Deep learning no mercado acionário brasileiro: fatores que possibilitam previsões consistentes para a tomada de decisão em condições de risco

• Ano de defesa: 2019
• Autor(a) principal: Rubim, Felipe Henrique
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Brazilian stock market; Decision making process; Deep learning; Forecast return; LSTM; Mercado acionário brasileiro; Previsão de retorno; Processo decisório
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/12/12139/tde-17032020-183245/

A concepção e operação de estratégias de compra e venda de ações por mecanismos de inteligência artificial ganharam escala na última década visando resultados acima da média do mercado para seus usuários, em geral, hedge funds, investidores institucionais e grandes bancos de investimentos. O aprendizado de máquina se tornou o arcabouço central no desenvolvimento desses processos, em função de sua extraordinária capacidade de revelação de padrões escondidos em um universo obscuro de dados, que até então apenas dificultava o processo de tomada de decisão tradicional, realizado pelos agentes do mercado de capitais. Em particular, este trabalho visa compreender se no mercado acionário brasileiro é possível tomar decisões consistentes, em um processo diário de seleção de ações, com auxílio de redes neurais recorrentes do tipo Long Short-Term Memory (LSTM), que em determinados níveis de profundidade e conectividade são conhecidas como deep learning. Os modelos baseados na arquitetura LSTM são propícios para a extração de informações relevantes de longas sequências de dados, portanto, são naturalmente aplicáveis ao problema de previsão do retorno futuro de ações a partir de séries temporais financeiras históricas, como os preços diários das próprias ações, os índices gerais de mercado, a cotação do dólar, entre outras. Assim, foi proposta uma metodologia que utiliza redes neurais LSTM, em conjunto com tais séries temporais, como modelos preditivos para apoiar a tomada de decisão no mercado acionário brasileiro. Com isso, diversos experimentos foram realizados para encontrar a melhor arquitetura e verificar seu potencial econômico, compreendendo as ações constituintes do Índice Bovespa (Ibovespa) no período entre 2007 e 2018. Em linha com as evidências apontadas em estudos prévios, os modelos apresentaram ótimos resultados, mesmo em configurações relativamente simples. Grandes estruturas LSTM tiveram performance ligeiramente inferior às arquiteturas menores. Além disso, observou-se que o conjunto de informações complementares aos preços das ações melhoraram o aprendizado e a acurácia dos modelos, sobretudo os índices de mercado e a taxa de câmbio. Em termos econômicos, o retorno médio anual bruto de uma carteira que simula compras diárias de 10 ações atingiu a marca de 22,3%. Esse resultado supera em mais de 100% o retorno médio das ações constituintes do Ibovespa, no mesmo período. Sobretudo, a curva de rentabilidade dessa carteira foi consistentemente maior que a curva referente ao Ibovespa. As evidências encontradas sugerem, portanto, que a metodologia proposta é capaz de revelar fortes variáveis preditivas e proporcionar ganhos de capital relevantes, através da aplicação das redes neurais LSTM no mercado brasileiro.