1 INTRODUÇÃO
O mercado de ações é um sistema que
envolve os processos de compra e venda de ativos financeiros por investidores
cuja dinâmica é bastante complexa [1]. Dentro deste mercado, investidores têm como objetivo tomar
decisões de negócio cuja probabilidade de obter lucro seja a maior possível.
A principal estratégia utilizada para
atingir esse objetivo se dá através da análise técnica e fundamentalista [1]. Nesse contexto, a fim de auxiliar os
investidores na tomada de decisão, vários métodos têm sido propostos pela
literatura, entre os quais a utilização de mineração de dados e inteligência
artificial [2;
3]. Investidores e
empresas de consultoria apontam a importância de decidir adequadamente quais
indicadores aplicar aos diferentes ativos, visto que indicadores com maior grau
de importância nas análises técnicas e fundamentalistas podem variar de acordo
com a empresa analisada [1].
A questão norteadora desta pesquisa
visa identificar grupos de indicadores técnicos que melhor se apliquem a
determinados segmentos de ativos. Para tanto, buscou-se otimizar o processo de
escolha de indicadores que melhor se apliquem a ativos negociados na Bolsa de
Valores, Mercadorias & Futuros (B3) a fim de amparar o processo de decisão
de investidores. Para atingir o objetivo, foram utilizadas diversas técnicas de
mineração de dados e de aprendizagem de máquina.
Destarte, analisar e entender a
dinâmica do mercado são fatores importantes para o investimento em ações, portanto,
estudar os diversos indicadores a serem considerados na análise de uma empresa
é uma tarefa fundamental para se obter lucro em investimentos [2].
Uma pesquisa realizada pelo Valor Data
em 2020 demonstrou que o Ibovespa, principal índice da bolsa de valores
brasileira, teve a maior volatilidade anual desde a crise de 2008. A flutuação
de preços no período analisado, chegou a oscilar entre 25% e 117% [4]. Somado a
isso, relatórios da B3 de 2021 apontam um crescimento de 17% no volume médio de
negociações diárias no primeiro trimestre, atingindo a marca de R$36,8 bilhões,
em comparação ao trimestre anterior. Este comportamento reflete a necessidade
de possuir ferramentas para embasar as decisões de investidores.
Diante disso, convergindo com a
hipótese de que
é possível melhorar um
modelo de predição para um determinado ativo escolhendo um conjunto de
indicadores que melhor se adeque ao papel analisado [2], buscou-se identificar indicadores técnicos
que se mostram mais eficazes quando aplicados a determinados ativos. Este estudo
propõe contribuições que podem auxiliar na seleção e análise de indicadores
financeiros, com o intuito de otimizar o retorno de investimentos. Por fim, destaca-se
que não está dentro do escopo deste trabalho analisar dados macroeconômicos,
políticos, ou realizar análise de sentimento e opiniões para predição de
tendências do mercado acionário. Ademais, não se pretende explorar operações de
day-trade e nem de longo prazo.
2 FUNDAMENTAÇÃO TEÓRICA
2.1 MÉTODOS
DE ANÁLISE DO MERCADO DE AÇÕES
O mercado de ações e de títulos compõe
o mercado financeiro, que pode ser definido como o local em que agentes
superavitários e deficitários promovem a negociação direta. No caso do mercado
de capitais, são negociados títulos de longo prazo, tais como ações e
obrigações, ao passo que no mercado monetário, as transações giram em torno de
obrigações de curto prazo, ou títulos negociáveis [5].
No âmbito do mercado de capitais, a
negociação de curto prazo é uma tarefa difícil devido à flutuação entre demanda
e oferta das ações, o que reflete nos preços desses ativos. Diante disso, os
indicadores técnicos são de grande valia para operações de swing trade [2]. Assim, em termos simplificados, o
valor de qualquer ativo é o valor presente de todos os fluxos de caixa futuros
que se espera durante o período em questão [5].
Diante do exposto, observa-se que,
embora prever o preço das ações em curto prazo seja uma tarefa desafiadora
devido à natureza volátil do mercado de ações, essa questão tem atraído
pesquisadores e acadêmicos para aprimorar modelos de previsão. Investidores
baseiam suas negociações em diferentes formas de análise do
mercado, de tal modo que existem várias formas de análise de ações que podem
ser realizadas, como análise técnica e fundamentalista que respectivamente
destinam-se à avaliação de gráficos de histórico de preços e à avaliação da saúde
financeira das empresas [6].
A análise fundamentalista consiste em
avaliar o preço das ações de uma empresa, com base em seus dados históricos,
debruçando-se sobre qualquer fator que possa afetar os preços de suas ações,
incluindo os lucros, condições macroeconômicas e da economia de modo geral,
condições da indústria e da gestão da empresa [2].
