Redes neurais artificiais na predição do preço de ações

Abstract

Este trabalho tem como objetivo encontrar a arquitetura e parâmetros de rede neural que resultam no menor erro quadrático médio para predição do preço de ações listadas na bolsa de valores brasileira, B3 (Brasil, Bolsa, Balcão), com base nos dados fundamentalistas disponibilizados pelas empresas no final de cada trimestre. Foram utilizadas variações de redes neurais do tipo feed-forward com mudanças nos parâmetros de função de ativação, otimizador e arquitetura da rede. Esses modelos foram treinados com os dados dos balanços financeiros da empresa listada na B3, Grendene (GRND3), entre os anos 2003 e 2019. O conjunto de dados possui 56 dimensões de entrada, contendo valores como Lucro por Ação, Margem Líquida e Capital de Giro e como valor de saída para ser previsto, foi utilizado o Preço de Abertura da Ação do último mês do trimestre seguinte ao trimestre avaliado. Os resultados alcançados demonstram que é possível reduzir significativamente o valor do erro quadrático médio na previsão utilizando um modelo treinado corretamente e ajustando os parâmetros do treinamento da rede, porém também ressaltam a dificuldade em conseguir realizar previsões assertivas sobre o futuro do mercado financeiro com dados passados.

This paper aims to find the architecture and neural network parameters that result in the smallest mean square error to predict the price of shares listed on the Brazilian stock exchange, B3 (Brazil, Bolsa, Balcão), based on fundamentalist data provided by companies at the end of each quarter. Variations of feed-forward neural networks were used with changes in the parameters of activation function, optimizer and network architecture. These models were trained with data from the financial statements of the company listed on B3, Grendene (GRND3), between 2003 and 2019. The dataset has 56 input dimensions, containing values such as Earnings per Share, Net Margin and Working Capital and as the output value to be predicted, the Share Opening Price of the last month of the quarter following the data's quarter. The results show that it is possible to significantly reduce the value of the mean square error in forecasting by using a correctly trained model and adjusting the training parameters of the network, but also highlights the difficulty in making assertive predictions about the future of the financial market with past data.