ENUma rede neural consegue prever o preço de uma ação?
A tese pôs duas redes neurais, a MLP e a LSTM, para prever o preço de ações da B3: com os fechamentos diários de 31 empresas e com dados minuto a minuto. A LSTM ficou à frente em todas as ações; contra o palpite “igual ao último”, ganhou em duas de três séries. Explicada em 12 telas.
Prever o próximo preço é mais difícil do que parece
Abaixo, os últimos 30 minutos de uma ação imaginária. Diga onde estará o preço no próximo minuto. Seu palpite disputa com o mais simples de todos: “o próximo preço é igual ao último”, que os economistas chamam de random walk (passeio aleatório).
O placar soma o erro ao quadrado, a mesma régua que a tese usa no minuto a minuto: errar por 4 centavos pesa 16; errar por 2 pesa 4. Quem tiver o menor total vence.
Série sorteada. Os preços são inventados a cada rodada; não são dados da tese.
Só uma das duas redes neurais tem memória
Uma rede neural é um programa que aprende com exemplos: recebe o histórico de preços, compara o que previu com o que aconteceu e ajusta seus “pesos” para errar menos. A tese compara duas.
Desenhos simplificados a partir das Figuras 23 e 24 e das descrições das seções 4.2 e 4.3 da tese.
Os estudos com a rede LSTM se multiplicaram depois de 2020
Antes de testar, a autora vasculhou a Web of Science, uma grande base de artigos científicos, atrás de estudos que preveem preços de ações com cada rede. Troque a rede e toque em cada etapa do funil.
Nas duas revisões, quase todos os estudos dizem que o modelo funcionou
A autora classificou o que cada artigo concluiu. Antes de ver, um palpite: dos 26 artigos sobre a rede MLP, quantos disseram ter alcançado o objetivo principal?
Ensaio 1 · 26 artigos sobre MLP
Ensaio 2 · 99 artigos sobre LSTM
A tese usou 31 das 50 maiores empresas da B3 e doze anos de fechamentos
A autora partiu das 50 empresas com mais ativo imobilizado (máquinas, prédios, terrenos) e tirou as 19 cujas ações não eram negociadas todos os dias. Ficaram 31, com o preço de fechamento de 4 de janeiro de 2010 a 15 de maio de 2022. Toque numa ação.
Os preços entraram “em nível”, como estavam, sem nenhuma transformação. Quadro 18 e seções 4.2 e 4.3 da tese.
Cada ação recebeu 50 modelos, 25 formatos de rede para cada tipo
Todas as redes têm três camadas. A primeira tem um neurônio; a segunda e a terceira, de 1 a 5. São 25 formatos, testados na MLP e na LSTM: 50 modelos por ação, ou 1.550 nas 31 ações (conta nossa). Monte um formato.
A autora escolheu redes pequenas para evitar o overfitting: o modelo que decora o treino e falha ao prever. Taxa de aprendizado de 0,05 e 300 rodadas de treino (epochs). Quadro 19 da tese.
O teste final guarda só os modelos que não dá para separar dos melhores
Erros de previsão variam por acaso. Para não premiar quem só teve sorte, a tese usa o Model Confidence Set (conjunto de confiança de modelos): um teste pergunta se os modelos que sobraram erram igual; se não, o pior sai; e assim por diante, até sobrar um grupo que não dá para separar.
Rode o teste, uma rodada por vez.
Ilustração com números inventados. No ensaio 3, a tese não publica o erro de cada modelo; mostra só quem ficou no grupo final de cada ação (próxima tela).
Nos fechamentos diários, só modelos LSTM ficaram no grupo final
O teste descartou todos os modelos MLP, em todas as ações. Sobraram 50 modelos LSTM: em 21 ações, um só; nas outras, de 2 a 4 formatos empatados, com os mesmos erros. Para a autora, isso mostra a capacidade de aprendizado superior da LSTM.
O quadro traz 32 códigos: a CSNA3 aparece no resultado, embora o Quadro 18 a liste entre as excluídas, e o Santander está como “ANB11” (SANB11). Mostramos como está. A tese não publica o tamanho dos erros nem compara, nesse ensaio, com “igual ao último”.
No minuto a minuto, a melhor rede errou menos que “igual ao último” em duas das três séries
O quarto ensaio usou só a LSTM, com o preço a cada minuto de abril de 2019 a dezembro de 2021 (273.673 observações) em três séries: Petrobras ON (PETR3), o Ibovespa, índice da bolsa, e IRB Brasil (IRBR3). Aqui, sim, há uma régua: o erro do “igual ao último”.
Barra = quantas vezes o erro quadrático médio do modelo é o do “igual ao último” (linha vermelha), em escala logarítmica (cada marca é 10 vezes a anterior). À esquerda, erra menos; à direita, mais. Listrado: fora da escala. Contas nossas a partir do Quadro 21. A tese não descreve o que diferencia os modelos M1 a M7.
Uma linha colada ao preço não prova que a previsão funciona
A tese conclui que a rede tem “aderência relevante” porque, nos gráficos, a linha prevista acompanha a real. Veja o que acontece com o palpite mais simples num gráfico assim. Troque a camada.
O que esta pesquisa não diz
Para quem investe
A tese compara erros de previsão; não testou ganhar dinheiro com eles. Não é recomendação de investimento.
Para quem desenvolve modelos
Nos fechamentos diários, a LSTM ficou à frente da MLP em todas as ações. A autora sugere testar outras redes de aprendizado profundo e outras ações.
Para pesquisadores
Lacunas das revisões: dados da América Latina e da África, preços de abertura, máximos, mínimos e volume, e outros métodos de treino.
- Quem ganhou, mas não por quanto. No ensaio 3, a tese mostra só quem ficou no grupo final, sem os erros e sem a comparação com “igual ao último”. · observação nossa
- Previsão não é lucro. Não houve simulação de compra e venda, custos de operação nem teste em período novo. · observação nossa
- Como cada previsão foi feita. A tese não descreve os modelos M1 a M7 nem com que informação cada minuto foi previsto. · observação nossa
- Poucas séries no minuto a minuto. Duas ações e um índice; numa delas, IRB Brasil, “igual ao último” errou menos. · observação nossa
- Revisões numa só base. Os resultados dependem dos critérios de busca e dos artigos da Web of Science. · segundo a autora
Créditos
FANTIN, Cristiane Orquisa. Projeção de preços de ações com redes neurais artificiais multi layer perceptron e long short term memory. Tese (Doutorado em Administração de Empresas), Universidade Presbiteriana Mackenzie, São Paulo, 2023. Orientador: Prof. Dr. Eli Hadad Junior.
Tese em quatro ensaios: duas revisões bibliométricas e sistemáticas na Web of Science (R, Biblioshiny, VOSviewer) e dois estudos com redes neurais em ações da B3, com a seleção dos modelos pelo Model Confidence Set. Sem financiamento declarado no documento. Esta versão simplifica o trabalho para o público em geral.