Este estudo teve por objetivo identificar um intervalo do número de épocas no treinamento de uma rede neural recorrente LSTM que minimiza o erro de predição sobre séries de retornos de ações brasileiras. A perspectiva teórica que embasa o artigo é a Hipótese dos Mercados Adaptáveis, em que mercados dinâmicos e estocásticos, oportunidades de lucro e a competição entre investidores enviesados e eficazes sujeitariam as estratégias de investimentos a ciclos de ganhos e perdas, favorecendo o desenvolvimento de modelos de gestão eficiente de ativos. A hipótese de pesquisa é existência de um intervalo de épocas que minimizaria o erro de predição de uma rede LSTM sobre retornos de ações brasileiras. O constructo dependente é a capacidade preditiva mensurada pelo erro de predição (acurácia). A regularização por early stopping, como constructo independente, é expressa pelo número de épocas de treinamento. A abordagem do trabalho é quantitativa, baseada em dados secundários em recorte longitudinal dos preços de fechamento de ações coletados na B3, no período de 2008 a 2018, em amostra com 2718 pontos de dados para cada ativo. Como economia emergente, as diferenças do mercado brasileiro em relação aos desenvolvidos implicam em maior nível de risco e portanto em retornos esperados mais elevados. As ações foram escolhidas pela liquidez, capitalização de mercado e continuidade do ticker ao longo do recorte. Os preços foram transformados em retornos e uma regressão quadrática foi utilizada para identificar a existência de ponto de mínimo. O modelo gerou predições de um dia e o erro de predição foi medido em função do número de épocas. Os resultados não indicaram a existência de pontos de inflexão mínimos do erro de predição, para ambas as ações, refutando a hipótese deste estudo. Embora o comportamento preditivo possa variar em função do modelo utilizado, os resultados não confirmaram o padrão comumente descrito na literatura. O uso de retornos, em vez de preços, pode ter atenuado os componentes não estacionários, limitando o desempenho preditivo. A contribuição deste trabalho foi evidenciar um comportamento não esperado do erro de predição dos retornos de ações de uma rede LSTM, submetida à regularização por early stopping, no mercado brasileiro. O ajuste de épocas deve ser criterioso na ausência de regiões de mínimos na curva do erro de predição para evitar o risco de overfitting.
Comissão Organizadora
Comissão Científica
Complete tool for submission, evaluation and publication of proceedings for scientific events.
