Modelo híbrido para previsão de séries temporais financeiras : ARIMA-ESN com algoritmo genético
Autor: Fabian Corrêa Cardoso (Currículo Lattes)
Resumo
A aplicação das Redes Neurais Artificiais (RNA) para previsões de séries temporais são de uso mais recente do que técnicas estatísticas, mas também buscam otimizar resultados e minimizar erros. Dentre estas, destacam-se as Redes Neurais Recorrentes (RNR) que se utilizam de memória dos dados anteriores. Entre elas, as Redes Neurais de Estados de Eco podem alcançar excelente desempenho na previsão de valores futuros, pois não necessitam de treinamento, um grande problema nas RNR. Entre os métodos estatísticos, um modelo híbrido estatístico-estatístico, resultante da combinação ARIMAGARCH (Autoregressive Integrated Moving Average-Generalized Autoregressive Conditional Heteroscedastic) e suas variações, oriundos da metodologia de Box-Jenkins e de Bollerslev, respectivamente, têm sido usado com bastante sucesso na modelagem da volatilidade de ativos financeiros. Um setor da economia que se beneficia destes métodos e técnicas supracitados é o investimento no mercado de ações. Uma das séries temporais mais utilizadas é a do preço de fechamento diário da ação, por ser considerada uma boa representação dos valores negociados no dia. O objetivo deste trabalho é caracterizar o comportamento de séries temporais do preço de ações, otimizando a capacidade preditiva de modelos gerados por Redes Neurais de Estados de Eco, agregando técnica estatística à sua implementação. Foram utilizadas as séries temporais das ações ITSA4 (ação preferencial nominativa do conglomerado ITAÚ) e PETR4 (ação preferencial nominativa da Petróleo Brasileiro S.A. - Petrobrás), da B3 (Brasil, Bolsa, Balcão), modeladas pelo ARMA-EGARCH (Autoregressive Moving Average-Exponential Generalized Autoregressive Conditional Heteroscedastic), ESN (Echo State Network) e o modelo proposto: ARIMA-ESN, no qual ARIMA modela a parte linear e ESN a não linear. Além disso, no modelo proposto, utilizaram-se as distribuições t de Student e GED (Generalized Error Distribution) na geração de pesos aleatórios para o reservatório e os pesos de entrada da ESN, além das usuais distribuições Normal e Uniforme. Sendo as distribuições de probabilidade Normal e t de Student consideradas melhores na implementação do ARIMA-ESN das ações ITSA4 e PETR4, respectivamente. Entretanto, nestes estudos de caso, o modelo ARMA-EGARCH obteve desempenho melhor. Em sequência, foram geradas vinte séries simuladas derivadas da ITSA4, para serem modeladas pela nova metodologia: ARIMA-ESN. Foram utilizados dois modelos, cada um com dez séries temporais e efeito aleatório definido pela distribuição Normal ou pela GED. Realizaram-se previsões da variância diária dos retornos e fizeram-se comparações com previsões da ESN, utilizando-se ARMA-EGARCH como benchmark. O modelo ARIMA-ESN obteve, nas séries com efeito aleatório GED, erros de previsão menores do que a própria ESN, além de se aproximar do desempenho do ARMA-EGARCH. Logo, supõe-se que o desempenho da técnica dependa da propriedade dos dados, assim como da distribuição de probabilidade utilizada para geração dos pesos aleatórios da ESN.