Comparando métodos para previsão de lucro de empresas de consumo listadas na Bolsa de Valores B3

Abstract

O lucro é uma das mensurações mais importantes na análise das empresas. Entretanto, prever o lucro torna-se difícil, uma vez que as empresas podem mudar sua linha de negócio, fundir ou adquirir outras empresas. As empresas estudadas foram selecionadas a partir do índice de Consumo (ICON), publicado pela B3. Tal índice tem como objetivo medir o desempenho dos ativos mais negociados no setor de consumo. Os balanços das empresas foram retirados da Bloomberg, plataforma que disponibiliza no máximo quarenta balanços por empresa. Este trabalho tem como objetivo verificar a eficácia de três modelos usados para a previsão do lucro trimestral das empresas: O modelo de Passeio Aleatório, o modelo SARIMA e o modelo de redes neurais MLP. Contudo, a abordagem escolhida não gerou resultados considerados satisfatórios para os experimentos realizados. Isso ocorreu provavelmente pelo fato de as amostras terem pequenas quantidades de observações, o que pode tornar difícil diferenciar aleatoriedade de sazonalidade. Dentre os modelos estudados, os resultados gerados pelo modelo SARIMA produziram os menores valores para a métrica Erro Absoluto Médio.

Profit is one of the most important measurements in business analysis. However, forecasting profit becomes difficult as companies can change their line of business, merge or acquire other companies. The companies studied were selected from the retail index (ICON), published by B3. The Index aims to measure the performance of the most traded assets in the retail sector. The corporate balance sheets were taken from Bloomberg; platform that provides a maximum of forty balance sheets for each company. This dissertation aims to verify the effectiveness of three models used for forecasting quarterly profit for the companies: The Random Walk model, the SARIMA model and the neural network model MLP. However, this type of approach did not generate satisfactory results for the experiments performed. This happened probably because samples have small amounts of observations, which can make it difficult to differentiate randomness from seasonality. Among the studied models, the results generated by SARIMA model produced lower values for the Mean Absolute Error metric.