Previsão do Valor de Mercado das Empresas com Algoritmos de Machine Learning
DOCUMENTAÇÃO
Tema: Contabilidade
Temas Correlatos: Finanças;
Acessos neste artigo: 213
COMPARTILHE ESTE TRABALHO
AUTORIA
Lua Syrma Zaniah Santos , Cássia De Oliveira Ferreira , Robert Aldo Iquiapaza , Ewerton Alex Avelar , Valéria Gama Fully Bressan
ABSTRACT
A pesquisa apresentada neste artigo buscou analisar o desempenho de diferentes algoritmos de Machine Learning (ML) na previsão do valor de mercado das empresas listadas em bolsa na Brasil, Bolsa, Balcão (B3). Foram considerados três algoritmos, a saber: Random Forest (RF), Redes Neurais Artificiais (RNA) e k-Nearest Neighbors (KNN). Foi empregada uma amostra composta por 194 empresas, no período de 2010 a 2019. Os dados foram extraídos da base Thomson Reuters Refinitiv Eikon® e utilizados para compor as variáveis aplicadas como preditoras do valor de mercado das empresas, a saber: Estrutura de capital, Retorno sobre o Ativo, Retorno sobre o Patrimônio Líquido e Crescimento. Dentre os resultados da pesquisa, cabe ressaltar o melhor desempenho dos modelos KNN. Contudo, a técnica de regressão quando comparada ao uso dos algoritmos RF e RNA, apresentou um maior desempenho preditivo. Os resultados levantam questionamentos sobre a superioridade de pelo menos parte dos algoritmos de ML em relação a técnicas estatísticas tradicionais para previsão do valor de mercado, muito relevante para a tomada de decisões acerca de suas aplicabilidades por parte de gestores e investidores das empresas listadas na bolsa brasileira, em virtude dos potenciais benefícios decorrentes dessa previsão. A pesquisa apresenta como contribuição a constatação de resultados que contrapõem ao apresentado usualmente na literatura visto que estudos têm evidenciado a superioridade no desempenho de algoritmos de ML na previsão de valores de mercado em relação a técnicas estatísticas tradicionais. Porém, os resultados encontrados, pelo menos em parte, levantam questionamentos sobre a superioridade sobre isso.
Para participar do debate deste artigo, faça login.
Ferreira et al (2023). Prazer em conhecê-los por meio do vosso artigo muito bem conduzido e cientificamente contributivo. Gostei de conhece mais uma base de dados, a Thomson Reuters Refinitiv Eikon, não sabia da sua existência. Fiz meu cadastro nela, solicitei informações, estou aguardando o retorno deles pois ainda não sei operar essa base, mas pelo que percebi ela vai me servir muito. No momento o foco das minhas pesquisas científicas são valuation e modelagem financeira em fusões e aquisições, por meio de simulações computacionais, em vários setores da economia. Cursei dois MBAs em Finanças e Controladoria, e curso mais dois MBAs, um em Gestão Tributária e outro em Tesouraria Corporativa, ambos pela USP. Preciso obter dados micro e macroeconômicos confiáveis para conduzí-las, então a referida base de dados, se eu conseguir operá-la, vai me servir muito. Além disso, preciso aprender a utilizar algoritmos de ML nas minhas simulações computacionais, que hoje são muito simples, somente no Excel, por meio de modelos matemáticos aprendidos nos meus MBAs. Com os algoritmos voltados à aprendizagem supervisionada (foco da pesquisa apresentada neste trabalho), como o Random Forest (RF), as Redes Neurais Artificiais (RNA) e as k-Nearest Neighbors (KNN), vou tornar minhas modelagens financeiras bem sofisticadas, com o uso de Regressão Múltipla, Análise da ANOVA, Análise de Sensibilidade, Simulação Monte Carlo, técnicas que pretendo desenvolver mais e aplicar nas minhas próximas pesquisas. Pelo artigo de vocês eu pude me conectar com a literatura sobre algoritmos de ML aplicados à previsão do valor de mercado das empresas, temática que trabalho há alguns anos e me interessa muito. Qian e Rasheed (2007) e Shynkevich, McGinnity, Coleman, Belatreche e Li (2017), Faceli, Lorena, Gama, & Carvalho (2021), Basak, Kar, Saha, & Khaidem (2019), Khan et al., 2022, Lohrmann & Luukka, 2019, Vaisla e Bhatt (2010), Barboza e Veiga (2020), Khaidem et al. (2016), Basak et al. (2019), Cervelló-Royo e Guijarro (2020), Daori et al. (2022), Alkhatib, Najadat, Hmeidi e Shatnawi (2013), Parray et al., 2020, Jaggi et al., 2021, Pyo et al., 2017, Jang & Lee, 2019. As referência indicam literatura internacional recente e de alto fator de impacto, em amplitude e profundidade. E a aprovação do financiamento da FAPEMIG e da CAPES indicam o reconhecimento da excelência do vosso estudo, da vossa reputação dentro e fora da comunidade científica e vosso compromisso com o progresso científico, tecnológico e social. Parabéns!!! Caracterização da pesquisa de vocês: a) amostra: 194 empresas de capital aberto da B3, representativa; b) lapso temporal: 2010 a 2019; c) lapso espacial: empresas brasileiras; d) variáveis preditoras/explicativas: EC, ROA, ROE e CRES; variávei dependente/de resposta/de saída/resultado: VM das empresas. Entre o poder preditivo avaliado de 4 técnicas utilizadas na vossa pesquisa, a Regressão, o KNN, o RF e o RNA, todas são poderosas, e o nível do seu poder preditivo, em ordem decrescente apontada no artigo é: Regressão (mais poderosa, melhor desempenho), KNN, RF e RNA (menos poderosas, com menor desempenho). Previsões a partir de algoritmos de ML tornarm os modelos matemáticos aplicados em simulações computacionais mais robustos, ágeis, consistentes e confiáveis, razão pela qual eu me interesso por dialogar cada vez mais com vocês, e com vosso trabalho para conduzir minhas pesquisas científicas. Que tal? Podemos fazer uma parceria nesse sentido?
