Aplicação de Redes Neurais na Previsão das Ações do Setor de Petróleo e Gás da Bm&FBovespa / Application of Neural Networks in Forecasting the Shares of the Oil and Gas Sector of Bm&FBovespa
Resumo
Devido à importância do processo de previsão do mercado financeiro e ao fato de que redes neurais artificiais vêm sendo amplamente utilizadas em detrimento de técnicas estatísticas tradicionais, este estudo tem como objetivo principal desenvolver um modelo de redes neurais artificiais baseado no proposto por Oliveira, Nobre e Zárate (2013) para previsão de preços das empresas brasileiras que atuam no setor de petróleo e gás da bolsa de valores. Para tanto, o presente trabalho utilizou todas as empresas que compõem o setor Petróleo e Gás da BM&FBovespa, expandindo a seleção do trabalho de Oliveira, Nobre e Zárate (2013), que selecionou apenas a Petrobrás. A amostra foi composta pelos preços das ações das seguintes empresas brasileiras: Companhia de Gás de São Paulo (CGAS5), a OGX Petróleo (OGXP3), a Refinaria de Petróleos Manguinhos (RPMG3), a PetroRio (PRIO3) e a Queiroz Galvão Exploração e Produção (QGEP3). Constatou-se que o modelo de rede neural artificial proposto obteve resultados satisfatórios, com erros ínfimos e um POCID maior do que 1. Com isso, pode-se inferir que as redes neurais artificiais são uma ferramenta eficaz na previsão do comportamento do mercado de ações brasileiro para o setor em análise.
Palavras-chave: Redes Neurais Artificiais. Mercado de Ações Brasileiro. Setor de Petróleo e Gás, Previsão.
ABSTRACT
The importance of the financial market prediction process and the fact that artificial neural networks have been widely used to the detriment of traditional statistical techniques, this study has as main objective to develop a model of artificial neural networks based on the one proposed by Oliveira, Nobre and Zárate (2013) to forecast prices of Brazilian companies that operate in the oil and gas sector of the stock exchange. For this purpose, the present study used all the companies the Oil & Gas sector of BM&FBovespa, expanding the selection of the work of Oliveira, Nobre and Zárate (2013), which selected only Petrobrás, the sample was composed by the stock prices of the following Brazilian companies: Companhia de Gás de São Paulo (CGAS5), a OGX Petróleo (OGXP3), a Refinaria de Petróleos Manguinhos (RPMG3), a PetroRio (PRIO3) e a Queiroz Galvão Exploração e Produção (QGEP3). It was found that the proposed artificial neural network model obtained satisfactory results, with minor errors and a POCID more than 1. With this, it can be inferred that the artificial neural networks are an effective tool in predicting the behavior of the stock market for the sector under analysis.
Keywords: Neural Networks. Brazilian Stock Market. Oil & Gas Sector. Forecast.
Referências
ARNERIĆ, J.; POKLEPOVIĆ, T.; ALJINOVIĆ, Z. GARCH based artificial neural networks in forecasting conditional variance of stock returns. Croatian Operational Research Review. v. 5, n. 2, p. 329–343, 2014.
BEKAERT. G.; GARCIA, M. G. P.; HARVEY, O. R. The role of capital markets in economic growth. Rio de Janeiro: PUC, 1995. (Texto para discussão n. 342).
BODYANSKIY, Y.; POPOV, S. Neural network approach to forecasting of quasiperiodic financial time series. European Journal of Operational Research, v. 175, p. 1357-1366, 2005.
BRAGA, A. P.; CARVALHO, A. P. L. F.; LUDERMIR, T. B. Redes neurais artificiais: teoria e aplicações. Rio de Janeiro: LTC, 2011.
CAVALHEIRO, E. A.; CERETTA, P. S.; TAVARES, C. E. M.; TRINDADE, L. L. Previsibilidade de mercados: um estudo comparativo entre Bovespa e s&p500. Sociais e Humanas, v. 23, n. 1, p. 61-74, 2010.
CHURCHLAND, P. S.; SEJNOWSKI, T. J. The computational brain. Cambridge: MIT Press, 1992.
DASH, R.; DASH, P. K.; BISOI, R. A differential harmony search based hybrid interval type2 fuzzy EGARCH model for stock market volatility prediction. International Journal of Approximate Reasoning, v. 59, p. 81–104, 2015.
FAMA, E.F. Efficient capital markets: a review of theory and empirical work. The Journal of Finance, v. 25, p. 383-417, 1970.
FERREIRA, T. A. E.; VASCONCELOS, G. C.; ADEODATO, P. J. L. A new evolutionary method for time series forecasting. In: Genetic evolutionary computation conference, x.; 2005, Washington. Anais… Washington: GECCO, 2005.
