Retorno de Ações
Machine Learning
Expectativas Econômicas
Área
Finanças
Tema
Apreçamento de Ativos
Autores
Nome
1 - Daniel Costa Aires FUCAPE Business School - Vitória
2 - Olavo Venturim Caldas FUCAPE Business School - Vitória/ES
3 - Danilo FUCAPE Business School - Vitória
4 - Luis Gustavo do Lago Quinteiro UNIVERSIDADE ESTADUAL DE GOIÁS (UEG) - Campos Metropolitano - Aparecida de Goiânia
Reumo
O presente estudo avalia se as variáveis de expectativas econômicas do mercado divulgadas pelo Banco Central do Brasil contribuem para a previsão de retornos de ações. O workflow de Kumbure et al. (2022) e o algoritmo “XGBoost” foram aplicados em uma amostra de 78 empresas do índice IBRX da bolsa brasileira, no período de março de 2021 a março de 2023, considerando as expectativas dos indicadores econômicos (SELIC, Cambio, IPCA, IGP-M e PIB). Os resultados evidenciam que expectativas econômicas, para algumas empresas, contribuem para melhoria das previsões de retorno das ações na bolsa brasile
O objetivo da pesquisa e avaliar se a inclusão de variáveis de expectativas econômicas, juntamente com variáveis fundamentalistas e técnicas, aumentam a performance dos modelos de previsões de retorno de ações do mercado brasileiro, utilizando-se o workflow de Kumbure et al. (2022) e o algoritmo “XGBoost”. Busca-se responder a seguinte questão de pesquisa: As variáveis de expectativas econômicas contribuem para maior performance da previsão de retornos de ações no mercado brasileiro?
O impacto das variáveis econômicas no desempenho de bolsa de valores é amplamente debatido na literatura, por exemplo, Verma e Bansal (2021). Muth (1961) destaca que pessoas, empresas e governos formam expectativas econômicas do mercado com base no conhecimento do passado e informações existentes no presente e a partir delas tomam suas decisões sobre os preços futuros dos ativos. Assim, a utilização de expectativas econômicas do mercado na previsão retorno das ações nos modelos de machine learning pode contribuir para obtenção de retornos anormais.
Utilizou-se como variáveis dados de cotações, indicadores técnicos, indicadores fundamentalistas e expectativas econômicas do crescimento do PIB trimestral, da taxa SELIC Anual, das variações mensais do PIB e do Cambio divulgados pelo Banco Central do Brasil através do Sistema de Gerenciamento de Expectativas.
Muito embora para alguns modelos os resultados apresentaram ganhos quando inseridos variáveis de expectativas econômicas do mercado, em média os indicadores técnicos constroem modelos cujos indicadores são os melhores. No entanto para grupos de empresas da amostra tal contribuição foi positiva, fato que pode indicar que as expectativas afetam de forma diferente grupos de empresas.
As variáveis de expectativas econômicas não contribuíram em média para a melhoria dos resultados dos modelos treinados com XGBoost. Entretanto os resultados indicam que combinação de indicadores técnicos, fundamentalistas e expectativas econômicas do mercado resultou em previsões com correlações máximas superiores a 90% para determinados grupos de empresas, sugerindo que esses indicadores podem influenciar positivamente os retornos de forma diferente os grupos de empresas.
Kumbure, M. M., Lohrmann, C., Luukka, P., & Porras, J. (2022). Machine learning techniques and data for stock market forecasting: a literature review. Expert Systems with Applications, 116659.
Muth, J. F. (1961). Rational expectations and the theory of price movements. Econometrica: Journal of the Econometric Society, 315-335.
Verma, R. K., & Bansal, R. (2021). Impact of macroeconomic variables on the performance of stock exchange: a systematic review. International Journal of Emerging Markets.