Acceso usuarios
Gabriel Donadio Costa, Rogério Joao Lunkes
La economía moderna ofrece diversas opciones de inversión, lo que hace que la asignación de capital sea un proceso complejo, lento y arriesgado. Para ayudar en la toma de decisiones de los inversionistas, las herramientas de inteligencia artificial buscan descubrir patrones ocultos en los datos, y proporcionar informaciones útiles, oportunas y precisas. Este estudio evalúa la aplicación de algoritmos de aprendizaje automático (AA) en la selección de carteras en el mercado brasileño. Investigaciones recientes han buscado predecir el comportamiento del mercado bursátil implementando AA junto con métodos convencionales, como análisis técnicos o fundamentales (Anghel, 2021; Kamara et al., 2022; Nti et al., 2020b); sin embargo, pocos combinan los análisis en mercados emergentes y volátiles como Brasil. Por lo tanto, se entrenaron tres modelos de AA utilizando variables provenientes del análisis técnico y/o fundamental. La muestra incluyó 40.562 observaciones pertenecientes a seis empresas que cotizan en la Bolsa de Valores de Brasil (B3), durante el período de agosto de 1994 a diciembre de 2021. Los modelos entrenados únicamente con variables fundamentales o técnicas mostraron baja precisión, lo que indica baja capacidad de aprendizaje y generalización del algoritmo. En contraste, el modelo compuesto por la combinación de variables técnicas y fundamentales mostró una precisión promedio del 70,7 % en los 5 folds, coincidiendo con la literatura que sugiere que los modelos híbridos pueden proporcionar mayor precisión y menor volatilidad. Además, los resultados superan la precisión de estudios previos (Emir et al., 2012; Kim, 2003; Zhang & Zhao, 2009), lo que indica que el support vector machine (SVM) también puede aplicarse a mercados emergentes, incluso en escenarios de crisis, como la pandemia de COVID-19.
Modern economy offers several investment options, making capital assignments complex, slow and risky. In order to assist investors in the decision-making process, artificial intelligence tools aim at finding patterns hidden in data and providing useful, timely and accurate information. This work analyzes the application of machine learning algorithms in the selection of portfolios in the Brazilian market. Recent research intended to predict the stock market behavior implementing machine learning with conventional methods such as technical or fundamental analysis (Anghel, 2021; Kamara et al., 2022; Nti et al., 2020b); while few combine analyses in emerging and volatile markets like Brazil. Thus, three machine learning models were trained using variables from the technical and/or fundamental analysis. The sample included 40,562 observations from six companies listed on B3, from August 1994 to December 2021. Models trained only with fundamental or technical variables evidenced low accuracy, which was translated into low learning and generalization capacity of the algorithm. In contrast, the model including the combination of technical and fundamental variables revealed an average accuracy of 70,7 % on 5 folds, which was supported by the literature that indicates that hybrid models can provide greater accuracy and lower volatility. In addition, results exceed the accuracy of previous studies (e.g. Emir et al., 2012; Kim, 2003; Zhang & Zhao, 2009), which indicates that the Support Vector Machine - SVM can also be applied to emerging markets, even in crisis times, such as COVID-19 pandemic.
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.
