Algoritmo Random Forest para Previsão de Comportamento de Preços de Ativos / Random Forest Algorithm for Predicting Asset Price Behavior

Resumen

A pesquisa apresentada neste artigo analisou o desempenho do algoritmo random forest na previsão do retorno futuro dos principais índices das maiores bolsas de valores do mundo, por meio de preços históricos de negociação. Utilizou-se uma amostra composta pelas cotações diárias de 35 índices das maiores bolsas de valores do mundo, no período de 2001 a 2019. Além do algoritmo random forest, foram estimados modelos com base no algoritmo árvore de decisão e empregando a técnica de regressão logística. Os modelos foram estimados considerando-se os preços máximos e de fechamento, assim como o período completo e a sua divisão em subperíodos. Os resultados indicaram que os desempenhos dos modelos estimados foram superiores à média de mercado, sendo que o random forest apresentou os melhores resultados. Todos os modelos treinados com base nos preços máximos dos índices tiveram desempenho superior aos treinados com preços de fechamento. Além disso, os modelos de subperíodos apresentaram melhores desempenhos para o random forest. A eficiência dos mercados na forma fraca foi questionada em contexto contemporâneo da ascensão do uso de algoritmos de inteligência artificial (IA) para previsão em finanças. O estudo é relevante, pois contribui para a literatura de uso de algoritmos de IA na previsão de preços de ativos no mercado financeiro. Os principais índices das maiores bolsas de valores do mundo foram analisados, gerando subsídios gerais que podem auxiliar na orientação de pesquisas futuras na área.

Palavras-chave: Random Forest. Inteligência Artificial (IA). Previsão de Preços. Hipótese de Mercados Eficientes (HME). Bolsa de Valores.

ABSTRACT

The research presented in this article analyzed the performance of the random forest algorithm in predicting the future return of the main indices of the largest stock exchanges in the world, through historical trading prices. A sample composed of the daily quotes of 35 indices of the largest stock exchanges in the world from 2001 to 2019 was used. In addition to the random forest algorithm, models were estimated, based on the decision tree algorithm and using the logistic regression technique. The models were estimated considering maximum and closing prices, as well as the complete period and its division into sub-periods. The results indicated that the performances of the estimated models were superior to the market average, and the random forest presented the best results. All models trained on the maximum prices of the indices performed better than those trained on closing prices. In addition, the subperiod models performed better for the random forest. The efficiency of markets in the weak form has been questioned in the contemporary context of the rise of the use of artificial intelligence (AI) algorithms for forecasting in finance. The study is relevant as it contributes to the literature on the use of AI algorithms in forecasting asset prices in the financial market. The main indices of the largest stock exchanges in the world were analyzed, generating general subsidies that can help guide future research in the area.

Keywords: Random Forest. Artificial Intelligence (AI). Price Forecast. Efficient Markets Hypothesis (HME). Stock Exchange.