Por outro lado, a análise técnica é um
método de mensuração de ações que envolve análises estatísticas de dados do
mercado, tais como o histórico de preços de um ativo [7], dessa forma é possível observar a
movimentação anterior dos valores de um ativo através da observação de
gráficos, com o intuito de obter indícios sobre possíveis comportamentos
futuros, e direcionar a tomada de decisão [1].
2.1.1 Performance de diferentes indicadores
aplicado ao mercado de ações
O princípio básico
subjacente à análise técnica tem como base a hipótese do mercado eficiente. Este
viés acredita que todas as informações a respeito de um ativo em um dado
momento estão incorporadas em seu preço [8].
Os indicadores
técnicos são uma forma estatística de análise técnica onde se aplicam várias
fórmulas matemáticas a preços e volumes. Existe uma diversidade de indicadores
técnicos, e com diferentes níveis de complexidade. Um dos mais comuns são as
médias móveis, que suavizam os dados de preços para facilitar a localização de
tendências, já dentre os mais complexos encontra-se a divergência e convergência da média móvel (MACD),
que analisa a interação entre várias médias móveis [9].
Frequentemente analistas técnicos
utilizam vários indicadores para montar suas estratégias, visto que cada
indicador possui a capacidade de expressar um determinado tipo de informação
sobre as séries históricas. Com isso é possível estabelecer algumas classes de
indicadores de acordo com a informação que se permite observar a partir de
quatro classes de indicadores, conforme disposto no Quadro 1 [9].
Os indicadores de momento são
frequentemente conhecidos como osciladores, pois oscilam entre os limites
superiores e inferiores definidos e ajudam a analisar a proporção de
compradores e vendedores para entender qual grupo de participantes do mercado
tem a maioria e com que força os estão empurrando em uma direção ou se o preço
está perdendo força; já os indicadores de tendência analisam uma tendência
prevalecente; geralmente não são eficazes quando o preço flutua lateralmente;
indicadores de volatilidade verificam o grau de volatilidade e até que ponto o
preço oscila, apresentam informações necessárias para definir paradas, definir
metas e determinar o tamanho da posição, já os indicadores baseados em estudo
de gráficos oferecem uma forma visual de interpretar tendências [9].
Quadro 1 - Distribuição de indicadores por classes.
|
CLASSE
|
INDICADOR
|
|
Momentum
|
Stochastic; RSI; CCI; Williams %;
MACD; Ichimoku Cloud
|
|
Trend
|
ADX;Moving averages;ATR;
MACD;Parabolic SAR;Bollinger Bands®;Ichimoku Cloud
|
|
Volatility
|
Bollinger Bands®; Standard
deviation; ATR; Keltner Channel; Envelopes
|
|
Chart studies
|
Horizontal lines; Fibonacci; Supply
/ Demand; Trend lines
|
Fonte: Adaptado de [9].
2.2 MINERAÇÃO
DE DADOS
Nos últimos anos uma série de
trabalhos relevantes foi proposta buscando prever os movimentos de mercado a
partir de abordagens em diferentes ramos de pesquisa, como estatística, uso de técnicas
de reconhecimento de padrões, análise de sentimentos, aprendizado
supervisionado e não supervisionado [10]. Dentre as inúmeras técnicas de mineração utilizadas no
estudo do mercado financeiro, destacam-se a clusterização e a regressão, as
quais foram empregadas neste trabalho.
A clusterização é utilizada para
separar os registros de uma base de dados em subconjuntos, de tal forma que os
seus elementos compartilhem propriedades, apresentando uma configuração em que
cada elemento possua maior similaridade com elementos do mesmo cluster em
relação ao de outros grupamentos, isto é, servindo para distinguir os elementos
entre clusters distintos, uma vez que maximiza a similaridade intra-cluster e
minimiza a similaridade inter-cluster [11].
Um dos maiores benefícios da
utilização dos modelos de clusterização para realização de agrupamentos é a sua
capacidade de aplicação não supervisionada, fazendo com que eles se apliquem
quando não se sabe as etiquetas das classes desejadas. Isso permite a
realização de análises aprofundadas mesmo sem o desenvolvimento de conhecimento
prévio sobre o tema estudado [12].
Diante disso, o DBSCAN figura como um
método bastante utilizado quando não se sabe a classe desejada, tanto por sua
eficiência quanto por possuir uma simplicidade. Este método baseia-se em um
conceito de densidade focado no centro do agrupamento, que leva em consideração
o raio de alcance dos objetos e deve ser calibrado buscando o equilíbrio de um
dos seus principais parâmetros, que permanecendo nessa zona pré-determinada,
podem ser classificados em: interiores ou centrais; contidos em grupos ou baseados
na densidade; limítrofes; e ruídos [13].
