Publicação
A certeza da incerteza no mercado de ETF’s: análise comparativa do modelo GARCH e algoritmo de inteligência artificial XGBOOST
| Resumo: | Levar a cabo decisões de investimento acertadas é extremamente importante para um investidor ou gestor de investimentos. Deste modo os investigadores têm-se debruçado com maior foco, na última década, na realização de estudos sobre a volatilidade dos instrumentos financeiros. Estes, desempenham um papel de extrema relevância na definição da estratégia de negociação ou até na determinação do momento apropriado para negociar, mas sobretudo na caracterização e análise de risco de um determinado valor mobiliário. À medida que a tecnologia vai avançando, surgem ferramentas e modelos que auxiliam os analistas. É nesse sentido que a motivação para esta investigação nasce, cujo intuito é a abordagem de diferentes estratégias, aplicando o modelo heterocedástico GARCH e o algoritmo de Machine Learning XGBOOST, a series temporais relacionadas com Exchange Traded Funds (ETF’s) de mercados emergentes e desenvolvidos, de modo a prever a volatilidade destes ativos financeiros, durante o início da invasão russa ao território da Ucrânia, com recurso à linguagem de programação Python para uma amostra de dados cujo horizonte temporal é de 01 de janeiro de 2012 a 24 de abril de 2022 e fonte é o Yahoo Finance. Os resultados apresentados, com especial foco no algoritmo XGBOOST, sugerem que a utilização de algoritmos de Machine Learning permite alcançar métricas de erro substancialmente inferiores, comparativamente ao modelo GARCH. Paralelamente é possível constatar igualmente que a volatilidade nos mercados emergentes é superior à apresentada nos mercados desenvolvidos, resultado do reduzido desenvolvimento das empresas, insegurança dos investidores e o peso que os eventos adversos, com origem em países desenvolvidos, têm sobre estes mercados. |
|---|---|
| Autores principais: | Fernandes, Bruno Miguel Lourenço |
| Assunto: | ETF’s Mercado Previsão Volatilidade Forecasting Market Volatility |
| Ano: | 2024 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Instituto Politécnico de Lisboa |
| Idioma: | português |
| Origem: | Repositório Científico do Instituto Politécnico de Lisboa |
| Resumo: | Levar a cabo decisões de investimento acertadas é extremamente importante para um investidor ou gestor de investimentos. Deste modo os investigadores têm-se debruçado com maior foco, na última década, na realização de estudos sobre a volatilidade dos instrumentos financeiros. Estes, desempenham um papel de extrema relevância na definição da estratégia de negociação ou até na determinação do momento apropriado para negociar, mas sobretudo na caracterização e análise de risco de um determinado valor mobiliário. À medida que a tecnologia vai avançando, surgem ferramentas e modelos que auxiliam os analistas. É nesse sentido que a motivação para esta investigação nasce, cujo intuito é a abordagem de diferentes estratégias, aplicando o modelo heterocedástico GARCH e o algoritmo de Machine Learning XGBOOST, a series temporais relacionadas com Exchange Traded Funds (ETF’s) de mercados emergentes e desenvolvidos, de modo a prever a volatilidade destes ativos financeiros, durante o início da invasão russa ao território da Ucrânia, com recurso à linguagem de programação Python para uma amostra de dados cujo horizonte temporal é de 01 de janeiro de 2012 a 24 de abril de 2022 e fonte é o Yahoo Finance. Os resultados apresentados, com especial foco no algoritmo XGBOOST, sugerem que a utilização de algoritmos de Machine Learning permite alcançar métricas de erro substancialmente inferiores, comparativamente ao modelo GARCH. Paralelamente é possível constatar igualmente que a volatilidade nos mercados emergentes é superior à apresentada nos mercados desenvolvidos, resultado do reduzido desenvolvimento das empresas, insegurança dos investidores e o peso que os eventos adversos, com origem em países desenvolvidos, têm sobre estes mercados. |
|---|