Dissertação de Mestrado

Fama e French, em 1993, introduziram o modelo de três fatores, adicionando o tamanho das empresas (SMB) e o índice book-to-market (HML) ao beta de mercado definido no modelo de Precificação de Ativos de Capital (CAPM). A partir disso, este trabalho teve como primeiro objetivo discutir a possibilidade de formar novas carteiras SMB e HML, modificando os parâmetros envolvidos na sua construção, com o intuito de aprimorar a explicação dos retornos das ações de diferentes indústrias, e como segundo objetivo analisar a possibilidade de obter melhores predições ao considerar funções não lineares, usando redes neurais. Para isso, foram utilizados dados de indústrias dos EUA listadas na NYSE, AMEX ou NASDAQ. Para a modificação dos parâmetros, usamos o modelo LinearRegression da Scikit-learn, construindo um algoritmo que define os parâmetros a modificar e utilizando GridSearch e RandomSearch para a escolha. Utilizando o critério de informação bayesiana (BIC), verificou-se que é possível modificar os parâmetros e obter um melhor ajuste para os dados de treinamento em todas as indústrias. Ao analisar os dados de teste, utilizamos o teste de Clark e West, que apresenta a existência de diferenças estatisticamente significativas, para a maioria das indústrias, entre as predições do modelo de três fatores e o modelo de três fatores com as carteiras SMB e HML modificadas. Para analisar a não linearidade, mediante o uso de redes neurais, usamos o modelo Multi-layer Perceptron Regressor (MLPRegressor) da Scikit-learn, que mostrou a possibilidade de ajustar melhor um modelo não linear aos dados de treinamento em todas as indústrias. Por fim, os testes de Clark e West foram favoráveis para todas as indústrias, concluindo que existe informação nos dados que é melhor explicada por um modelo não linear.

Fama and French, in 1993, introduced the three-factor model, adding firm size (SMB) and the book-to-market ratio (HML) to the market beta defined in the Capital Asset Pricing Model (CAPM). Based on this, the primary objective of this study was to discuss the possibility of forming new SMB and HML portfolios by modifying the parameters involved in its construction, with the aim of improving the explanation of stock returns across different industries. The secondary objective was to analyze the possibility of obtaining better predictions by considering nonlinear functions using neural networks. For this, data from U.S. industries listed on the NYSE, AMEX, or NASDAQ were used. For parameter modification, we used the LinearRegression model from Scikit-learn, building an algorithm that defines the parameters to be modified and utilizing GridSearch and RandomSearch for selection. Using the Bayesian Information Criterion (BIC), it was found that it is possible to modify the parameters and obtain a better fit for the training data across all industries. Analyzing the test data, we used the Clark and West test, which presents the existence of statistically significant differences for most industries between the predictions of the three-factor model and the three-factor model with modified SMB and HML portfolios. To analyze nonlinearity through the use of neural networks, we used the Multi-layer Perceptron Regressor (MLPRegressor) model from Scikit-learn, which showed the possibility of better fitting a nonlinear model to the training data across all industries. Finally, the Clark and West tests were favorable for all industries, concluding that there is information in the data that is better explained by a nonlinear model.