Já a regressão tem como principal
objetivo aproximar uma função que representa os dados inseridos no modelo,
permitindo que a partir de um conjunto de dados iniciais seja possível prever
valores futuros. Um dos modelos bastante utilizados são as redes neurais,
conjunto de técnicas aplicadas a uma grande gama de cenários.
Dentre as redes neurais, o MLP (Multilayer
Perceptron) destaca-se tanto por ser um dos primeiros modelos concebidos,
como pela sua fácil implementação. Por ser uma rede neural, naturalmente a
informação se encontra nos pesos sinápticos em que os sinais de entrada são
transmitidos por camadas totalmente conectadas. Essa macroestrutura, com apenas
uma camada escondida, é capaz de aproximar qualquer função contínua oferecida
em sua camada inicial. Entretanto, uma forte limitação desses modelos é a
grande dificuldade de interpretação do que está ocorrendo internamente na rede [14].
2.3
TRABALHOS RELACIONADOS
Muitos estudos tentaram prever o
desempenho corporativo e os preços das ações para aumentar a lucratividade do
investimento usando abordagens qualitativas. No entanto, o desenvolvimento da tecnologia
de processamento de dados e algoritmos de aprendizagem de máquina resultaram em
esforços para desenvolver modelos de previsão quantitativa em várias áreas,
inclusive no mercado de ações, neste sentido, vários estudos propõem um modelo
quantitativo de predição aplicando indicadores financeiros e técnicos para
previsão baseado em mineração de dados [15]. O Quadro 2 apresenta alguns trabalhos relacionados a esta
pesquisa.
Quadro 2: Estado da arte acerca da mineração de dados no mercado
de ações
|
REF.
|
INDICADOR
|
|
[16]
|
Apresentou um método de pré-processamento de preços por
meio da aplicação de redes neurais. Os resultados apontaram que os modelos de
aprendizado profundo testados apresentaram desempenho superior aos modelos
mais simples e aprenderam com precisão estratégias de negociação.
|
|
[17]
|
Investigou as regras técnicas mais eficazes em mercados em
baixa do que em alta utilizando autorregressão vetorial; regras técnicas como
médias móveis; e método bootstrap para inferências estatísticas.
|
|
[18]
|
Utilizou uma ferramenta de aprendizado profundo, Long
short-term memory (LSTM), que se mostrou eficaz para fazer previsões a partir
de um modelo híbrido de previsão de direção Forex, utilizando dados
macroeconômicos e indicadores técnicos.
|
|
[19]
|
Analisou sentimentos de investidores nas eleições
presidenciais dos EUA e os efeitos da Covid-19 como um fator de flutuação que
afeta o desempenho do mercado de ações, para determinar quando comprar ou
vender ações observando melhores regras, pontos de negociação e indicadores
técnicos, utilizando o modelo de previsão Log Bilinear (LBL) e Rede Neural Recorrente
(RNN) para aprendizagem de padrão de sentimento do mercado.
|
|
[20]
|
Buscou prever a volatilidade do retorno das ações usando
indicadores técnicos construídos com base no histórico de preços,
volatilidade e volume de negócios por meio de autorregressão. Observou que as variáveis fundamentalistas geram previsões
mais precisas quando a economia está em recessão enquanto, as técnicas têm um desempenho melhor
quando a economia está em expansão, mostrando que a combinação dessas
informações permite fazer análises mais confiáveis do que utilizando-as isoladamente.
|
Fonte: Os autores.
Assim, observa-se
que dentre os estudos mais recentes acerca da análise do mercado de ações, é
recorrente a utilização de indicadores técnicos e fundamentalistas aliados a
aplicação de técnicas de mineração de dados e inteligência artificial, gerando
contribuições para uma maior acurácia na predição do mercado acionário.
3 MATERIAS E MÉTODOS
O enquadramento metodológico adotado
neste estudo caracteriza-se pelo seu objetivo exploratório-descritivo, de
natureza aplicada, mediante a aplicação de procedimentos metodológicos de uma
pesquisa de levantamento de dados primários e secundários, e por meio de uma
abordagem quantitativa.
Por ser um estudo
exploratório-descritivo, tipologia de pesquisa usualmente utilizada em
pesquisas aplicadas [21]
com o objetivo de aprofundar-se na temática estudada, a fim de levantar as
variáveis do mercado financeiro pertinentes para avaliação de ativos
financeiros, e descrever a relação entre os indicadores analisados e seu
impacto na predição do valor de ações.
Nessa perspectiva, este estudo
classifica-se como pragmático, produzindo conhecimentos úteis para solucionar
problemas reais [21],
que nesse caso, diz respeito a otimização das análises dos papéis por meio de
indicadores que possam predizer o valor das ações por segmento de atuação da
empresa, a fim de associar a um modelo de predição com vistas à melhoria de
performance.
