[en] FORECASTING RETURNS ON HIGH-FREQUENCY ENVIRONMENT: A COMPARATIVE STUDY OF ECONOMETRIC MODELS AND MACHINE LEARNING TECHNIQUES

• Ano de defesa: 2025
• Autor(a) principal: GUILHERME DE MORAES MASUKO
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] PREVISAO; [pt] APRENDIZADO DE MAQUINA; [pt] DADOS EM ALTA DIMENSAO; [pt] ALTA FREQUENCIA; [pt] APRECAMENTO DE ATIVOS; [pt] FINANCA; [en] FORECASTING; [en] MACHINE LEARNING; [en] HIGH DIMENSIONAL DATA; [en] HIGH FREQUENCY; [en] APPRAISAL OF ASSET; [en] FINANCE
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69353&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69353&idi=2; http://doi.org/10.17771/PUCRio.acad.69353

[pt] A previsão de retornos sobre ativos financeiros tem sido uma tarefa importante durante toda a história da economia financeira. Este estudo emprega técnicas de aprendizado por máquina (ML) para prever retornos de portfólio com base no fator tamanho, visando não apenas melhorar as previsões, mas também compreender a fonte subjacente de previsibilidade. Em meio ao desafio de identificar preditores relevantes em dados ruidosos, esta pesquisa emprega uma abordagem de janela móvel, incorporando três defasagens de retornos de ações como candidatos a preditores para projetar retornos um minuto à frente. Modelos de benchmark, incluindo a média dentro da amostra e abordagens autorregressivas, são explorados junto com técnicas de ML como Ridge, LASSO, AdaLASSO e Random Forest. Identificamos consistentemente a superioridade dos modelos de ML sobre os modelos benchmark em termos de previsibilidade, com o modelo Random Forest se destacando como o mais eficaz. Além disso, a análise dos preditores selecionados pelos modelos revelou que eles são predominantemente inesperados, de curta duração e esparsos.