Análise de parâmetros ótimos do modelo de três fatores de Fama e French usando machine learning

• Ano de defesa: 2024
• Autor(a) principal: Soto, Angelo Jonathan Diaz
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: BIC; Clark and West; Clark e West; Fama and French three-factor model; Modelo de três fatores de Fama e French; Neural networks; Redes neurais; Scikit-learn
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/45/45132/tde-30092024-172147/

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.