ME 810A

Comparação de métodos para

modelagem de séries do
mercado financeiro

Vinı́cius Réa Saurin RA 093220

Jesus Enrique Garcia (orientador)

Relatório Final

14 de dezembro de 2014
Sumário

1 Problema 2

2 Objetivos 4

3 Metodologia 4

4 Modelagem das ações do banco Itaú Unibanco 5

5 Modelagem das ações da empresa Vale 8

6 Modelagem das ações da estatal Petrobrás 10

7 Modelagem do ı́ndice Bovespa 12

8 Modelagem do ı́ndice Dow Jones 14

9 Conclusão 15

1
1 Problema

Os mercados financeiros existem há muito tempo, tendo surgido antes

mesmo de existir qualquer moeda ou até mesmo qualquer forma organizada
de troca. Nos tempos em que o foco da humanidade era o plantio, quando
um agricultor obtivesse uma colheita ruim, deveria buscar crédito na forma de
sementes com outros agricultores para poder dar sequência ao seu trabalho na
safra seguinte. Da mesma forma, se este mesmo agricultor tivesse obtido uma
boa colheita, ele deveria optar entre trocar o seu produto por outros alimentos
ou estocá-los como sementes para a próxima safra. Este tipo de dúvida está
sempre presente na vida de um investidor de commodities dos tempos atuais.
Na economia atual, o mercado financeiro é um mecanismo que permite a
compra e venda de valores mobiliários, como ações e obrigações, mercadorias
(como pedras preciosas ou produtos agrı́colas), câmbio e outros bens. A manu-
tenção do mercado financeiro depende de pessoas, compradores e vendedores.
Os quais são os responsáveis por definir o preço de uma ação, mercadoria ou
moeda, pois só é possı́vel ocorrer a venda de um destes produtos se houver
um acordo em termos de preço entre quem detém a posse do produto e quem
deseja comprar.
É comum dizer que os mercados financeiros estão em um processo cons-
tante de mudanças, as quais envolvem contrações e expansões da economia
e que seguem tendências que são ditadas pelas expectativas dos investido-
res acerca do futuro. E na maior parte do tempo, os mercados financeiros

2
tornam-se instáveis, estabelecendo uma situação quase impossı́vel de prever os
seus movimentos. Por esse motivo, quem consegue prever algum movimento do
mercado pode conseguir realizar lucros de enorme dimensão. Sabendo disso,
em diversos momentos da história recente do mercado financeiro diferentes
métodos vem sendo criados e acolhidos, quando apresentam algum resultado
pertinente, e quando começam a perder o poder de previsão, devido as mu-
danças do mercado, são desprezados.
Simultaneamente, a Inteligência artificial ou particularmente, o aprendi-
zado de máquinas vem se popularizando na comunidade cientı́fica. Sendo
que nos dias atuais se observa um crescimento exponencial no número de pu-
blicações em torno do assunto.
O aprendizado de máquina é um sub-campo da inteligência artificial dedi-
cado ao desenvolvimento de algoritmos e técnicas que permitam ao computador
aprender, isto é, que permitam ao computador aperfeiçoar seu desempenho em
alguma tarefa. O aprendizado de máquina está, em grande parte, ligado à mi-
neração de dados e estatı́stica, utilizando-os para extrair regras e padrões de
grandes conjuntos de dados.
Quando associado o aprendizado de máquina com séries financeiras, este
campo da inteligência artificial pode ser utilizado a fim de conseguir extrair al-
gum padrão registrado pela série no passado. Para, então, fazer uma previsão
com o maior grau de precisão para pontos futuros desta mesma série. As-
sim o investidor pode tomar melhores decisões e alcançar melhores resultados
econômicos.

3
2 Objetivos

Como objetivo geral, pretende-se encontrar um método que possua o melhor

poder de previsão possı́vel para dados provenientes do mercado financeiro, a
fim de obter maiores rendimentos com a comercialização de ações. A partir de
uma previsão mais precisa, o usuário do método pode ser mais assertivo quando
tiver que decidir quanto a compra ou venda de uma ação, transformando essa
assertividade em lucros.
Como objetivo mais especı́fico está o estudo comparativo, de modo qualita-
tivo e quantitativo, entre técnicas estatı́sticas clássicas e técnicas de inteligência
artificial, aplicados na análise de séries temporais, bem como verificar a capa-
cidade que cada um dos paradigmas apresenta em realizar previsões de valores
futuramente observados em séries temporais extraı́das do mercado financeiro.

