Previsão do mercado de ações - Stock market prediction

A previsão do mercado de ações é o ato de tentar determinar o valor futuro das ações de uma empresa ou outro instrumento financeiro negociado em uma bolsa . A previsão bem-sucedida do preço futuro de uma ação pode gerar lucro significativo. A hipótese do mercado eficiente sugere que os preços das ações refletem todas as informações disponíveis atualmente e quaisquer mudanças de preços que não sejam baseadas nas informações recentemente reveladas são, portanto, inerentemente imprevisíveis. Outros discordam e aqueles com este ponto de vista possuem uma miríade de métodos e tecnologias que supostamente lhes permitem obter informações sobre preços no futuro.

A hipótese dos mercados eficientes e o passeio aleatório

A hipótese do mercado eficiente postula que os preços das ações são uma função das informações e expectativas racionais, e que as informações recém-reveladas sobre as perspectivas de uma empresa são quase imediatamente refletidas no preço atual das ações. Isso implicaria que todas as informações publicamente conhecidas sobre uma empresa, que obviamente incluem seu histórico de preços, já estariam refletidas no preço atual das ações. Consequentemente, as mudanças no preço das ações refletem a liberação de novas informações, mudanças no mercado em geral ou movimentos aleatórios em torno do valor que reflete o conjunto de informações existente. Burton Malkiel , em seu influente trabalho de 1973, A Random Walk Down Wall Street , afirmou que os preços das ações não podiam, portanto, ser previstos com precisão olhando o histórico de preços. Como resultado, argumentou Malkiel, os preços das ações são mais bem descritos por um processo estatístico denominado "passeio aleatório", o que significa que os desvios de cada dia em relação ao valor central são aleatórios e imprevisíveis. Isso levou Malkiel a concluir que pagar pessoas de serviços financeiros para prever o mercado na verdade prejudicava, em vez de ajudar, o retorno líquido do portfólio. Vários testes empíricos apóiam a noção de que a teoria se aplica de maneira geral, uma vez que a maioria das carteiras gerenciadas por preditores de ações profissionais não supera o retorno médio do mercado após contabilizar os honorários dos gerentes.

Valor intrínseco

O valor intrínseco (valor verdadeiro) é o valor percebido ou calculado de uma empresa, incluindo fatores tangíveis e intangíveis, por meio de análise fundamentalista. Também é freqüentemente chamado de valor fundamental. É utilizado para comparação com o valor de mercado da empresa e para saber se a empresa está desvalorizada na bolsa de valores ou não. Ao calculá-lo, o investidor considera os aspectos qualitativos e quantitativos do negócio. Normalmente é calculado somando a receita futura descontada gerada pelo ativo para obter o valor presente.

Métodos de previsão

As metodologias de previsão se enquadram em três categorias amplas que podem (e freqüentemente o fazem) se sobrepor. Eles são análise fundamental , análise técnica (gráficos) e métodos tecnológicos.

Analise fundamental

Os analistas fundamentais estão preocupados com a empresa que está por trás do próprio estoque. Eles avaliam o desempenho passado de uma empresa, bem como a credibilidade de suas contas . Muitas razões de desempenho são criadas que ajuda o analista fundamental com avaliar a validade de um estoque, tal como a relação P / E . Warren Buffett é talvez o mais famoso de todos os analistas fundamentais. Ele usa o total de capitalização de mercado Para- PIB proporção para indicar o valor relativo do mercado de ações em geral, portanto, esta relação se tornou conhecido como o " indicador de Buffett ".

O que a análise fundamental no mercado de ações está tentando alcançar é descobrir o verdadeiro valor de uma ação, que então pode ser comparado com o valor com o qual está sendo negociada nas bolsas de valores e, portanto, descobrir se a ação no mercado está subvalorizada ou não. Encontrar o valor verdadeiro pode ser feito por vários métodos com basicamente o mesmo princípio. O princípio é que uma empresa vale a pena somar todos os seus lucros futuros. Esses lucros futuros também devem ser descontados ao seu valor presente. Esse princípio vai bem com a teoria de que um negócio tem tudo a ver com lucros e nada mais.

