ENDá para prever o preço de uma ação no próximo minuto?
A pesquisa testou oito formas de prever, dos modelos clássicos da estatística às redes neurais, em dez das ações mais negociadas da B3, minuto a minuto, em 2022. Um modelo estatístico simples ficou entre os melhores em todas; as redes neurais, quase nunca. Explicada em 12 telas.
Na bolsa, o preço é registrado a cada milissegundo
Os modelos clássicos de previsão nasceram com dados de fechamento: um preço por dia, por mês ou por ano. Hoje a B3 registra cada negócio, e o sistema capta o preço a cada milissegundo. A tese pergunta se tanto detalhe ajuda quem decide.
Escolha a régua e veja quantos preços cabem num único pregão, das 10h às 16h59.
Contas nossas a partir do horário de negociação informado na tese (10h às 16h59, 420 minutos). Segundo um estudo citado na tese, um computador a uma milha do centro de dados da bolsa recebe as ordens cerca de cinco milionésimos de segundo depois.
Prever o próximo minuto 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, como na tese: 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.
Uma dúzia de artigos por ano tenta prever com dados de alta frequência
O autor vasculhou duas grandes bases de artigos científicos (Scopus e Web of Science), de janeiro de 2015 a agosto de 2022, atrás de estudos que usam dados de alta frequência para prever preços e oscilações. Toque em cada etapa.
Quase ninguém olha para a América Latina
Cada artigo foi classificado em seis perguntas: do que trata, que teoria usa, que método, de onde vêm os dados, o que concluiu e o que sugere a seguir. Em vermelho, o que o autor aponta como prioridade para novas pesquisas. Toque numa linha.
Percentuais sobre as marcações de cada pergunta (um artigo podia receber até cinco), não sobre os 93 artigos. Figura 11 da tese.
Oito modelos, cada um olha o passado de um jeito
Todos recebem o mesmo histórico de preços e tentam dizer o próximo. Mudam no que prestam atenção: só o último minuto, uma memória longa, o tamanho das oscilações, ou padrões que uma rede neural aprende sozinha.
Os desenhos são ilustrações do que cada modelo considera, sobre uma série inventada. As configurações vêm da seção 3.5 da tese.
Cerca de 96 mil minutos por ação; os últimos 20 mil entram no teste
Os dados vieram da própria B3: todos os negócios de 2022, em milissegundos, das dez ações de maior liquidez. Quando não houve negócio, valeu o último preço; depois, cada série foi resumida no último preço de cada minuto.
Para estimar os modelos, o autor usou os 20 mil minutos mais recentes de cada ação: 16 mil para os modelos aprenderem e 4 mil para testar os palpites. Com a série inteira, os erros ficaram maiores.
Pregões: contas nossas (420 minutos por pregão). Tabela 7 e Quadro 3 da tese.
O vencedor não é um só: é o grupo que empata no topo
Erros de previsão variam por acaso. Para não coroar quem só teve sorte, a tese usou 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. A tese não publica o erro de cada modelo; mostra só quem ficou no grupo final de cada ação (próxima tela).
O ARIMA ficou entre os melhores nas dez ações
Cada bloco erguido é um modelo que ficou no grupo final de uma ação. Os modelos estatísticos dominam: ARIMA nas dez, ARFIMA em oito. Das redes neurais, o Transformer entrou em duas e o LSTM em nenhuma. Toque num modelo ou numa ação.
Em seis das dez ações, “igual ao último” empatou com os melhores
Estar no grupo final quer dizer que não dá para afirmar, com segurança estatística, que os outros modelos erram menos. O palpite ingênuo ficou no grupo em seis ações; foi superado em quatro. Em duas delas, só o ARIMA sobrou.
Altura = quantos modelos ficaram no grupo final de cada ação (contagem nossa, Quadro 4). Em vermelho, as ações em que o palpite ingênuo estava no grupo.
Mais sofisticação não garantiu previsões melhores
Para o autor, com estes dados e configurações, os modelos estatísticos tradicionais levaram vantagem sobre as redes neurais. E o melhor modelo depende do período analisado.
Para quem investe
- Modelos simples, como o ARIMA, ficaram entre os melhores em todas as ações testadas.
- O melhor modelo muda com o período: vale reavaliar a escolha com dados novos.
Para bancos e gestoras
- O conjunto de confiança permite comparar muitos modelos de uma vez, sem eleger um vencedor por acaso.
- Resumir os milissegundos em minutos foi o que fez os modelos funcionarem.
Para quem desenvolve IA
- LSTM e Transformer não captaram bem a dinâmica dos preços em frequência tão alta.
- O autor sugere testar outros modelos de aprendizado de máquina, como Prophet, N-HiTS e N-BEATS.
Para pesquisadores
- Lacunas da revisão: efeito de notícias da economia sobre a oscilação, saltos de preço, estudos de eventos e mercados da América Latina.
- Próximo passo sugerido: operar pares de ações que andam juntas (pair trading).
Os modelos clássicos de volatilidade (ARCH e GARCH) apareceram em poucas ações, e o filtro de Kalman, embora tenha acompanhado os preços, não entrou em nenhum grupo final.
O que esta pesquisa não diz
- Vale para aquele período e aqueles modelos. O resultado do conjunto de confiança depende da amostra (2022) e dos modelos comparados; outro período pode eleger outro modelo. · segundo o autor
- Só em minutos. Em milissegundos e em segundos, os modelos não chegaram a resultados estáveis; o teste é com o último preço de cada minuto. · segundo o autor
- Quem ganhou, mas não por quanto. A tese mostra quem ficou no grupo final, sem o tamanho do erro de cada modelo. Não dá para saber quanto o ARIMA erra a menos. · observação nossa
- Previsão não é lucro. Não houve simulação de compra e venda com os palpites, nem custos de operação. · observação nossa
- Dez ações, configurações simples. As mais negociadas da B3, todos os modelos com uma só defasagem (o minuto anterior). · observação nossa
Créditos
MATTOS, João Vitor de. Projeção de preço para ações brasileiras utilizando-se dados em alta frequência. Tese (Doutorado em Administração de Empresas) — Universidade Presbiteriana Mackenzie, São Paulo, 2024. Orientador: Prof. Dr. Eli Hadad Junior.
Pesquisa com apoio do Banco do Brasil. Revisão bibliométrica e sistemática nas bases Scopus e Web of Science (R e Biblioshiny); dados de negociação da B3; seleção dos modelos pelo Model Confidence Set (Hansen, Lunde e Nason). Esta versão simplifica o trabalho para o público em geral; as fórmulas e os detalhes de cada modelo estão no texto original.