Deep Learning aplicado à predição de retornos do Ibovespa: uma análise do desempenho da rede neural LSTM utilizando log-retornos e diferenciação fracionária

• Ano de defesa: 2024
• Autor(a) principal: Shimabukuro, Camilo Ilzo
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Deep Learning; Diferenciação fracionária; Fractional differentiation; Ibovespa; Log-retornos; Log-return; LSTM
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/12/12139/tde-13012025-124702/

Nos últimos anos, métodos de machine learning sobre séries temporais têm apresentado capacidade preditiva superior à de modelos estatísticos. Tais modelos utilizam transformação por diferenciação para a obtenção de estacionariedade, o que implica a perda de memória do sinal de dados. A diferenciação fracionária oferece um trade-off entre estacionariedade e preservação da memória. Por sua vez, a diferenciação por log-retorno, embora resulte em séries estacionárias, ainda é pouco utilizada na predição de séries financeiras por abordagens de machine learning. A rede neural recorrente LSTM vem sendo empregada na predição de séries temporais por suas capacidades de extração de relações não lineares dos dados, de reter informações relevantes e de manter a capacidade de aprendizado durante o treinamento. Este trabalho avalia a capacidade preditiva da rede LSTM sobre séries temporais financeiras transformadas por log-retornos e diferenciação fracionária. Os dados são cotações de fechamento diário do índice Ibovespa de 2000 a 2023. Os resultados são comparados com um baseline, com métodos econométricos e com predições da rede LSTM submetida a outras transformações de dados. A rede LSTM com dados transformados por log-retornos obteve a melhor capacidade preditiva, principalmente para dados mensais, em comparação com os demais métodos. A diferenciação fracionária, porém, apresentou melhor desempenho na série diária apenas em relação às abordagens equivalentes sem diferenciação fracionária. Os resultados deste estudo ampliam o conjunto de métodos empíricos à disposição de pesquisadores, reafirmando a rede LSTM como ferramenta preditiva de utilidade. O uso de log-retornos apresenta vantagens em relação às transformações de dados pela escala MinMax e pela normalização. Para a indústria financeira, foram sugeridos aprimoramentos para abordagens preditivas e foi evidenciada a importância da integração entre finanças, métodos quantitativos e tecnologia para a obtenção de vantagens competitivas. Para a sociedade, em especial os investidores pessoa física, esta pesquisa oferece conteúdo informacional para a alocação de recursos em estratégias quantitativas.