FERSON, W. E.; SARKISSIAN, S.; SIMIN, T. Asset pricing models with conditional betas and alphas: The effects of data mining and spurious regression. Journal of Financial and Quantitative Analysis, v. 43, n. 2, p. 331-353, 2008.
FRANCO, D. G. B.; STEINER, M. T. A. Estudo comparativo de redes neurais artificiais para previsão de séries temporais financeiras. In: Simpósio de pesquisa operacional e logística da marinha, xvii.; 2014, São Paulo. Anais... São Paulo: SPOLM, 2014.
GIL, A. C. Como Elaborar Projetos de Pesquisa. São Paulo: Atlas, 2002.
GURESEN, E.; KAYAKUTLU, G.; DAIM, T. U. Using artificial neural network models in stock market index prediction. Expert Systems with Applications, v. 38, n. 8, p. 10389-10397, 2011.
HAIR, J. F.; BABIN, B.; MONEY, A. H.; SAMOUEL, P. Fundamentos de Métodos de Pesquisa em Administração. Porto Alegre: Bookman, 2005.
HAYKIN, S. Redes Neurais Princípios e Prática. Porto Alegre: Bookman, 2001.
HUANG, G. B. Learning capability and storage capacity of two-hidden-layer feedforward networks. IEEE Transactions on Neural Networks, v. 14, n 2, p. 274-281, 2003.
KOLARIK, T.; RUDORFER, G. Time series forecasting using neural networks. ACM Sigapl Apl Quote Quad, v. 25, n. 1, p. 86-94, 1994.
MALIK, F.; NASEREDDIN, M. Forecasting output using oil prices: A cascaded artificial neural network approach. Journal of Economics and Business, v. 58, n. 2, p. 168-180, 2006.
NUNES, M.; COSTA JR, N.; MEURER, R. A relação entre o mercado de ações e as variáveis macroeconômicas: uma análise econométrica para o Brasil. Revista Brasileira de Economia, v. 59, n. 4, p. 585-607, 2005.
OLIVEIRA, F. A.; NOBRE, C. N.; ZÁRATE, L. E. Applying Artificial Neural Networks to prediction of stock price and improvement of the directional prediction index – Case study of PETR4, Petrobras, Brazil. Expert Systems with Applications, v. 40, p. 7596-7606.
PALIWAL, M.; KUMAR, U. A. Neural networks and statistical techniques: A review of applications. Expert Systems with Applications, v.36, n.1 p. 2-17, 2009.
PAO, H. T. A comparison of neural network and multiple regression analysis in modeling capital structure. Expert Systems with Applications, v. 35, n. 3, p. 720-727, 2008.
PENDHARKAR, P. C. A threshold-varying artificial neural network approach for classification and its application to bankruptcy prediction problem. Computers and Operations Research, v.32, p. 2561-2582, 2005.
RUMELHART, D. E.; HINTON, G. E.; WILLIAMS, R. J. Learning Internal Representations by Error Propagation. Cambridge: The MIT Press, 1986.
SELLTIZ, C., JAHODA, M., DEUTSCH, M., COOK, S.M. Métodos de Pesquisa nas Relações Sociais. São Paulo: Editora Herder, 1967.
SKABAR, A.; CLOETE, I. Neural networks, financial trading and the efficient markets hypothesis. In: Australasian conference on computer science, xxv.; 2002, Darlinghurst. Anais… Darlinghurst: ACSC, 2002.
SUMARTI, N.; WAHYUDI, N. Stock and option portfolio using fuzzy logic approach. In: International Journal of Approximate Reasoning, IV.; 2012, Bandung. Anais… Bandung: ICMNS, 2014.
WHITE, H. Economic prediction using neural networks: The case of IBM daily stock returns. International on Neural Networks, v. 2, p. 451-458.
DOI: http://dx.doi.org/10.12819/2017.14.6.3
Apontamentos
- Não há apontamentos.
Atribuição (BY): Os licenciados têm o direito de copiar, distribuir, exibir e executar a obra e fazer trabalhos derivados dela, conquanto que deem créditos devidos ao autor ou licenciador, na maneira especificada por estes.
Não Comercial (NC): Os licenciados podem copiar, distribuir, exibir e executar a obra e fazer trabalhos derivados dela, desde que sejam para fins não-comerciais
Sem Derivações (ND): Os licenciados podem copiar, distribuir, exibir e executar apenas cópias exatas da obra, não podendo criar derivações da mesma.
ISSN 1806-6356 (Impresso) e 2317-2983 (Eletrônico)