3 Metodologia

Como já citado anteriormente, faz parte do escopo deste projeto traçar
um comparativo entre diferentes idéias e métodos a fim de qualificar o melhor
método para realizar previsões acerca de preços e ı́ndices futuros do mercado
financeiro. O primeiro objetivo é desenhar este comparativo entre os campos
da estatı́stica e da inteligência artificial e posteriormente traçar um paralelo
entre o método estatı́stico tradicional dos modelos ARIMA e SARIMA com o
método de Redes Neurais.

4
 Após apresentados os resultados para ambas as metodologias para todas
as séries propostas no projeto inicial, o relatório final tratará de fazer a com-
paração entre os resultados obtidos com os diferentes métodos, a qual será feita
através de meios quantitativos, como as diferentes medidas de erro de previsão
apresentadas nos relatórios anteriores, como por meios qualitativos como os
gráficos de previsão. Após a comparação para cada ativo ou ı́ndice, será feita
uma consideração final para que seja eleito um método mais consistente e que
possa gerar maior rentabilidade para o usuário.
A previsão da técnica ARMA foi revisada do segundo relatório parcial, pois
a previsão estava sendo feita apenas com os dados de treinamento, enquanto
que para a técnica de redes neurais estava sendo usado até o ponto anterior
da previsão, o que tornou a comparação injusta. Portanto, agora a previsão
com a técnica de Box-Jenkins utilizará todos os dados anteriores ao ponto de
previsão.

4 Modelagem das ações do banco Itaú Uni-

banco

O modelo eleito como o melhor entre os modelos ARIMA testados foi o de

parâmetros 1 e 0 para as partes AR e MA, respectivamente. Por este motivo,
na tabela 1 estão exibidos os erros relativos aos dois modelos.

5
 Tabela 1: Tabela dos erros para as ações do banco Itaú-Unibanco

Modelo/Erro EPM EQM EAM EAPM

ARMA(1,0) -0,2548 0,0484 0,0854 0,2548

RNA -0,1727 0,0122 0,0813 0,2433

Em vista dos erros apresentados, é claramente observável que todos os erros

para o modelo de redes neurais são menores do que os respectivos erros para o
modelo ARIMA, destacando o erro quadrático médio que para as redes neurais
foi da magnitude de 25% sobre o erro do outro modelo. O que representa
a eficiência e qualidade da técnica de inteligência artificial, a qual pode ser
confirmada através do gráfico de previsões 1.

6
 Figura 1: Gráfico da previsão dos preços das ações ITUB4

ITUB4.SA

34 "Observado"

Limites ARIMA
Observado

Observado

32 Predito ARIMA

Predito NN

30

430 440 450 460

Tempo

As previsões das duas técnicas caminham muito próximas aos preços do

ativo. Entretanto em alguns pontos, a técnica das redes neurais não se destaca
dos preços do papel ITUB4, enquanto que para o método ARMA há algumas
diferenças dos pontos observados. Entretanto, o intervalo de confiança de 95%,
em vermelho, ajuda a mostrar o poder de previsão da técnica de Box-Jenkins
A partir do gráfico 1, não é possı́vel condenar nenhuma das duas técnicas,
visto que ambas apresentam uma precisão impressionante. O que proporciona

7
um resultado expressivo para o usuário de qualquer um dos métodos.
Como qualitativamente não foi encontrado diferenças significativas, então
a técnica de aprendizado de máquina apresenta leve superioridade por obter
os menores erros de previsão para o papel ITUB4.

5 Modelagem das ações da empresa Vale

O modelo ARMA(3,2) foi eleito o melhor entre os testados para a modela-

gem e previsão da série dos preços dos ativos da mineradora Vale, entretanto
com a mudança do método de previsão para os modelos ARMA não foi en-
contrada a convergência com o modelo ARMA(3,2), portanto foi utilizado o
ARMA(1,0), o qual possui diagnósticos muito parecido com o substituı́do por-
tanto não apresentará nenhum déficit para o projeto. Isto posto, apresentados
serão os resultados comparativos entre as duas técnicas colocadas em questão
através da tabela das medidas de erros de previsão /referrosVALE5.

Tabela 2: Tabela dos erros para as ações da Vale

Modelo/Erro EPM EQM EAM EAPM

ARMA(1,0) 0,1021 0,0013 0,0360 0,1113

RNA -0,0591 0,0018 0,0355 0,1088

Mais uma vez, a técnica de aprendizado de máquina apresentou um melhor

rendimento quando comparados as diferentes medidas de erro de previsão, com

8
exceção do erro quadrático médio. Podendo ser colocado em destaque o erro
percentual médio que para as redes neurais tem uma dimensão de 57% quando
comparado com o mesmo erro para a outra técnica. Para confirmar a pequena
superioridade segue o gráfico para comparação das previsões.

