidade, comprovando que eventos ocorridos no passado podem vir a determinar eventos futuros como salienta a teoria de Charles Dow e refutando a hipótese do Random Walk de Bachelier (1964) para a presente amostra.

ARAÚJO, A. C.; MONTINI, A. High Frequency Trading: análise de retorno, volume e volatilidade. Revista de Administração Faces Journal, v. 17, 2018. FAMA, E. F. Efficient capital markets: A review of theory and empirical work. Journal of Finance, v. 25, n. 2, p. 383-417, 1970. JANG, J.-S. R. ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics, v. 23, n. 3, 1993. MACIEL, L.; BALLINI, R.; GOMIDE, F. Evolving possibilistic fuzzy modeling for realized volatility forecasting with jumps. IEEE Transactions on Fuzzy Systems, v. 25, n. 2, 2017.