Ao contrário da análise técnica, a análise fundamentalista é vista mais como uma estratégia de longo prazo.

A análise fundamentalista baseia-se na crença de que a sociedade humana precisa de capital para progredir e, se uma empresa opera bem, deve ser recompensada com capital adicional e resultar em um aumento no preço das ações. A análise fundamentalista é amplamente utilizada por gestores de fundos por ser a mais razoável, objetiva e feita a partir de informações publicamente disponíveis, como análises de demonstrações financeiras.

Outro significado da análise fundamental está além da análise da empresa de baixo para cima; ela se refere à análise de cima para baixo da primeira análise da economia global, seguida pela análise do país e, em seguida, pela análise do setor e, finalmente, a análise no nível da empresa.

Análise técnica

Os analistas técnicos ou grafistas não estão preocupados com nenhum dos fundamentos da empresa. Eles procuram determinar o preço futuro de uma ação com base exclusivamente nas tendências do preço passado (uma forma de análise de série temporal ). Vários padrões são empregados, como cabeça e ombros ou xícara e pires. Paralelamente aos padrões, são utilizadas técnicas como média móvel exponencial (EMA), osciladores, níveis de suporte e resistência ou indicadores de momentum e volume. Os padrões de velas, que se acredita terem sido desenvolvidos por comerciantes japoneses de arroz, são hoje amplamente usados ​​por analistas técnicos. A análise técnica é mais usada para estratégias de curto prazo do que para as de longo prazo. E, portanto, é muito mais prevalente nos mercados de commodities e forex, onde os comerciantes se concentram nos movimentos de preços de curto prazo. Existem alguns pressupostos básicos usados ​​nesta análise, primeiro sendo que tudo o que é significativo sobre uma empresa já está cotado no estoque, outro sendo que o preço se move em tendências e por último que a história (de preços) tende a se repetir, principalmente por causa de a psicologia do mercado.

Aprendizado de máquina

Com o advento do computador digital , a previsão do mercado de ações mudou desde então para o domínio tecnológico. A técnica mais proeminente envolve o uso de redes neurais artificiais (RNAs) e algoritmos genéticos (GA). Os estudiosos descobriram que o método de otimização da quimiotaxia bacteriana pode ter um desempenho melhor do que o GA. As RNAs podem ser consideradas aproximadoras de funções matemáticas . A forma mais comum de RNA em uso para previsão do mercado de ações é a rede de alimentação direta, utilizando o algoritmo de propagação para trás de erros para atualizar os pesos da rede. Essas redes são comumente chamadas de redes de retropropagação . Outra forma de RNA que é mais apropriada para predição de estoque é a rede neural recorrente de tempo (RNN) ou rede neural de atraso de tempo (TDNN). Exemplos de RNN e TDNN são as redes Elman, Jordan e Elman-Jordan. (Veja as redes Elman e Jordan .)

Para previsão de estoque com RNAs, geralmente há duas abordagens adotadas para prever diferentes horizontes de tempo: independente e conjunta. A abordagem independente emprega uma única RNA para cada horizonte de tempo, por exemplo, 1 dia, 2 dias ou 5 dias. A vantagem dessa abordagem é que o erro de previsão da rede para um horizonte não afetará o erro de outro horizonte - uma vez que cada horizonte de tempo é normalmente um problema único. A abordagem conjunta, no entanto, incorpora vários horizontes de tempo juntos para que sejam determinados simultaneamente. Nesta abordagem, o erro de previsão para um horizonte de tempo pode compartilhar seu erro com o de outro horizonte, o que pode diminuir o desempenho. Existem também mais parâmetros necessários para um modelo de junta, o que aumenta o risco de sobreajuste.