Assim, para consecução desta pesquisa,
buscou-se, a princípio, encontrar grupos de ativos a partir da observação de
características semelhantes advindas de uma análise fundamentalista; identificar
os indicadores utilizados individualmente ou em conjunto, que apresentam melhor
desempenho na tarefa; avaliar a contribuição de diferentes indicadores
técnicos, aplicados individualmente ou em conjunto para elevar a performance de
um modelo de predição; comparar a aplicação dos indicadores financeiros em
diferentes ativos ou grupos de ativos.
Ademais, o procedimento adotado para
consecução da pesquisa se deu por meio da extração de dados quantitativos
primários e secundários do Yahoo Finance no tocante às séries históricas de
indicadores técnicos; e do site Fundamentus, quanto aos dados de indicadores
fundamentalistas de um grupo de empresas que compõem a B3. Sendo assim, a
abordagem adotada foi a quantitativa, pois o estudo realizado utiliza
amplamente de técnicas quantitativas de mineração de dados, por meio do emprego
de simulações,
provas e testes do modelo proposto [22].
3.1 DESCRIÇÃO DA BASE DE DADOS
A base de dados utilizada foi
construída a partir da importação de dados históricos de abertura e fechamento
de mercado de ações negociados no mercado de capitais da B3, do Yahoo Finance
em 03 de março de 2021 e da importação de dados de análise fundamentalista do
site Fundamentus. Para o armazenamento dos dados foi criado um banco de dados
relacional, MySQL, na Amazon RDS (Relational Database Service).
Os dados históricos de abertura e
fechamento de mercado utilizados nesta pesquisa são compostos por 378 tabelas
que representam cada uma das empresas listadas no mercado de ações brasileiro,
com histórico de negociações há pelo menos 5 anos, cada uma com 8 colunas,
contendo informações da variação no valor do seu ativo em um intervalo de 1
dia. Com relação aos dados históricos de análise fundamentalista, após a
redução de uma base preliminar contendo 58 colunas, obteve-se uma tabela de 378
linhas (empresas) e 21 colunas (indicadores fundamentalistas).
Os dados de histórico de preço
utilizados para consecução da pesquisa consideraram os seguintes atributos:
data, preço de abertura, preço mais alto do dia, preço mais baixo do dia, preço
de fechamento, ajuste do preço de fechamento e volume de operações realizadas.
No que concerne aos dados da análise fundamentalista, foram utilizadas as
colunas de indicadores mais relevantes.
Após a realização da redução dos dados
preliminares, obtiveram-se os seguintes atributos: Papel; Setores; Subsetor; Cotação;
Valor de mercado; PL (Preço sobre lucro); PVP (Preço sobre valor patrimonial); PEBIT
(Ganhos proprietários antes de interesse e taxas); Div_Yield (Rendimento de
dividendo); EV_EBITDA (Relação entre o valor da companhia e o EBITDA); EV_EBIT
(Comparação do valor da empresa com o lucro antes da incidência de taxas e
impostos); Cres_Rec_5ª (Crescimento da Receita Líq. nos últimos 5 anos); LPA
(Lucro por ação); VPA (Valor Patrimonial da ação); Marg_Bruta (Margem do lucro
bruto); Marg_Liquida (Margem líquida); ROIC (Retorno sobre o capital
investido); ROE (Retorno sobre o patrimônio líquido); Div_Br_Patrim (Dívida Bruta
total ÷ Patrimônio Líquido); Div_Bruta (Dívida Bruta); Div_Liquida (Dívida
Líquida).
3.2 ANÁLISE DESCRITIVA E PRÉ-PROCESSAMENTO DOS DADOS
Com relação aos dados de análise
fundamentalista utilizados no estudo, verifica-se uma grande variação entre
cada um dos indicadores. Empresas de diferentes setores podem apresentar
características bastante distintas. Em uma análise descritiva dos dados,
observando a figura 2, que apresenta um gráfico de dispersão relacionando o
crescimento da receita entre 4 setores de atuação distintos, pode-se perceber
por exemplo a grande variação no indicativo de crescimento da receita em um
período de 5 anos entre os setores de siderurgia e metalurgia e o setor de construção
civil, que sob uma óptica inicial deveriam apresentar uma maior relação.
Figura 1 – Crescimento da receita em 5 anos
Fonte: Os Autores.
Inúmeras constatações interessantes
podem ser feitas a partir de uma análise descritiva de cada uma das colunas
presentes na base, é possível perceber ainda a existência de outliers em cada
uma delas, no entanto, optou-se pela não remoção de nenhum dos outliers
observados. Esta decisão foi tomada conjuntamente com profissionais e
especialistas da área de investimentos que contribuíram com o desenvolvimento
desta pesquisa, totalizando 1 gerente de investimentos; 1 assessor de
investimento; 4 especialistas no mercado de ações e 2 pesquisadores doutores em
finanças.
