Tomada de decisão no mercado financeiro:
uma comparação entre Redes Neurais Artificiais e Sistemas Neuro-Fuzzy para previsão do índice Bovespa
DOI:
https://doi.org/10.22567/rep.v13i1.952Palavras-chave:
redes neurais artificiais, sistemas neuro-fuzzy, índice BovespaResumo
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 a busca de alternativas a modelos lineares que podem ignorar certos aspectos das estruturas dinâmicas existentes no mercado de ações. A metodologia foi de caráter descritiva e quantitativa. 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). Verificou-se um bom ajuste do modelo para a série estudada, o que confirma que modelos híbridos utilizando Sistemas Fuzzy (em termos de regras difusas) apresentam características que podem ser úteis para lidar com séries temporais que possuem estruturas dinâmicas complexas e não-lineares como é o caso das séries temporais financeiras. Os resultados encontrados demonstram que 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.
Referências
Araújo, A. C., & Montini, A. (2018). High Frequency Trading: análise de retorno, volume e volatilidade. Revista de Administração FACES Journal, 17(2).
Bachelier, L. (1900). Théorie de la spéculation. In Annales scientifiques de l'École normale supérieure, 17, 21-86.
Bódis, L. (2004). Financial times series forecasting using artificial neural networks. Masters dissertation, “Babes-Boluai” University, Faculty of Mathematics and Computer Science, Department of Computer Science, Cluj-Napoca, Romania.
Brockwell, P. J., & Davis, R. A. (1991). Time Series: Theory and Methods. Springer Science & Business Media.
Brum, C. A. (2006). Aprenda a investir em ações e a operar na bolsa via internet. Rio de Janeiro: Ed. Ciência Moderna Ltda.
Camargos, M. A., Romero, J. A. R., & Barbosa, F. V. (2008). Análise empírica da prática de insider trading em processos de fusões e aquisições recentes na economia brasileira. REGE Revista de Gestão, 15(4), 55-70.
Castro, C. L. (2003). Sistema inteligente baseado em Redes Neurais Artificiais para previsão on-line do Índice ibovespa. Masters dissertation, CPDEE-UFMG.
Charnet, R., Freire, C. D. L., Charnet, E. M. R., & Bonvino, H. (1999). Análise de modelos de regressão linear com aplicações. Campinas, São Paulo, Unicamp, 356p.
Coelho, L. D. S., Santos, A. P., & Costa Jr, N. C. A. (2008). Podemos prever a taxa de cambio brasileira? Evidência empírica utilizando inteligência computacional e modelos econométricos. Revista Gestão da Produção, 635-647.
DeLurgio, S. A. (1998). Forecasting principles and applications. Irwin Professional Publishing.
Demsetz, H. (1968). The cost of transacting. The quarterly journal of economics, 82(1), 33-53.
Fama, E. F. (1970). Efficient capital markets: A review of theory and empirical work. The journal of Finance, 25(2), 383-417.
Fama, E. F., & French, K. R. (1988). Permanent and temporary components of stock prices. Journal of political Economy, 96(2), 246-273.
Fama, E. F. (1991). Efficient capital markets: II. The journal of finance, 46(5), 1575-1617.
Haugen, R. A. (1997). Modern Investment Theory. Upper Saddle River, New Jersey, Prentice Hall.
Haykin, S. (2001). Redes neurais: Princípios e Prática. Editora: Bookman, Porto Alegre.
Hsu, M. W., Lessmann, S., Sung, M. C., Ma, T., & Johnson, J. E. (2016). Bridging the divide in financial market forecasting: machine learners vs. financial economists. Expert Systems with Applications, 61, 215-234.
Jang, J. S. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics, 23(3), 665-685.
Leite, D., Gomide, F., Ballini, R., & Costa, P. (2011, June). Fuzzy granular evolving modeling for time series prediction. In 2011 IEEE International Conference on Fuzzy Systems, 2794-2801.
Lo, A. W., & MacKinlay, A. C. (1988). Stock market prices do not follow random walks: Evidence from a simple specification test. The review of financial studies, 1(1), 41-66.
Maciel, L., Ballini, R., & Gomide, F. (2016). Evolving possibilistic fuzzy modeling for realized volatility forecasting with jumps. IEEE Transactions on Fuzzy Systems, 25(2), 302-314.
Martins, G. D. A., & Theóphilo, C. R. (2009). Metodologia da investigação cientifica para ciências sociais aplicadas. São Paulo: Atlas.
Matlab (2014). The MathWorks - Fuzzy Logic Toolbox. User’s guide, Versão 2, 2-11.
Matsura, E. (2007). Comprar ou Vender: Como investidor na bolsa utilizando a análise gráfica. 6. ed. São Paulo: Saraiva.
Morettin, P. A., & Toloi, C. (2006). Análise de séries temporais. 2. ed. São Paulo: Edgar Blücher.
Poterba, J. M., & Summers, L. H. (1988). Mean reversion in stock prices: Evidence and implications. Journal of financial economics, 22(1), 27-59.
Takage, T., & Sugeno, M. (1985). Fuzzy identify coition of system and Its application to modeling and control. IEEE Trana SMC.
Talarposhti, F. M., Sadaei, H. J., Enayatifar, R., Guimarães, F. G., Mahmud, M., & Eslami, T. (2016). Stock market forecasting by using a hybrid model of exponential fuzzy time series. International Journal of Approximate Reasoning, 70, 79-98.
Vergara, S. C. (2008). Projetos e relatórios de pesquisa em Administração. São Paulo: Atlas.
Zhang, G., Patuwo, B. E., & Hu, M. Y. (1998). Forecasting with artificial neural networks: The state of the art. International Journal of Forecasting, 14(1), 35-62.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 REVISTA ENIAC PESQUISA
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
