Box-Jenkins (ARIMA) e Redes Neurais Artificiais Multilayer Percepton (RNA_MLP) na Previsão de Preços de Ações da BOVESPA

Resumo

A previsão de preços de ações é um desafio crítico no mundo financeiro, pois envolve inúmeras variáveis e complexidades. Nesse contexto, este estudo abordou a problemática da escolha entre os métodos ARIMA e Redes Neurais Artificiais (RNA) para prever os preços de ações da Bolsa de Valores de São Paulo (BOVESPA), buscando identificar qual destes apresentou maior acurácia e menores erros de previsão. Foram coletados dados históricos semanais de preços das ações entre 2018 e 2022, juntamente com informações do Dólar, SELIC, Dow Jones, Ibovespa e IPCA. Os modelos ARIMA e RNA foram aplicados, com extensos testes e ajustes realizados para otimizá-los. Os resultados revelaram que o método ARIMA superou a RNA em termos de acurácia e erro de previsão. Essa superioridade pode estar relacionada à configuração específica do modelo de RNA, que não foi completamente explorada. O estudo destaca a importância de uma análise minuciosa do modelo de RNA, levando em consideração a complexidade dos dados e as particularidades do problema ao escolher entre os métodos de previsão. Além disso, enfatiza a necessidade de pesquisas contínuas para aprimorar a interoperabilidade dos modelos de RNA e a qualidade das previsões financeiras. A busca por modelos de previsão mais robustos e precisos é crucial em um ambiente financeiro dinâmico e altamente competitivo.

Palavras-chave: Mercado Financeiro. Previsão Financeira. Análise de Modelos.

Abstract

PrAMBEVedicting stock prices is a critical challenge in the financial world due to its involvement with numerous variables and complexities. In this context, this study addresses the dilemma of choosing between Autoregressive Integrated Moving Average (ARIMA) and Artificial Neural Networks (ANN) methods to forecast São Paulo stock exchange (BOVESPA) stock prices, to identify which one demonstrates higher accuracy and lower prediction errors. Weekly historical stock price data from 2018 to 2022, along with information on the US Dollar, SELIC interest rate, Dow Jones, Ibovespa, and IPCA, were collected. Both ARIMA and ANN models were applied, with extensive testing and adjustments conducted for optimization. The findings revealed that the ARIMA method outperformed ANN in terms of accuracy and prediction error. This superiority may be linked to the specific configuration of the ANN model, which was not fully explored. This study underscores the importance of a thorough analysis of the ANN model, considering data complexity and problem intricacies when choosing between prediction methods. Furthermore, it emphasizes the need for ongoing research to enhance the interoperability of ANN models and the quality of financial predictions. The pursuit of more robust and accurate forecasting models is crucial in a dynamic and highly competitive financial environment.

Keywords: Financial Market. Financial Forecasting. Model Analysis.