O principal suporte a esta decisão
recai sobre expectativa de que a busca por encontrar clusters de ativos com alguma
semelhança possa oferecer insights interessantes até mesmo com relação aos
outliers, outro embasamento para esta decisão recai sobre o fato de que a
remoção dos outliers de todas as colunas de indicadores fundamentalistas
resultaria em uma limitação muito grande da base de ativos analisados.
3.3 METODOLOGIA EXPERIMENTAL
3.3.1 Etapa de
clusterização
O desenvolvimento do
projeto ocorreu com base no método CRoss Industry Standard para Data Mining
(CRISP-DM), o qual consiste em um modelo de processo com seis fases que permite
planejar, organizar e implementar um projeto de ciência de dados e possui uma
característica cíclica, passando pelas etapas de compreensão do negócio,
compreensão dos dados, identificação, pré-processamento, preparação e
organização dos dados disponíveis e necessários, definição das técnicas de
modelagem e do modelo que atende melhor aos objetivos de negócio e por fim,
apresentação e avaliação dos resultados [23].
Inicialmente
objetivou-se criar grupos de ativos negociados no mercado de ações brasileiro,
a partir da extração de características provenientes da interpretação dos
dados. Em razão disto, foi decidido utilizar a técnica de clusterização DBSCAN
(Density-Based Spatial Clustering of Applications with Noise) [24].
A justificativa para
escolha deste método recai sobre a necessidade de tratar a existência de
características distintas de cada uma das colunas dos dados, onde há uma
significativa diferença entre cada um dos indicadores fundamentalistas; e pela
capacidade de encontrar ruídos nos dados, que neste caso podem surgir por se
ter optado pela não remoção de outliers uma vez que acabaria por reduzir
significativamente a base de dados inicial. Além disso, optou-se por não
definir um número de clusters previamente, visto que não há nenhuma referência
ao quantitativo de grupos que podem melhor representar os dados.
Durante os testes
iniciais foi observado que a utilização completa do conjunto de dados resultava
em uma baixa qualidade da clusterização, por isso a quantidade de indicadores
fundamentalista foi reduzida em torno de 60%, optando-se por manter na base os
principais indicadores apontados por especialistas no mercado de ações
consultados ao longo do estudo.
Após o pré-processamento
dos dados, aplicou-se o algoritmo PCA para compactar o conjunto de dados em um
subespaço de recurso de dimensão inferior mantendo a maioria das informações
relevantes. O resultado foi utilizado para alimentar o algoritmo t-SNE [25], que serviu ao
propósito de fazer um mapeamento dimensional dos dados, fornecendo os dados de
entrada do algoritmo DBSCAN.
Cabe a ressalva que,
mesmo o conjunto de dados não sendo de uma dimensão elevada, a utilização dos
dois algoritmos de redução de dimensionalidade conjuntamente resultou em uma
clusterização mais adequada às expectativas.
3.3.2 Etapa de
regressão
Com o intuito de atingir o objetivo
principal deste trabalho, que se destina a identificar quais indicadores
técnicos contribuem melhor para a análise de diferentes grupos de ativos
analisados, optou-se por utilizar uma rede neural MLP como regressor para fazer
predição das séries de preço dos ativos analisados, e a técnica Random Forest
Regressor para avaliar os melhores indicadores, com isso foram realizadas
previsões de curto prazo, com o intuito de prever o valor de um ativo em 1(um)
dia posterior, dado uma janela temporal de dez dias, utilizando como entrada o
histórico de preços dos ativos analisados acrescidos de uma série de
indicadores técnicos.
Os dados das séries históricas,
constituídas inicialmente de seis colunas, contendo valores de preço de
abertura, fechamento, máximo, mínimo, ajuste de fechamento e volume negociado,
foram expandidos a partir da inserção de diversos indicadores técnicos
calculados com base nas colunas inicialmente citadas. Essa expansão resultou em
um total de 21 colunas de dados contendo, além das 6 colunas iniciais, os
seguintes indicadores técnicos: SMA e EMA para 10, 20, 50, 100 e 200 períodos,
ATR, CCI, ROC, RSI e WCL.
Para atingir o objetivo desejado,
primeiramente foram executadas duas rodadas de treinamento e teste, com
respectivamente 70% e 30% dos dados, para cada um dos 378 papéis analisados
utilizando como input o conjunto total de indicadores existentes. Para cada
rodada de treinamento foi armazenado o RMSE (Root Mean squared error) como
métrica de avaliação do modelo. Em seguida, foram verificados quais as features
de maior importância (indicadores técnicos de maior importância) utilizando o
Random Forest Regressor. Por fim, a base de dados inicial foi alterada
mantendo-se apenas 25% dos indicadores, sendo estes os de maior relevância, e
então realizou-se novamente duas rodadas de treinamento e teste.