Figura 2: Gráfico da previsão dos preços do ativo VALE5

VALE5
36

34 "Observado"

Limites ARIMA
Observado

Observado

Predito ARIMA
32
Predito NN

30

450 460 470 480 490

Tempo.vale5

É possı́vel verificar que no caso dos preços do ativo da mineradora, a

tendência clara é de estabilização dos preços, o que ambas as técnicas con-
seguem prever. Ainda mais, além de prever a estabilização do preço do ativo

9
VALE5, ambas as técnicas conseguiram prever precisamente os movimentos
com maior volatilidade do ativo. O que deixa dúvida quanto a escolha do
método para previsão dos preços do ativo da Vale, mas analogamente ao papel
do banco Itaú, os erros inferiores induz a escolha, ainda que com diferenças
pequenas, da técnica de aprendizado de máquina.

6 Modelagem das ações da estatal Petrobrás

Traçando um paralelo às análises feitas nos itens anteriores, pode-se con-
cluir que mais uma vez a técnica de Box-Jenkins não consegue captar alguns
pontos que a série tem maior volatilidade, enquanto que a técnica de inte-
ligência artificial tem uma capacidade de prever com muita precisão mesmo
em momentos com maiores variações de preço, como se pode ver na tabela 3 e
confirmar através do gráfico 3.

Tabela 3: Tabela dos erros para as ações da Petrobrás

Modelo/Erro EPM EQM EAM EAPM

ARMA(1,2) 0,1540 0,0039 0,0441 0,2420

RNA -0,0313 0,0024 0,0401 0,2133

Por conseguir caminhar próximo ao real valor da ação da estatal, a técnica

de redes neurais consegue viabilizar uma melhor tomada de decisão para o
investidor afim de conseguir maiores retornos. Ou seja, a técnica se torna

10
mais interessante para qualquer que seja o perfil do usuário, já que possui uma
assertividade maior do que o método concorrente, vide o erro percentual médio
que representa um pouco mais de 20% em relação ao mesmo erro de previsão
do método ARMA.

Figura 3: Gráfico da previsão dos preços do ativo PETR4

PETR4
22

"Observado"
20 Limites ARIMA
Observado

Observado

Predito ARIMA
18 Predito NN

16
430 440 450 460 470
Tempo.PETR4

11
7 Modelagem do ı́ndice Bovespa

Para a previsão dos ı́ndices, o cenário se altera, pois por ter havido a
necessidade de transformação dos dados para a previsão das redes neurais, os
erros acabam aumentando e muito após a transformação inversa, enquanto que
a técnica ARMA consegue manter a regularidade que havia demonstrado na
previsão dos preços de ações.
Para o ı́ndice Bovespa, a magnitude dos erros para a técnica das redes
neurais é muito maior do que para as ações estudadas anteriormente. Enquanto
que os erros da técnica estatı́stica de séries temporais são muito inferiores,
basta visualizar o erro quadrático médio que representa cerca de 15% do mesmo
erro para a técnica concorrente. Isto acontece porque a grandeza do ı́ndice é
muito maior do que as ações, então a magnitude do erro de forma absoluta
aumenta.

Tabela 4: Tabela dos erros para o ı́ndice Bovespa

Modelo/Erro EPM EQM EAM EAPM

ARMA(1,0) 0,0936 2.699,378 50,9456 0,0986

RNA 0,1843 17.815,66 101,3766 0,1935

Com a confirmação através da figura 4, pode-se notar que a técnica de

Box-Jenkins se comporta de maneira muito melhor junto aos dados. Este
comportamento é tão fundamental quanto aos das previsões das ações estuda-

12
das, pois conhecendo o futuro do principal ı́ndice da Bolsa de Valores de São
Paulo, pode-se ter uma idéia muito relevante em relação ao rumo do mercado
financeiro e da macroeconomia como um todo. Trazendo, assim, diferentes
percepções sobre o mercado e possibilitando ampliar o leque de opções de in-
vestimentos, facilitando a tomada de decisões.

