Академический Документы
Профессиональный Документы
Культура Документы
DOI: 10.5700/rausp1005
as duas trajetrias iro divergir por uma amplitude R. Em ou- no mudam com a riqueza, ou seja, exibem um padro constante
tras palavras, n = ln(R/)/ . Normalmente, a presena de pelo de averso absoluta ao risco (CARA). A utilidade CARA uma
menos um expoente de Lyapunov positivo indica a presena classe de funes de utilidade, tambm chamada de utilidade
de caos. Gencay e Dechert (1992) encontraram expoentes de exponencial. Para alguma constante a positiva, tem a forma:
Lyapunov prximos de zero e interpretaram os resultados como
evidncia de raiz unitria em dados financeiros. [1]
Nesse ponto importante salientar que a teoria do caos
definida como o estudo de sistemas dinmicos no lineares Porm, essa hiptese pode ser alterada assumindo que a
complexos por complexo, entenda-se como uma grande demanda aumenta linearmente com a riqueza dos agentes, o
quantidade de interaes entre diversos agentes e no lineari- que corresponde chamada averso ao risco relativa constante
dade como a necessidade de recurso por meio de algoritmos (CRRA). Se for realizada a suposio de que as preferncias de
matemticos e dinmicos, implicando no constante e no um agente so dadas pela funo de utilidade CRRA, tem-se:
peridico. Quanto a sistema, uma definio estudada desde
cedo nos cursos de graduao em Administrao, como pode [2]
ser visto em Maximiano (1997, p.238). Assim, a teoria do caos
, de forma bem geral, o estudo das mudanas em sistemas em que o coeficiente a o coeficiente de averso ao risco relati-
complexos por meio do uso de modelos matemticos. vo. Nesse caso, fcil mostrar que a frao da riqueza investida
Considere-se um mercado financeiro em que exista um gru- em uma ao constante ao longo dos nveis de riqueza.
po de investidores heterogneos, ou seja, cada um segue uma
estratgia diferente para obter retornos superiores. A questo em 2.3. Finanas comportamentais e eficincia de mercado
aberto especificar quais agentes sobrevivero ao longo do tem-
po e como a interao dos agentes afeta os retornos de mercado. Apreamento de ativos um paradigma tradicional que as-
Normalmente, as interaes so no cooperativas e a heteroge- sume que os investidores so completamente racionais. Finan-
neidade dos agentes est ligada probabilidade de fracasso (ou as comportamentais consideram uma abordagem psicolgica
sucesso) em seus processos de tomada de deciso. Os agentes para o apreamento de ativos. Existe uma ampla variedade de
decidem, perodo aps perodo, qual frao de suas riquezas campos e reas de pesquisa e aplicao oferecendo modelos
investir em ativos financeiros. Suas decises de investimento so alternativos ao apreamento de ativos que consideram que
modeladas, de forma geral, como funes suaves das realizaes nem todos os investidores so totalmente racionais. Hirshleifer
passadas de preos e dividendos. Focando a dinmica do preo (2001) fornece uma excelente reviso da literatura para isso.
do ativo em um mercado com agentes heterogneos, algumas Finanas comportamentais utilizam modelos nos quais
ferramentas como os Modelos de Agentes Heterogneos (Het alguns agentes no so completamente racionais, ou por causa
erogeneous Agent Models HAM) tm sido desenvolvidas das preferncias ou devido a crenas erradas. Um dos princi-
(HOMMES, 2006; ANUFRIEV e DINDO, 2007). pais alicerces em finanas a hiptese de mercado eficiente
Brock e Hommes (1997, p.1070) propem o conceito de (Efficient Markets Hypothesis EMH). A EMH considera que a
equilbrio racional adaptativo (ARE), segundo o qual a insta- concorrncia entre os investidores que buscam lucros anormais
bilidade local pode resultar de conflitos na escolha entre um guia os preos a seu valor correto.
conjunto de preditores ou funes esperanas: Essa hiptese no assume que todos os investidores sejam
Quando todos os agentes utilizam o preditor menos custoso, racionais, mas assume que os mercados sejam racionais. A
regra de bolso habitual, o equilbrio do estado estacionrio EMH no assume que os mercados podem prever o futuro,
instvel. As variveis endgenas comeam flutuando e os mas assume que mercados faam previses no viesadas do
erros de predio a partir do preditor menos custoso aumen- futuro. Em contraste, as finanas comportamentais assumem
tam. Quando os agentes utilizam preditores mais custosos e que, em algumas circunstncias, mercados financeiros so
sofisticados (tal como expectativas racionais, crenas fun- informacionalmente ineficientes.
damentalistas, ou aprendizagem por mnimos quadrados), as As finanas comportamentais alegam que algumas ca-
variveis endgenas convergem para seu (nico) equilbrio ractersticas dos preos dos ativos so mais plausivelmente
de estado estacionrio. interpretadas como desvios do valor fundamental, e que esses
desvios ocorrem devido presena dos traders, os quais no
Brock e Hommes (1997) e Grandmont (1998) consideram so completamente racionais. A teoria da arbitragem limitada
sistemas dinmicos estocsticos e analisam a sequncia do sustenta que traders irracionais causam desvios do valor fun-
equilbrio temporrio de sua estrutura determinstica. damental, e os traders racionais frequentemente so ineficazes
Muitos modelos do tipo HAM (BROCK e HOMMES, para mudar tal situao.