Em seguida, foi implementado um modelo
de predição utilizando um MLP com múltiplos parâmetros de entrada, tendo como
saída a previsão do valor de fechamento do mercado de 1 dia posterior. Para
construção do MLP foi utilizado uma camada de entrada de 200 neurônios, 300
neurônios na camada escondida e função de ativação RELU. A rede foi compilada
utilizando o otimizador ADAM, MSE (Mean squared error) como métrica de
avaliação, Batch de 32 e taxa de aprendizagem de 0,001.
Após as etapas anteriores foi gerado
uma nova base de dados contendo, para cada papel analisado: o RMSE obtido na
primeira rodada da MLP, os indicadores mais relevantes de acordo com o Random
Forest Regressor, e os valores de RMSE da segunda rodada da MLP. Por fim, os
dados gerados, assim como os clusters obtidos na etapa de clusterização e os
setores correspondentes de cada ativo, foram associados gerando uma nova base
de dados. Com estes dados gerados, foi possível obter uma série de informações
relevantes relacionadas ao objetivo proposto.
4 ANÁLISE E DISCUSSÃO DOS RESULTADOS
O presente estudo buscou por meio da
aplicação de mineração de dados, encontrar quais indicadores técnicos podem ser
melhor aplicados a um determinado grupo de ativos a partir da observação das
suas características semelhantes. Para tanto, foram obtidos os resultados da
etapa de clusterização dos ativos financeiros a partir dos seus indicadores
fundamentalistas. Nesta etapa, foi encontrado o resultado final de seis
clusters distribuídos conforme mostra a figura 2.
Figura 2 –Resultado do DBSCAN com 6 clusters*
*Legenda: Clusters 0, 1, 2, 3, 4 e -1 foram denominados A, B,
C, D, E e R respectivamente.
Fonte: Os Autores.
Diante deste resultado, foi realizada
uma análise comparativa com os setores dos ativos presentes em cada cluster,
onde foi observado, por exemplo, que praticamente todos os papéis contidos no
grupo A são do setor de Bancos, com exceção de um único papel do setor de
Transporte, o VSPT3, logo, o referido ativo pode ser identificado como outlier
em seu setor. No entanto, fazer uma análise detalhada dos ativos presentes na
base de dados utilizada foge do escopo deste trabalho. Foi constatado ainda que todos os
papéis do setor Agropecuário estavam contidos no grupo B, assim como todos os
demais papéis do setor de Transporte.
Assim, foi possível identificar os
indicadores, utilizados individualmente ou em conjunto, que apresentaram melhor
desempenho para realizar a análise dos ativos, respeitando as relações
existentes entre os diferentes indicadores técnicos e os papéis analisados,
através da observação tanto dos setores de atuação das empresas quanto das
classes obtidas na etapa de clusterização.
A unificação destas informações, com a
relação dos indicadores mais influentes na avaliação de cada papel e o RMSE
obtido, permitiu validar a hipótese de que existem indicadores técnicos que se
aplicam melhor a um determinado grupo de ativos. Foi possível observar ainda
que a utilização de um grupo seleto de indicadores mais influentes por papel
beneficia a tarefa de predição quando comparado à utilização de todos os
indicadores no treinamento do modelo.
A figura 3 demonstra em barras a média
do RMSE por rodada de treinamento e teste, e evidencia que selecionando um
grupo de indicadores mais adequados à avaliação de uma determinada empresa, o
resultado do modelo de predição tem um incremento de performance.
Figura 3 – Gráfico da média do RMSE por ciclo de treinamento
Fonte: Os Autores.
Pode-se observar que a média do RMSE_0, referente a avaliação
do erro no primeiro ciclo da rodada de treinamento com todos os indicadores, é
superior ao RMSE2_0, que representa a média dos erros da primeira rodada de
treinamento com apenas 25% dos indicadores selecionados com relação a sua maior
influência na análise do papel em questão. Com relação às métricas da segunda
rodada de treinamento, o mesmo pode ser observado, relacionando o RMSE_1 e o
RMSE2_1.
A fim de avaliar e comparar a
contribuição de diferentes indicadores técnicos por cluster e por setor, foram
obtidas as seguintes representações: (1) por cluster; (2) por setor, conforme
demonstrado nas figuras 4 e 5.
Na avaliação por cluster disposta na
figura 4 - em que o eixo x representa cada um dos clusters encontrados na etapa
de clusterização, sendo A, C, D, E e R, os clusters 0, 2, 3, 4 e -1
respectivamente observados na figura 5 - é possível observar a existência de
diferentes indicadores técnicos com maior incidência em cada um dos clusters
encontrados, comprovando que definitivamente é possível obter indicadores
técnicos mais indicados para observação de um grupo de ativos.