Ultimamente, a maioria dos grupos de pesquisa acadêmica que estudam RNAs para previsão de estoque parece estar usando um conjunto de métodos independentes de RNAs com mais frequência, com maior sucesso. Um conjunto de RNAs usaria preços baixos e defasagens de tempo para prever baixas futuras, enquanto outra rede usaria altas defasadas para prever altas futuras. As previsões de baixa e alta previstas são então usadas para formar preços de parada para compra ou venda. As saídas das redes individuais "baixa" e "alta" também podem ser inseridas em uma rede final que também incorporaria volume, dados intermercados ou resumos estatísticos de preços, levando a uma saída de conjunto final que acionaria compra, venda ou direcional de mercado mudança. Um grande achado com RNAs e previsão de estoque é que uma abordagem de classificação (vs. aproximação de função) usando resultados na forma de compra (y = + 1) e venda (y = -1) resulta em melhor confiabilidade preditiva do que uma saída quantitativa, como tão baixo ou alto preço.

Uma vez que os NNs requerem treinamento e podem ter um grande espaço de parâmetros; é útil otimizar a rede para capacidade de previsão ideal.

Fontes de dados para previsão de mercado

Tobias Preis et al. introduziu um método para identificar precursores online para movimentos do mercado de ações, usando estratégias de negociação com base em dados de volume de pesquisa fornecidos pelo Google Trends . Sua análise do volume de pesquisa do Google para 98 termos de relevância financeira variável, publicada em Scientific Reports , sugere que aumentos no volume de pesquisa de termos de pesquisa financeiramente relevantes tendem a preceder grandes perdas nos mercados financeiros. Desses termos, três foram significativos no nível de 5% (| z |> 1,96). O melhor termo na direção negativa foi "dívida", seguido de "cor".

Em um estudo publicado na Scientific Reports em 2013, Helen Susannah Moat, Tobias Preis e colegas demonstraram uma ligação entre as mudanças no número de visualizações de artigos da Wikipedia em inglês relacionados a tópicos financeiros e subsequentes grandes movimentos do mercado de ações.

O uso de Text Mining em conjunto com algoritmos de Aprendizado de Máquina tem recebido mais atenção nos últimos anos, com o uso de conteúdo textual da Internet como input para prever variações de preços em Ações e outros mercados financeiros.

O clima coletivo das mensagens do Twitter tem sido vinculado ao desempenho do mercado de ações. O estudo, porém, foi criticado por sua metodologia.

A atividade em painéis de mensagens de estoque foi explorada a fim de prever o retorno de ativos. As manchetes corporativas do Yahoo! Finance e Google Finance foram usados ​​como alimentação de notícias em um processo de mineração de texto , para prever os movimentos de preços de ações do Dow Jones Industrial Average .

Estruturação do aspecto da série temporal

A estruturação de aspectos , também conhecida como Jacaruso Aspect Structuring (JAS), é um método de previsão de tendências que se mostrou válido para antecipar mudanças de tendências em vários conjuntos de dados do mercado de ações e séries temporais geopolíticas. O método aborda o desafio que surge com dados dimensionais elevados em que as variáveis ​​exógenas são muito numerosas ou incomensuráveis ​​para serem contabilizadas e usadas para fazer uma previsão. O método identifica a única variável de influência primária na série temporal, ou "fator primário", e observa mudanças de tendência que ocorrem durante momentos de significância diminuída na referida variável primária. Presumivelmente, as mudanças de tendência nesses casos são devidas aos chamados "fatores de fundo". Embora esse método não possa elucidar a natureza multivariada dos fatores de fundo, ele pode avaliar os efeitos que eles têm nas séries temporais em um determinado ponto no tempo, mesmo sem medi-los. Esta observação pode ser usada para fazer uma previsão.

Notas

Referências

  • Graham, B. O Investidor Inteligente HarperCollins; Edição Rev Ed, 2003.
  • Lo, AW e Mackinlay, AC A Non-Random Walk Down Wall Street, 5ª Ed. Princeton University Press, 2002.
  • Azoff, EM Neural Network Time Series Forecasting of Financial Markets John Wiley and Sons Ltd, 1994.
  • Christoffersen, PF e FX Diebold. Retornos de ativos financeiros, previsão da direção de mudança e dinâmica de volatilidade . Management Science, 2006. 52 (8): p. 1273-1287