PT
Este estudo constrói modelos de redes neuronais artificiais com o uso de "stacked autoencoders" (SAE) para extrair variáveis latentes sem ruído e "long short-term memory" (LSTM)
para gerar previsões para o "next-day adjusted closing price" do S&P500. Dados para sete
índices de ações diferentes, indicadores técnicos e variáveis macroeconómicas são usados
para treinar três modelos diferentes: um 'modelo de preço' que prevê o preçoo do dia
seguinte, um 'modelo de mudança que prevê a mudança relativa no preçoo e um 'modelo
binário' que prevê a probabilidade de um aumento de preço. Os modelos foram avaliados
com base na sua precisão preditiva e lucratividade. Os resultados mostram que os modelos
falham em generalizar bem ou caem num mínimo vicioso que se aproxima de um "naive
predictor". Além disso, os modelos parecem particularmente fracos a prever quebras na
série, provavelmente devido à sua infrequência. Isto pode fornecer evidências que apoiam
a hipótese do mercado eficiente.
EN
This study builds an artificial neural network framework with the use of stacked autoencoders (SAE) to extract deep denoised features, and long short-term memory (LSTM)
to generate forecasts for the next-day adjusted closing price of S&P500. Data for seven
different stock indices, technical indicators, and macroeconomic variables is used to train
three different models: a 'price model' which predicts the next-day price, a 'change model'
which predicts the relative change in price, and a ’binary model’ which predicts the probability of a price increase. The models were judged based on predictive accuracy and
profitability. Results show the models either fail to generalize well or fall prey to a vicious
minimum approximating a naive predictor. Furthermore, the models appear particularly
poor at predicting breaks in the series, likely due to their infrequency. This might provide
evidence supporting the efficient market hypothesis.