Figura 4 – Gráfico do resultado dos indicadores com maior grau de
importância nos clusters
Fonte: Os Autores.
Na comparação por cluster observa-se
que o cluster A, composto quase totalmente por ativos do setor financeiro e por
um ativo do setor de transporte, apresentou como indicadores técnicos mais
influentes o WCL, EMA_10, SMA_10, EMA_50, SMA_200, ao passo que no setor C, os
mais influentes foram WCL, EMA_10, SMA_100, EMA_200, SMA_200.
Já na avaliação por setor, observada
na figura 5 - em que o eixo x representa os setores de Comércio, Construção
Civil, Exploração de Imóveis, e Siderurgia e Metalurgia - pode-se observar a
existência de diferentes indicadores técnicos com maior incidência em cada um
dos setores observados, comprovando também que é possível identificar
indicadores técnicos mais influentes em grupos bastante convencionais, como por
exemplo o setor de atuação da empresa.
Figura 5 – Gráfico do resultado dos indicadores com maior grau de
importância por setor
Fonte: Os Autores.
Na comparação por setor, representada
na figura 5, é possível observar que os três primeiros indicadores técnicos
mais adequados ao setor de comércio foram WCL, EMA_10 e SMA_20, enquanto no
setor de construção civil destacaram-se WCL, EMA_10 e EMA_200, ao passo que, no
setor de Siderurgia e Metalurgia, sobressaíram-se os indicadores WCL, EMA_10 e SMA_10.
Diante do exposto, observou-se que a
partir das técnicas de mineração de dados utilizadas foi possível encontrar
quais indicadores técnicos podem ser melhor aplicados a um determinado grupo de
ativos, a partir da observação das características inerentes aos papéis
analisados.
5 CONCLUSÕES
O mercado de ações por sua dinâmica
volátil e permeada de incertezas, tem sido alvo de muitos estudos científicos,
a fim de contribuir para melhorar a sua predição e subsidiar as decisões de
investimentos. Nesse sentido, o presente estudo se debruçou na análise de
indicadores técnicos e fundamentalistas com o intuito de tecer considerações
para suportar e otimizar a análise dos ativos por parte dos investidores.
Diante disso, identificou-se
conjuntos de indicadores técnicos mais adequados para análise de diferentes
grupos de empresas, gerou-se bons insights ao comparar clusters gerados a
partir de ferramentas de mineração de dados, com diferentes setores de ativos.
Assim, a pesquisa permitiu a otimização de um modelo de predição, ao contribuir
para a escolha adequada dos indicadores técnicos a serem utilizados para
análise de diferentes empresas.
Destarte, este estudo mostra-se
relevante uma vez que teve contribuições importantes para auxiliar nas decisões
de investimentos, encurtando o caminho do painel de análise de indicadores,
reduzindo o escopo de parâmetros analisados. Ademais, contribui para o avanço
da literatura que tangencia a aplicação de mineração de dados no cenário do
mercado de ações.
Como limitação, destaca-se a
baixa capacidade de processamento do ambiente onde foi desenvolvida a pesquisa,
o que impossibilitou a utilização de algumas ferramentas de machine learning
que poderiam ter se mostrado mais eficazes.
Por fim, propõe-se como
sugestão para trabalhos futuros a identificação de clusters baseado na relação
entre as séries temporais de preços das empresas analisadas, propõe-se ainda
uma abordagem semelhante à desenvolvida neste estudo no que tange a
clusterização e demais métodos, mas com a utilização de diferentes indicadores
técnicos.
REFERÊNCIAS
[1] SHAH, D.; ISAH, H.; ZULKERNINE, F. Stock Market
Analysis: A Review and Taxonomy of Prediction Techniques. Int. J. Financial Stud. 2019, v. 7, n. 26.
Disponível em: https://doi.org/10.3390/ ijfs7020026. Acessado em: 9 mar. 2021.
[2] NAIK, N.; MOHAN, B. R. Optimal Feature
Selection of Technical Indicator and Stock Prediction Using Machine Learning
Technique. A. K. Somani et al. (Eds.).
ICETCE, 2019.
[3] REZENDE, I. C. C. et al. Análise da performance empresarial
da PETROBRAS: um estudo sob o enfoque dos indicadores econômico-financeiros. Revista
Ambiente Contábil, v. 2, n. 1, p. 54-69, 2010.
[4] GREGÓRIO, R. Ibovespa tem maior volatilidade desde
2008, e ações oscilam até 117%; veja ranking. Valor Investe, São Paulo,
nov. 2020. Disponível em: https://valorinveste.globo.com/mercados/renda-variavel/bolsas-e-indices/noticia/2020/11/09/ibovespa-tem-maior-volatilidade-desde-2008-e-acoes-oscilam-ate-117percent-veja-ranking.ghtml. Acessado em: 18 mar. 2021.
