Modelo de seleção de ações a partir de registros contábeis e de indicadores de mercado, utilizando técnicas de análise de componentes principais, support vector machine e redes neurais no mercado brasileiro

Abstract

O objetivo deste trabalho é propor um modelo de seleção de ações que superem o índice IBrX 100, com base em seus registros contábeis e indicadores de mercado, a partir da utilização das técnicas de support vector machine e redes neurais - identificadas ao longo deste estudo como classificadores. Os classificadores são treinados em parte da amostra e seguem para a verificação de suas precisões a partir dos conceitos extraídos da matriz confusão. Em seguida, é analisado o desempenho da carteira formada pelos ativos selecionados do classificador com maior acurácia em relação ao índice IBrX 100. O classificador support vector machine com kernel linear apresentou resultados superiores dentre os demais na identificação das ações vencedoras, com acurácia de 54,8%. Ao analisarmos as características da classificação desse algoritmo, nota-se que foram selecionadas as ações que apresentaram aumento de rentabilidade, redução de endividamento e maiores retornos nos períodos de 2 meses, 1 mês e 5 dias. A carteira formada pela seleção de ações a partir do classificador vencedor desempenhou 17,8% melhor que o IBrX 100, com information ratio médio de 0,30 em 2018 e 1,48 em 2019. Como possível crítica deste resultado, a amostra de teste ficou concentrada em um período de tendência de alta do índice de referência.

The goal of this work is to propose a stock selection model that overcomes the IBrX 100 index, based on its accounting records and market indicators, based on the use of support vector machine techniques and neural networks – identified throughout this study as classifiers. The classifiers are trained in part of the sample and proceed to their precision verification based on the concepts extracted from the confusion matrix. Then, the performance of the portfolio formed by the selected assets of the classifier with greater accuracy in relation to the IBrX 100 index is analyzed. The support vector machine classifier with linear kernel showed superior results among the others in the identification of winning stocks, with an accuracy of 54,8%. When analyzing the characteristics of the classification of this algorithm, it is noted that the stocks selected were the ones that showed increased profitability, debt reduction and higher historical returns. The portfolio formed by the stocks selected by the winning classifier performed 17.8% better than the IBrX 100, with an average information ratio of 0.30 in 2018 and 1.48 in 2019. As a possible criticism of this result, the test sample was concentrated in a period of upward trend in the reference index.