Previsão de retornos de ações dos setores financeiro, de alimentos, industrial e de serviços, por meio de rna e modelos arima-garch

Abstract

O objetivo deste trabalho é realizar previsões de séries de retornos de ações de empresas dos setores financeiro, de alimentos, industrial e de serviços, utilizando redes neurais artificiais (RNA) do tipo feedforward treinadas com algoritmo de Levenberg-Marquardt e modelos Arima-Garch. Selecionaram-se duas séries de cada setor, e os dados foram obtidos da economática. Para o setor financeiro, são analisadas as séries dos bancos Bradesco e Itaú, no setor de alimentos a Perdigão e a Sadia, no setor industrial a Marcopolo e a Gerdau, e no setor de serviços o Pão de Açúcar e Lojas Americanas. Verificou-se que as previsões realizadas pelas duas técnicas têm desempenhos parecidos, não revelando superioridade de nenhuma técnica.

Previsão De Séries Temporais Com Clusterização, Análise De Previsores E Comitê De Máquinas

“…Em 1970, George Box e Gwilym Jenkins aplicaram modelos auto regressivos de médias móveis (ARMA ou ARIMA) na tentativa de encontrar semelhanças em trechos passados da série temporal de forma a ajudá-los na tarefa da previsão de dados futuros [3]. Em 1986, foi criado um modelo de processos de heterocedasticidade condicional auto regressiva generalizada (GARCH) para modelar a volatilidade de séries temporais e estimar a variância condicional [4,5].…”

“…Em 1970, George Box e Gwilym Jenkins aplicaram modelos auto regressivos de médias móveis (ARMA ou ARIMA) na tentativa de encontrar semelhanças em trechos passados da série temporal de forma a ajudá-los na tarefa da previsão de dados futuros [3]. Em 1986, foi criado um modelo de processos de heterocedasticidade condicional auto regressiva generalizada (GARCH) para modelar a volatilidade de séries temporais e estimar a variância condicional [4,5].Com o tempo, Comrie (1997) mostrou que redes neurais artificiais (RNA) apresentam resultados um pouco superiores quando comparadas a métodos de regressão tradicionais, na previsão do nível de ozônio em diferentes cidades. Cho (2003) mostrou que as RNAs se saíram melhores que o modelo ARIMA na previsão de turistas em Hong Kong, principalmente em casos onde não existe um padrão definido, como no caso da oscilação do número de turistas oriundos do Japão devido à crise…”

Previsão De Séries Temporais Com Clusterização, Análise De Previsores E Comitê De Máquinas

“…Em 1970, George Box e Gwilym Jenkins aplicaram modelos auto regressivos de médias móveis (ARMA ou ARIMA) na tentativa de encontrar semelhanças em trechos passados da série temporal de forma a ajudá-los na tarefa da previsão de dados futuros [3]. Em 1986, foi criado um modelo de processos de heterocedasticidade condicional auto regressiva generalizada (GARCH) para modelar a volatilidade de séries temporais e estimar a variância condicional [4,5].…”

“…. Projeto + Atributos antes da clusterização com erro baixo: Utiliza a mesma estrutura definida no teste 2, com a diferença de o sistema se abster de realizar previsões para as classes de dados cujo erro associado a ela estava muito alto (RMSE > 5, vale ressaltar que este valor foi obtido empiricamente e não deve ser generalizado para todos os domínios de aplicação) 4…”

Previsão de Séries Temporais com Clusterização, Análise de Previsores e Comitê de Máquinas

“…Em 1970, George Box e Gwilym Jenkins aplicaram modelos auto regressivos de médias móveis (ARMA ou ARIMA) na tentativa de encontrar semelhanças em trechos passados da série temporal de forma a ajudá-los na tarefa da previsão de dados futuros (Box and Jenkins, 1970). Em 1986, foi criado um modelo de processos de heterocedasticidade condicional auto regressiva generalizada (GARCH) para modelar a volatilidade de séries temporais e estimar a variância condicional (Oliveira, 2008;Bollerslev, 1986).…”