Previsibilidade dos retornos acionários: avaliando o desempenho de um sistema classificador com aprendizagem baseada em algoritmos genéticos

Abstract

Sistema classificador é um sistema adaptativo que modela seu ambiente baseando-se em um conjunto de regras competidoras entre si. A adaptação destas regras requer a utilização de técnicas da computação evolucionária, tarefa usualmente atribuída a algoritmos genéticos. Estes últimos constituem uma classe de técnicas de busca, adaptação, e otimização, baseadas nos princípios Darwinianos da evolução natural. Tais algoritmos têm recebido ênfase como representativos do modelo de formação de expectativas na recente literatura em finanças baseadas em agentes computacionais. Este estudo propõe uma avaliação do desempenho preditivo deste tipo de algoritmo computacional na previsão dos retornos de uma ação do mercado acionário brasileiro, comparando-o com dois algoritmos computacionalmente mais simples, um baseado em regressões recursivas, e o outro no modelo de passeio aleatório. Avanços na formulação de sistemas classificadores são propostos no sentido de endogeneização de alguns de seus parâmetros ligados ao algoritmo de aprendizagem. Os resultados indicaram que o sistema classificador não foi capaz de superar o desempenho preditivo dos algoritmos mais simples, tendo apresentado médias de erros de previsão ao quadrado aproximadamente 29% maiores àquelas apresentadas pelo algoritmo de regressões recursivas, e 13% maiores àquelas apresentadas pelo algoritmo de passeio aleatório. Os resultados evidenciaram ainda a existência de um trade-off entre incerteza e precisão na aplicação do sistema classificador, um aspecto até então negligenciado na literatura. Adicionalmente, as formulações foram analisadas em relação às especificações utilizadas para a construção das previsões, permitindo assim a obtenção de robustez nas conclusões derivadas. Conclui-se que assim como algoritmos evolucionários são construídos sob um argumento de sobrevivência do mais apto, os resultados demonstraram que a implementação computacional de um destes algoritmos não sobreviveria como a mais apta no contexto preditivo de retornos acionários.