Algoritmo Random Forest para Previsão de Comportamento de Preços de Ativos / Random Forest Algorithm for Predicting Asset Price Behavior
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Outros Autores: | , , , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Revista FSA |
Texto Completo: | http://www4.unifsa.com.br/revista/index.php/fsa/article/view/2592 |
Resumo: | 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. ABSTRACTThe 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. |
id |
FSA-3_5bc0e1085ffef24c2ab19b2d30150682 |
---|---|
oai_identifier_str |
oai:ojs.projetos.polarisweb.com.br:article/2592 |
network_acronym_str |
FSA-3 |
network_name_str |
Revista FSA |
repository_id_str |
|
spelling |
Algoritmo Random Forest para Previsão de Comportamento de Preços de Ativos / Random Forest Algorithm for Predicting Asset Price BehaviorAdministraçãoA 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. ABSTRACTThe 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. Revista FSA (St. Augustine College Journal)Revista FSA (Centro Universitário Santo Agostinho)FAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas GeraisConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)Avelar, Ewerton Alex; Universidade Federal de Minas GeraisLeocádio, Victor Antunes; Universidade Federal de Minas Gerais (UFMG)Campos, Octávio Valente; Universidade Federal de Minas Gerais – UFMGFerreira, Priscila Oliveira; Universidade Federal de Minas GeraisOrefici, Jacqueline Braga Paiva; Centro Universitário Leonardo da Vinci - UNIASSELVI2022-10-05info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfapplication/x-rarapplication/xmlhttp://www4.unifsa.com.br/revista/index.php/fsa/article/view/259210.12819/2022.19.10.3Revista FSA (St. Augustine College Journal); Rev. FSA, Teresina, v. 19, n. 10, out. 2022; 45-65Revista FSA (Centro Universitário Santo Agostinho); Rev. FSA, Teresina, v. 19, n. 10, out. 2022; 45-652317-29831806-6356reponame:Revista FSAinstname:Faculdade Santo Agostinho (FSA)instacron:FSAporhttp://www4.unifsa.com.br/revista/index.php/fsa/article/view/2592/491493498http://www4.unifsa.com.br/revista/index.php/fsa/article/view/2592/491493499http://www4.unifsa.com.br/revista/index.php/fsa/article/view/2592/491493500http://www4.unifsa.com.br/revista/index.php/fsa/article/downloadSuppFile/2592/1996http://www4.unifsa.com.br/revista/index.php/fsa/article/downloadSuppFile/2592/1997Direitos autorais 2022 Revista FSA (Centro Universitário Santo Agostinho)http://creativecommons.org/licenses/by-nc-nd/4.0info:eu-repo/semantics/openAccess2023-02-10T17:56:20Zoai:ojs.projetos.polarisweb.com.br:article/2592Revistahttp://www4.unifsa.com.br/revista/index.php/fsaPRIhttp://www4.unifsa.com.br/revista/index.php/fsa/oairevistafsa@unifsa.com.br2317-29831806-6356opendoar:2023-02-10T17:56:20Revista FSA - Faculdade Santo Agostinho (FSA)false |
dc.title.none.fl_str_mv |
Algoritmo Random Forest para Previsão de Comportamento de Preços de Ativos / Random Forest Algorithm for Predicting Asset Price Behavior |
title |
Algoritmo Random Forest para Previsão de Comportamento de Preços de Ativos / Random Forest Algorithm for Predicting Asset Price Behavior |
spellingShingle |
Algoritmo Random Forest para Previsão de Comportamento de Preços de Ativos / Random Forest Algorithm for Predicting Asset Price Behavior Avelar, Ewerton Alex; Universidade Federal de Minas Gerais Administração |
title_short |
Algoritmo Random Forest para Previsão de Comportamento de Preços de Ativos / Random Forest Algorithm for Predicting Asset Price Behavior |
title_full |
Algoritmo Random Forest para Previsão de Comportamento de Preços de Ativos / Random Forest Algorithm for Predicting Asset Price Behavior |
title_fullStr |
Algoritmo Random Forest para Previsão de Comportamento de Preços de Ativos / Random Forest Algorithm for Predicting Asset Price Behavior |
title_full_unstemmed |
