Resumo

Estudos precedentes, teóricos e empíricos, evidenciaram que existe uma relação positiva entre os mercados financeiros e o crescimento econômico (p.ex., Levine, 1997; Rajan & Zingales, 1998; Rousseau & Watchel, 2000; Beck & Levine, 2003; Guptha & Rao, 2018). Dada à importância dos mercados financeiros, a previsão de retornos das ações ocupa uma posição de destaque na tomada de decisão sobre investimentos.

O presente estudo, portanto, teve como objetivo avaliar diferentes técnicas de previsão, a saber: modelos ARIMA, SETAR, ANN, SSA e HM, representando inteligência linear, não linear, inteligência artificial (IA), domínio da frequência e métodos híbridos, respectivamente, aplicando-os a mercados de ações individuais.

Propostos por George Box e Gwilym Jenkins em 1970, os modelos ARIMA estão entre os modelos lineares mais populares. Nos modelos ARIMA, o valor futuro de uma variável é obtido através de uma função linear de algumas observações anteriores da variável e de alguns erros aleatórios. O modelo SETAR, desenvolvido por Tong (1983), é um tipo de modelo autoregressivo que pode ser aplicado aos dados de séries temporais.Redes Neurais Artificiais (RNA).

Dos vinte e quatro índices do mercado de ações, o modelo SETAR produziu previsões ideais para dez, ARIMA para sete, modelos HM para cinco e modelos ANN e SSA para um mercado cada. A partir desses resultados, podemos observar que modelos não lineares são mais úteis para mercados desenvolvidos, emergentes e de fronteira. Outra observação interessante é que os modelos de IA e domínio de frequência foram considerados adequados apenas para um mercado cada.

Os resultados mostraram que nenhuma técnica de previsão única forneceu uma previsão ideal para todos os mercados. No entanto, o SETAR teve melhor desempenho em dez mercados, ARIMA em sete, HM em cinco e ANN e SSA em um mercado cada. As técnicas SETAR e ARIMA podem, portanto, ser consideradas as vencedoras na previsão de retornos do mercado de ações para mercados desenvolvidos, emergentes e de fronteira, pois esses dois métodos forneceram previsões ideais para dezessete dos vinte e quatro mercados.

Adebiyi AA, Oluinka A (2014) Comparision of ARIMA and artificial neural network models for stock market prediction. Journal of Applied Mathematics. Almudhaf F (2018) Predictability, Price bubbles, and efficiency in the Indonesian stock-market. Bull Indones Econ Stud 54(1): 113–124 Al-Shaib M (2006) The predictability of the Amman stock exchange using Univariate autoregressive integrated moving average (ARIMA) model. Journal of Economic and Administrative Sciences 22(2):17–35 Aras S, Kocakoc ID (2016) A new model selection strategy in time series forecasting with artificial neural networks. IH