Avaliação da Abordagem Geral de Empilhamento na Previsão do Retorno do Prêmio de Capital do Mercado Acionário Brasileiro: Um Estudo Comparativo.
empilhamento, previsão de retorno de ações, machine learnin.
Há um longo debate sobre se os preços das ações são previsíveis. O tema é importante porque desempenha um papel fundamental em diversas áreas de finanças, como precificação de ativos, alocação de portfólio e avaliação de desempenho de gestores de investimentos. No entanto, a previsibilidade do retorno de ações ainda é controversa e a especificação do melhor modelo permanece uma questão em aberto. Duas categorias de estudos sobre o tema se destacam: os estudos que buscam encontrar o melhor modelo de previsão individual e estudos que se concentram em combinar previsões. Com a rápida expansão tecnológica e o consequente aumento do poder computacional, novos modelos de previsão de retorno do preço das ações e prêmio de capital baseados em aprendizado de máquina surgiram nos últimos anos. Neste sentido, o objetivo desta pesquisa é analisar se o uso da abordagem geral de empilhamento de aprendizado de máquina produz resultados superiores em relação aos modelos Combination Elastic Net (C-Enet), Aligned Technical Analysis Index (TECH PLS) e CNN LSTM na previsão de retorno do prêmio de capital do mercado acionário brasileiro no período entre janeiro de 2002 a dezembro de 2022. O estudo utiliza dados de 16 variáveis macroeconômicas mais citadas na literatura sobre combinações de previsões em um esquema de janelas recursivas que envolve as etapas de treinamento, validação e teste. Para avaliar os resultados das previsões serão comparados os ganhos estatísticos, ganhos de utilidade e previsão de sinal da abordagem geral de empilhamento com os modelos contemporâneos C-Enet, TECH PLS e CNN LSTM, publicados nos últimos cinco anos e mais citados na literatura.