Algoritmo Random Forest para Previsão de Comportamento de Preços de Ativos / Random Forest Algorithm for Predicting Asset Price Behavior |
title_sort |
Algoritmo Random Forest para Previsão de Comportamento de Preços de Ativos / Random Forest Algorithm for Predicting Asset Price Behavior |
author |
Avelar, Ewerton Alex; Universidade Federal de Minas Gerais |
author_facet |
Avelar, Ewerton Alex; Universidade Federal de Minas Gerais Leocádio, Victor Antunes; Universidade Federal de Minas Gerais (UFMG) Campos, Octávio Valente; Universidade Federal de Minas Gerais – UFMG Ferreira, Priscila Oliveira; Universidade Federal de Minas Gerais Orefici, Jacqueline Braga Paiva; Centro Universitário Leonardo da Vinci - UNIASSELVI |
author_role |
author |
author2 |
Leocádio, Victor Antunes; Universidade Federal de Minas Gerais (UFMG) Campos, Octávio Valente; Universidade Federal de Minas Gerais – UFMG Ferreira, Priscila Oliveira; Universidade Federal de Minas Gerais Orefici, Jacqueline Braga Paiva; Centro Universitário Leonardo da Vinci - UNIASSELVI |
author2_role |
author author author author |
dc.contributor.none.fl_str_mv |
FAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas Gerais Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) |
dc.contributor.author.fl_str_mv |
Avelar, Ewerton Alex; Universidade Federal de Minas Gerais Leocádio, Victor Antunes; Universidade Federal de Minas Gerais (UFMG) Campos, Octávio Valente; Universidade Federal de Minas Gerais – UFMG Ferreira, Priscila Oliveira; Universidade Federal de Minas Gerais Orefici, Jacqueline Braga Paiva; Centro Universitário Leonardo da Vinci - UNIASSELVI |
dc.subject.por.fl_str_mv |
Administração |
topic |
Administração |
description |
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. ABSTRACTThe 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. |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022-10-05 |
dc.type.none.fl_str_mv |
|
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://www4.unifsa.com.br/revista/index.php/fsa/article/view/2592 10.12819/2022.19.10.3 |
url |
http://www4.unifsa.com.br/revista/index.php/fsa/article/view/2592 |
identifier_str_mv |
10.12819/2022.19.10.3 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
http://www4.unifsa.com.br/revista/index.php/fsa/article/view/2592/491493498 http://www4.unifsa.com.br/revista/index.php/fsa/article/view/2592/491493499 http://www4.unifsa.com.br/revista/index.php/fsa/article/view/2592/491493500 http://www4.unifsa.com.br/revista/index.php/fsa/article/downloadSuppFile/2592/1996 http://www4.unifsa.com.br/revista/index.php/fsa/article/downloadSuppFile/2592/1997 |
dc.rights.driver.fl_str_mv |
Direitos autorais 2022 Revista FSA (Centro Universitário Santo Agostinho) http://creativecommons.org/licenses/by-nc-nd/4.0 info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Direitos autorais 2022 Revista FSA (Centro Universitário Santo Agostinho) http://creativecommons.org/licenses/by-nc-nd/4.0 |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf application/x-rar application/xml |
dc.publisher.none.fl_str_mv |
Revista FSA (St. Augustine College Journal) Revista FSA (Centro Universitário Santo Agostinho) |
publisher.none.fl_str_mv |
Revista FSA (St. Augustine College Journal) Revista FSA (Centro Universitário Santo Agostinho) |
dc.source.none.fl_str_mv |
Revista FSA (St. Augustine College Journal); Rev. FSA, Teresina, v. 19, n. 10, out. 2022; 45-65 Revista FSA (Centro Universitário Santo Agostinho); Rev. FSA, Teresina, v. 19, n. 10, out. 2022; 45-65 2317-2983 1806-6356 reponame:Revista FSA instname:Faculdade Santo Agostinho (FSA) instacron:FSA |
instname_str |
Faculdade Santo Agostinho (FSA) |
instacron_str |
FSA |
institution |
FSA |
reponame_str |
Revista FSA |
collection |
Revista FSA |
repository.name.fl_str_mv |
Revista FSA - Faculdade Santo Agostinho (FSA) |
repository.mail.fl_str_mv |
revistafsa@unifsa.com.br |
_version_ |
1798944907861164032 |