Anais
Resumo do trabalho
Finanças · Finanças Quantitativas
Título
Uma jornada épica onde GARCH é Gandalf, LSTM é Legolas e o Precioso é a Previsão da Volatilidade
Palavras-chave
Risco de Mercado
Investimentos
Mercado Financeiro
Autores
-
Flavio Luiz de Moraes BarbozaUNIVERSIDADE FEDERAL DE UBERLÂNDIA (UFU)
-
JOSE AUGUSTO FIORUCCI
-
Jean Carlos DomingosUNIVERSIDADE FEDERAL DE UBERLÂNDIA (UFU)
Resumo
Introdução
O mercado de capitais é inerentemente volátil, sendo essa característica central para sua dinâmica e atratividade. A volatilidade, embora crucial para avaliação de riscos e precificação de ativos, apresenta desafios significativos em sua mensuração e previsão. Este estudo compara abordagens tradicionais (GARCH) e modernas (machine learning) para prever volatilidade, com foco em mercados desenvolvidos e emergentes.
Problema de Pesquisa e Objetivo
Embora modelos GARCH sejam amplamente utilizados, sua capacidade de capturar padrões complexos em mercados voláteis é limitada. Simultaneamente, técnicas de machine learning vêm ganhando destaque, mas sua eficácia comparativa em diferentes contextos de mercado ainda não está consolidada. O objetivo é avaliar o desempenho preditivo de oito modelos (GARCH, LSTM, CNN, XGBoost, entre outros) em 6 índices (S&P 500, Euro Stoxx 100, Hang Seng, ASX All Ordinaries, IBOVESPA e JSE Top 40), que abrangem mercados desenvolvidos e emergentes e os 5 continentes.
Fundamentação Teórica
A volatilidade é uma métrica de risco fundamental, porém latente, exigindo métodos robustos para sua estimação. Modelos GARCH são eficazes em capturar heterocedasticidade condicional, enquanto técnicas de ML (como LSTM e XGBoost) destacam-se ao modelar não linearidades e dependências temporais complexas. Estudos recentes sugerem que modelos híbridos e baseados em deep learning frequentemente superam abordagens tradicionais.
Metodologia
O estudo emprega uma abordagem comparativa, avaliando modelos GARCH, LSTM, GRU, CNN, XGBoost e CatBoost em seis índices globais. Utilizam-se duas medidas de volatilidade (teórica e de mercado) para treinamento dos modelos e métricas de erro consolidadas (RMSE, MAE e MAPE). Os dados são referentes simulações usadas para ter o valor exato da volatilidade como valor de referência, as quais surgem de distribuições baseadas em índices de diferentes mercados, incluindo ainda períodos de crise e estabilidade. Para garantir a comparação apropriada, aplicou-se o teste de Diebold-Mariano.
Análise dos Resultados
Os resultados indicam que modelos de deep learning (LSTM, CNN) superam GARCH em mercados desenvolvidos, com melhores métricas de precisão. Em emergentes, contudo, essa superioridade é menos consistente, sugerindo que a maior imprevisibilidade desses mercados exige adaptações metodológicas. Modelos baseados em árvores (XGBoost) também apresentam desempenho competitivo. Os testes mostram que estes resultados são estatisticamente significativos, validando assim as constatações percebidas.
Conclusão
Conclui-se que, embora técnicas de ML ofereçam vantagens preditivas em muitos cenários, a escolha do modelo ideal depende do contexto de mercado. Em mercados maduros, LSTM e CNN são preferíveis, enquanto em emergentes, combinações de métodos tradicionais e ML podem ser mais robustas. A interpretabilidade dos modelos também deve ser considerada em aplicações práticas.
Contribuição / Impacto
Academicamente, o estudo unifica análises fragmentadas, comparando múltiplos modelos em diversos mercados. Na prática, auxilia investidores e gestores na seleção de técnicas adequadas a cada contexto. Adicionalmente, a análise de mercados emergentes traz insights valiosos, frequentemente negligenciados na literatura. Os resultados reforçam a importância de adaptar estratégias de modelagem às particularidades de cada ambiente econômico.
Referências Bibliográficas
Bollerslev, T., Patton, A. J., and Quaedvlieg, R. (2016). Exploiting the errors: A simple approach
for improved volatility forecasting. Journal of Econometrics, 192(1):1–18.
Christensen, K., Siggaard, M., and Veliyev, B. (2023). A machine learning approach to volatility
forecasting. Journal of Financial Econometrics, 21(5):1680–1727.
Engle, R. F. and Patton, A. J. (2001). What good is a volatility model? Quantitative Finance,
1(2):237–245.
for improved volatility forecasting. Journal of Econometrics, 192(1):1–18.
Christensen, K., Siggaard, M., and Veliyev, B. (2023). A machine learning approach to volatility
forecasting. Journal of Financial Econometrics, 21(5):1680–1727.
Engle, R. F. and Patton, A. J. (2001). What good is a volatility model? Quantitative Finance,
1(2):237–245.