• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Dissertação de Mestrado
DOI
https://doi.org/10.11606/D.12.2020.tde-10052021-212420
Documento
Autor
Nome completo
Henrique Leone Alexandre
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Paulo, 2020
Orientador
Banca examinadora
Dario, Alan de Genaro (Presidente)
Bueno, Rodrigo de Losso da Silveira
Fernandes, Marcelo
Souza, Thársis Tuani Pinto
Título em inglês
Machine learning for intraday returns forecasting in the brazilian stock marketing
Palavras-chave em inglês
Elastic net
Lasso
Machine learning
PCR
PLS
Ridge
Resumo em inglês
This paper applies different estimation methods, specialized in dealing with high data dimensionality, to make rolling five-minute-ahead return forecasts using high frequency data, 5 minutes. The methods used are ridge, LASSO, elastic net, PCR and PLS. The explanatory variables are only the lagged returns of their own and of all the other stocks on the Ibovespa index. More than just statistical, the economic sense behind these variables is that they can quickly capture the impact of new information about the companies. The aim of this paper is to perform a comprehensive comparison of out-of-sample forecast performance of stock returns among methods. The results show that Ridge Regression produces the best performance among all methods with a significant advantage. To assess the robustness of the results, different portfolios were formed. The returns obtained for the portfolio built with the most volatiles stocks and the portfolio that exploits the predictability of machine learning methods, even under a conservative assumption on transaction cost, suggest that these approaches appear to be promising for traders.
Título em português
Machine learning para previsão intraday de retornos no mercado acionário brasileiro
Palavras-chave em português
Elastic net
Lasso
Machine learning
PCR
PLS
Ridge
Resumo em português
Esse trabalho aplica diferentes métodos de estimação, especializados em lidar com alta dimensionalidade dos dados, em janelas móveis para realizar previsões de retorno um passo a frente utilizando dados de alta frequência, 5 minutos. Os métodos utilizados são o ridge, LASSO, elastic net, PCR e PLS. As variáveis explicativas são apenas os retornos defasados da própria e de outras ações presentes no índice Ibovespa. Mais que somente estatísticos, o sentido econômico por trás dessas variáveis é que elas tornam possível capturar, de forma rápida, o impacto de novas informações sobre as empresas. O objetivo deste trabalho é realizar uma comparação do desempenho para previsão de retornos fora da amostra entre os métodos citados. Os resultados mostram que o Ridge produz o melhor desempenho entre todos os métodos, com uma vantagem significativa. Para avaliar a robustez dos resultados, foram formadas diferentes carteiras. Os retornos obtidos para o portfólio composto pelas ações mais voláteis e para o portfólio que explora a previsibilidade dos métodos de machine learning, mesmo sob uma premissa conservadora sobre o custo da transação, sugerem que essas abordagens parecem promissoras para serem aplicadas por traders.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2021-05-25
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2023. Todos os direitos reservados.