Figura 4: Gráfico da previsão dos valores do ı́ndice BVSP

Bovespa
56000

54000 "Observado"

Limites ARIMA
Observado

Observado
52000
Predito ARIMA

Predito NN

50000

450 460 470 480

Tempo.BVSP

13
8 Modelagem do ı́ndice Dow Jones

Certamente o modelo de previsão com a técnica de inteligência artificial

para o ı́ndice Dow Jones foi o pior entre todas as séries analisadas no presente
trabalho, não há uma explicação pra o ocorrido. O fato é que, da mesma
forma que aconteceu com o IBOVESPA, os erros da técnica de aprendizado de
máquina são muito grandes em relação ao método de Box-Jenkins.

Tabela 5: Tabela dos erros para o ı́ndice Dow Jones

Modelo/Erro EPM EQM EAM EAPM

ARMA(1,1) -0,0309 113,8985 4,8927 0,0309

RNA -1,2370 51.083,23 197,8117 1,2370

Pode-se notar que a previsão da técnica proveniente de métodos computa-

cionais não pertence nem ao intervalo de 95% de confiança, o que transmite a
idéia de que a previsão foi muito ruim.
A inexatidão foi muito grande, mas se observarmos melhor o movimento
da previsão da técnica de redes neurais acompanha quase que perfeitamente
o movimento do ı́ndice americano, mas é um acompanhamento distante e em
todo momento ocorre a subestimação dos dados reais, ou seja, o usuário do
método até acertaria o movimento do ı́ndice, mas não na magnitude correta.
Isto significa que se o método prever uma subida do principal indicador da
bolsa norte americana seria em menor dimensão do que realmente aconteceria,

14
podendo resultar em um lucro menor do que poderia ser obtido.

Figura 5: Gráfico da previsão dos valores do ı́ndice Dow Jones

Dow Jones
16500

16200 "Observado"

Limites ARIMA
Observado

Observado
15900
Predito ARIMA

Predito NN
15600

15300
450 460 470 480 490
Tempo.DJIA

9 Conclusão

O escopo deste trabalho era discorrer sobre a diferença entre as técnicas de

redes neurais e de Box-Jenkins e o objetivo principal foi atingido com sucesso
já que conseguimos comparar qualitativamente e quantitativamente os dois
métodos. Sendo que o método de aprendizado de máquina é levemente superior

15
quando se trata de previsão de séries que apresentam preços de ações da Bolsa
de Valores de São Paulo, enquanto que o método ARMA é muito superior
quando se trata de previsão de séries que apresentam os valores dos ı́ndices
da principal bolsa brasileira e de uma das principais bolsas de valores norte
americana.
O trabalho não deixou dúvidas sobre esta questão, pois a técnica de séries
temporais também é notável para indicar a previsão dos preços das ações, to-
davia a técnica concorrente tem um desempenho melhor para prever séries de
preços de ações por obter erros invariavelmente menores. Entretanto, os mo-
delos ARMA obtiveram uma superioridade ampla em relação a outra técnica
na previsão dos ı́ndices.
Dado estes fatos, pode-se estudar a utilização de ambos os métodos para
obter resultados mais expressivos, já que para prever o cenário macroeconômico
a previsão dos ı́ndices é fundamental, além de se poder obter lucros operando
contratos de mini-ı́ndice. Enquanto isso, podem ser utilizadas as técnicas de
redes neurais para prever os preços dos ativos e operar a compra e venda de
ações ou opções, resultando na maximização de lucratividade.

16
Referências

[1] Cheng, B. and Titterington, D. M. Neural Networks: A review from a

Statistical Perspective, Statistical Science, v.9, n 1, p. 2-30.

[2] Cowpertwait, P. S. P. and Metcalfe, A. V. Introductory Time Series with

R. Springer Verlag, 2009.

[3] Kovács, Z. L. Redes Neurais Artificiais: Fundamentos e aplicações, São

Paulo, SP - Livraria da Fı́sica Editora.

[4] Levinson, M. Guide to Financial Markets. 4a ed. Londres: The Economist,

2005.

[5] Misra, M. and Warner, B. Understanding Neural Networks as Statistical

Tools, The American Statistician, v.50, n 54, p.284-293.

[6] Shumway, R. H. and Stoffer, D. S. Time Series Analysis and Its Applicati-
ons. New York: Springer Verlag, 2010.

[7] Wei, W. W. S. Time Series Analysis: Univariate and Multivariate Methods,

2a ed. The Fox School of Business and Management Temple University:
Pearson Education, Inc, 2006.

17
Jesus Enrique Garcia Vinı́cius Réa Saurin

Orientador Aluno

18