O objetivo desta dissertação é o desenvolvimento de um modelo de arbitragem estatística, para identificar oportunidades no mercado de ações brasileiro, através do uso de técnicas econométricas e de inteligência artificial. O conceito de arbitragem estatística envolve a busca por anomalias momentâneas nas relações de preços entre diversos ativos, de modo que, quando tais distorções sejam corrigidas, seja possível obter lucros, com consistência é baixo risco. O uso de técnicas do campo da econometria abre a possibilidade de determinar quando a relação entre dois (ou mais) ativos se desvia de um certo equilíbrio. O conceito de cointegração, aqui representado pela metodologia de Engle-Granger, permite testar a existência desse equilíbrio (mais precisamente, estacionariedade no resíduo), e determinar um modelo para aproveitar as oportunidades criadas pelos desvios. Na dissertação é apresentada uma variação da técnica de Engle-Granger que permite construir cestas de ações, cujos resíduos (ou mispricings) são cointegrados. Contudo, tomar decisões de compra e venda apenas com base em idéias de reversão à média não necessariamente é lucrativo, como será mostrado através da simulação de estratégias de arbitragem estatística implícita. As redes neurais aparecem então como uma ferramenta não-paramétrica de previsão, dada sua capacidade de se adaptar a dados com grande dose de ruído. A teoria relevante para o projeto e uso de uma rede neural é apresentada, e são discutidas aplicações dessa classe de modelos a problemas de previsão em finanças. Mais ainda, cada uma das características de uma boa rede é explorada, visando um modelo de alto desempenho. Este modelo é então combinado com o modelo de cointegração, e vai prever o comportamento futuro dos mispricings, de maneira a identificar os pontos de compra e venda destas cestas de ações. Ao fim, algumas técnicas de trading são implementadas em conjunto com os modelos, de maneira a melhorar os retornos sem aumentar os riscos, na presença de custos de transação. O modelo final é simulado fora da amostra ao longo de todo o ano de 2006, operando 29 estratégias de arbitragem simultaneamente, com retorno bastante satisfatório acima de 80%, índice de Sharpe de 3,5 e baixa correlação com o resto do mercado.

This thesis presents the development of a framework for statistical arbitrage, in which we try to identify opportunities in Brazilian stock prices, through the combined use of cointegration and artificial intelligence techniques. The concept of statistical arbitrage revolves around the search for small anomalies in the relationships between various asset prices, so that low-risk profits can be obtained once these distortions are corrected. Econometric ideas allow the modeling of combinations of two (or more) asset prices, in order to assess deviation from any given equilibria. The concept of cointegration, here represented by the Engle-Granger methodology, develops ways of testing for the presence of this equilibrium (or more precisely, of stationarity in the residuals of a cointegrating regression), and to find an error-correcting model of these deviations. In the thesis a variation of the methodology is presented, as a way to build baskets of different stocks whose residuals (hereon called mispricings) are cointegrated. However, basing buy and sell decisions solely on the idea of mean-reversion is proved unprofitable once we test so-called implicit statistical arbitrage strategies. Neural networks are a powerful non-parametric forecasting tool, especially with highly noisy data such as stock prices. The appropriate theory is presented, and applications of neural networks to forecasting in finance are discussed with the relevant literature. Furthermore, each of the building blocks of a network with good performance is explored. The mispricing construction model is then combined with the neural network predictive model, so that its forecasts are used as the base of trading decisions. In the end, appropriate trading techniques are also employed, in order to enhance returns while keeping risks low, in the presence of transaction costs. The final model is tested out of sample throughout 2006, trading 29 different mispricing statistical arbitrage strategies, and reaching returns over 80%, with Sharpe ratio of 3.50 and very low correlation with the rest of the market.