[5] GITMAN, L. J. Princípios de Administração Financeira. 12. ed. São Paulo: Pearson, 2010.
[6] NTI, I. K. et al. A systematic
review of fundamental and technical analysis of stock market predictions. Artificial
Intelligence Review, p. 1–51, 2019.
[7] ZWART, G. et al. The economic value
of fundamental and technical information in emerging currency markets. Journal
of International Money and Finance, v. 28, n. 4, p. 581– 604, 2009.
[8] EUGENE, F. F. The behavior of
stock-market prices. The journal of Business, v. 38, n. 1, p.34–105, 1965.
[9] SCHOLOTMANN, R.; CZUBATINSKI, M. Trading:
Technical Analysis Masterclass. Master the financial markets. February 18,
2019.
[10] SHAH, D. et al. Stock market
analysis: A review and taxonomy of prediction techniques. International
Journal of Financial Studies, v. 7, n. 2, 2019.
[11] GALVÃO, N. D.; MARIN, H. de F. Data mining:
a literature review. Acta Paulista de
Enfermagem, v. 22, n. 5, p. 686-690,
2009.
[12] AMO, S. de. Técnicas de mineração de dados. Jornada de
Atualização em Informática, 2004.
[13] SEMAAN, G. S. et. al. Proposta de um método de classificação baseado em
densidade para a determinação do número ideal de grupos em problemas de
clusterização. Journal of
the Brazilian Computational Intelligence Society, v. 10, n. 4, p. 242-262, 2012.
[14] FLORES, J. H. F. Comparação de modelos MLP/RNA e modelos Box-Jenkins em
séries temporais não lineares. 2009.
[15] LEE, L. et. al. Hybrid Corporate
Performance Prediction Model Considering Technical Capability. MDPI, Open
Access Journal, v. 8, n. 7, p. 1-13, 2016.
[16] TSANTEKIDIS, A.; TEFAS, A. Transferring
trading strategy knowledge to deep learning models. Knowledge and
Information Systems, v. 63, n. 1, p. 87-104, 2021.
[17] KUNG, J. J. et. al. How effective
are technical rules in predicting the 2008 global financial crisis? The case of
the four Asian tigers. Journal of the Asia Pacific Economy, v. 26, n. 1,
p. 13-33, 2021.
[18] YILDIRIM, D. C. et. al. Forecasting
directional movement of Forex data using LSTM with technical and macroeconomic
indicators. Financial Innovation, v. 7, n. 1, p. 1-36, 2021.
[19] GURAV, U.; KOTRAPPA, D. S. Predict stock
market's fluctuating behaviour: Role of investor's sentiments on stock market
performance. SSRG International Journal of Engineering Trends and
Technology, v. 68, p. 72-80, 2020.
[20] LIU, L.; PAN; Z. Forecasting stock
market volatility: The role of technical variables. Economic Modelling, v. 84, p. 55-65, 2020.
[21] PRODANOV, C. C.; FREITAS, E. C. de. Metodologia do trabalho
científico: métodos e técnicas da pesquisa e do trabalho acadêmico. 2. ed.
Novo Hamburgo: Feevale, 2013.
[22] RICHARDSON, R. J Pesquisa social: métodos e técnicas. 3 ed. São
Paulo: Atlas, 2012.
[23] GOLDSCHMIDT, R.; PASSOS, E.; BEZERRA, E. Data Mining: Conceitos,
técnicas, algoritmos, orientações e aplicações. Rio de Janeiro: Elsevier, 2015.
[24] CHEN, Y.; RUYS, W.; BIROS, G.
KNN-DBSCAN: a DBSCAN in high dimensions. Journal CoRR, 2020. Disponível em: https://arxiv.org/abs/2009.04552.
Acessado em: 25 jun. 2021.
[25] LINDERMAN, G. C.; STEINERBERGER, S. Clustering with t-SNE, Provably. SIAM Journal
on Mathematics of Data Science, v. 1, n. 2, p. 313–332, 2019.
[26] VALE. Ferrovia Centro-Atlântica FCA, jan. 2000. Disponível em: http://www.vale.com/brasil/EN/investors/information-market/press-releases/Pages/ferrovia-centro-atlantica-fca.aspx. Acessado em: 12 mai. 2021.
[27] BMFBOVESPA. Ferrovia Centro-Atlântica S.A., mai. 2020.
Disponível em: http://bvmf.bmfbovespa.com.br/cias-listadas/empresas-listadas/ResumoEmpresaPrincipal.aspx?codigoCvm=15369&idioma=pt-br.
Acessado em: 12 mai. 2021.