Previsão do Índice Bovespa Utilizando Variáveis Exógenas

• Orlando da Silva Junior Universidade de São Paulo
• Osvaldo Ribeiro dos Santos Centro Universitário das Faculdades Metropolitanas Unidas

DOI: https://doi.org/10.5753/bresci.2024.243657

Resumo

Modelos econométricos têm adotado o uso de variáveis exógenas para melhorar a o desempenho de modelos de previsão. No entanto, a maior parte dos modelos ainda focam as aplicações de curto e curtíssimo prazos. Neste trabalho, estudamos o uso de variáveis exógenas para a previsão do rendimento futuro do índice Bovespa em prazos longos. Adotamos uma metodologia baseada em redes neurais artificiais para consolidar, selecionar e modelar variáveis que consolidam 15 anos de informações sobre o mercado financeiro brasileiro. A metodologia também permite a seleção das variáveis mais relevantes para a previsão do índice. Os resultados mostram que uma rede neural artificial é capaz de prever o desempenho futuro do Ibovespa com mais de 85% de explicabilidade das variáveis selecionadas, mesmo em períodos de alta volatilidade no mercado.

Palavras-chave: previsão do ibovespa, redes neurais, variáveis macroeconômicas, preços de commodities, seleção de atributos

Referências

Banas, J. and Utnik-Banas, K. (2021). Evaluating a seasonal autoregressive moving average model with an exogenous variable for short-term timber price forecasting. Forest Policy and Economics, v. 131.

Bhandari, H. N., Rimal, B., Pokhrel N. R., Rimal, R., Dahal K. R. and Khatri, R. K. C. (2022). Predicting stock market index using LSTM. Machine Learning with Applications.

De Campos, L. M. L. and De Figueiredo, Y. F. C. (2021). Avaliação de redes neurais profundas para a previsão de preço das ações da Petrobrás. Revista Gestão & Tecnologia, [S. l.], v. 21, n. 3.

Hu, Z., Zhao, Y. and Khushi, M. (2021). A survey of forex and stock price prediction using deep learning. Applied System Innovation.

Lakshminarayanan, S. K. and McCrae, J. P. (2019). A Comparative Study of SVM and LSTM Deep Learning Algorithms for Stock Market Prediction. Artificial Intelligence and Cognitive Science (AICS).

Long, W., Lu Z. and Cui, L. (2019). Deep learning-based feature engineering for stock price movement prediction. Knowledge-Based Systems, v. 164.

Nelson, D. M.Q., Pereira, A. C. M. and De Oliveira, R. A. (2017). Stock market's price movement prediction with LSTM neural networks. International Joint Conference on Neural Networks (IJCNN).

Olivares, K. G. et al. (2023). Neural basis expansion analysis with exogenous variables: Forecasting electricity prices with NBEATSx. International Journal of Forecasting.

Patel, J., Shah, S., Thakkar, P. and Kotecha, K. (2015). Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques. Expert Systems with Applications.

Yuan, X., Yuan J. and Ain, Q. UI (2020) Integrated long-term stock selection models based on feature selection and machine learning algorithms for China stock market. IEEE Access, v. 8.