Aplicação de algoritmo de aprendizado de máquina (AM) para previsão do comportamento das ações negociadas no mercado brasileiro

Resumo

A economia moderna é repleta opções de investimentos, o que torna a alocação de capital um processo complexo, demorado e ariscado. Para auxiliar a tomada de decisão dos investidores, ferramentas de inteligência artificial buscam a descoberta de padrões ocultos nos dados e fornecem informações úteis, tempestivas e precisas. Este estudo avalia a aplicação de algoritmos de aprendizado de máquina (AM) na seleção de portfólio no mercado brasileiro. Investigações recentes têm buscado prever o comportamento do mercado acionário implementando AM em conjunto com métodos convencionais, como análises técnicas ou fundamentalistas (Anghel, 2021; Kamara et al., 2022; Nti et al., 2020b), entretanto, poucos combinam as análises em mercados emergentes e voláteis como o Brasil. Portanto, três modelos de AM foram treinados utilizando variáveis advindas das análises técnicas e/ou fundamentalistas. A amostra incluiu 40.562 observações pertencentes a seis empresas negociadas na Brasil, Bolsa, Balcão (B3), durante o período de agosto de 1994 a dezembro de 2021. Os modelos treinados somente com variáveis fundamentalistas ou técnicas apresentaram acurácia baixa, indicando baixa capacidade de aprendizagem e generalização do algoritmo. Em contraste, o modelo composto pela combinação de variáveis técnicas e fundamentalistas, apresentou acurácia média de 70,7% nos 5 folds, corroborando com a literatura que sugere que modelos híbridos podem fornecer maior acurácia e menor volatilidade. Além disso, os resultados superam a acurácia de estudos prévios (Emir et al., 2012; Kim, 2003; Zhang & Zhao, 2009), indicando que o support vector machine (SVM) também pode ser aplicável à mercados emergentes, inclusive em cenários de crise, como a pandemia da covid-19.