1998; GAUNERSDORFER, 2000; BROCK, HOMMES e Para conseguir extrair mais da estrutura desses desvios,
WAGENER, 2005) consideram que as demandas dos agentes os modelos comportamentais frequentemente assumem uma
forma especfica de irracionalidade. Para auxiliar nessa tare- em que f j (R0) = f (... f (R0))...) denota j sucessivas iteraes do
fa, os analistas utilizam evidncias experimentais extensivas sistema dinmico comeando no estado R0, e Jf o jacobiano
compiladas por meio de psicologia cognitiva sobre os vieses do sistema
sistemticos ocasionados pelas crenas e preferncias das
pessoas. Para auxiliar no entendimento desse assunto, pode-se Jf j (R0) = Jf (Rj1) Jf (Rj2) ... Jf (R0) [5]
consultar Camerer (1995), Rabin (1998), Kahneman e Tversky
(2000) e Gilovich, Griffin e Kahneman (2002). Ento, associados a cada expoente de Lyapunov, i, [i
Um componente importante para qualquer modelo de mer- [1,2,..., n], existem subespaos aninhados Ui Rn de dimenso
cado financeiro a especificao de como os agentes formam n + 1 i com a propriedade que
suas expectativas. Evidncias a partir de estudos de psicologis-
tas (RABIN, 1998) mostram que as pessoas possuem excesso de [6]
confiana e otimismo em seus julgamentos, ou seja, tm viso
no realista de suas habilidades e perspectivas. Kahneman e para todo R0 Ui Ui+1 (BASK, LIU e WIDERBERG, 2006).
Tversky (1974) mostram que, quando as pessoas tentam de-
terminar a probabilidade de que um conjunto de dados A tenha O ponto importante que os expoentes de Lyapunov for-
sido gerado por um modelo B, ou que um objeto A pertence a necem a base matemtica para a anlise da estabilidade de um
uma classe B, frequentemente utilizam a heurstica da repre- sistema dinmico no linear.
sentatividade. Isso significa que elas avaliam a probabilidade
a partir do grau em que A reflete as caractersticas essenciais 2.5. Redes neurais
de B. Muitas vezes, a heurstica da representatividade til,
mas ela pode gerar alguns vieses perigosos. Uma rede neural pode ser considerada como uma tcnica de
O paradigma atual do comportamento individual em teoria processamento de dados que mapeia, ou relaciona, algum tipo
de finanas est baseado na maximizao da utilidade esperada de entrada de informao a uma sada de dados. Por exemplo,
e averso ao risco, o qual tem estado sob ataque em anos recen- a entrada pode estar na forma de uma imagem bidimensional
tes devido a sua impreciso descritiva. O paradigma clssico com alguma parte faltante ou segmento distorcido e o proces-
implica analisar como os indivduos esto tipicamente sujeitos samento da sada pode produzir uma imagem corrigida. Nas
a determinadas tendncias. Psicologistas experimentais tm aplicaes em sries temporais, a entrada pode ser uma srie
demonstrado que as pessoas desviam-se sistematicamente das temporal unidimensional e a sada a melhor estimao para
previses escolhidas e analisam como esse comportamento o prximo valor da srie (AZOFF, 1994). Em geral, a tarefa
influencia o mercado (POMPIAN, 2006; FORBES, 2009; executada pela rede neural pode ser dividida em quatro tipos
TABAK, FERNANDES e PEA, 2009). distintos de aplicao (DUDA e HART, 1993):
classificao trata-se de decidir em qual categoria uma
2.4. Expoentes de Lyapunov determinada entrada dever ser inserida;
associao atua como uma memria de contedo ende-
Os expoentes de Lyapunov podem ser utilizados na deter- revel que recorda uma sada, dada alguma parte desta na
minao da estabilidade de um sistema estocstico dinmico. forma de uma entrada;
Especificamente, assumindo que o sistema estocstico dinmico codificao comprime e codifica uma entrada por meio da
f : Rn g Rn gera, por exemplo, retornos de ativos produo de uma sada com dimenso reduzida. Tambm
pode ser realizada a operao inversa, ou seja, uma decodi-
[3] ficao;
simulao cria uma sada para uma entrada que atua como
em que Rt e st representam o estado do sistema e um choque um estmulo, no caso da rede ter sido exposta a uma amostra
no sistema, respectivamente, ambos no tempo t [1, 2,..., ] de estmulo possvel.
(BASK, LIU e WIDERBERG, 2006).
Qualquer tarefa particular pode envolver certo nmero das
Para um sistema n-dimensional, como mostrado na equao funes descritas acima. Por exemplo, a previso de sries
[3], existem n expoentes de Lyapunov, classificados do maior temporais por um perceptron pode envolver um elemento
para o menor expoente 1 2 ... n , que fornecem de compresso dos dados de entrada (codificao), outro de
informao sobre as propriedades de estabilidade do sistema reduo de rudo (associao), a capacidade de determinar
dinmico f em [3]. Considere-se que o sistema amplifica uma padres recorrentes que levem a comportamento preditvel
pequena diferena entre os estados iniciais R0 e R0, ou seja: (classificao) e a previso de um nico evento (simulao).
Algumas tarefas de processamento desempenhadas pela
Rt Rt = f j (R0) f j (Rt) @ Jf j (R0) (R0 Rt) [4] rede neural podem tambm ser realizadas por tcnicas tradi-
cionais, tal como a anlise de regresso (AZOFF, 1994). No enquanto o conjunto de previses de y geradas pelo modelo
entanto, nenhuma compartilha das capacidades nicas da rede com o conjunto de coeficientes { ^ k} denotado por {t}. O
neural, que podem ser sumarizadas como: objetivo selecionar { ^k} de tal forma que seja minimizada a
generalizao a rede neural inicialmente estabelecida soma das diferenas quadrticas entre as observaes atuais y
a partir de uma fase de treinamento, em que entradas de e as observaes preditas pelo modelo linear, .
exemplo so apresentadas rede, que treinada para extrair O modelo linear possui a propriedade til de ter uma soluo
informaes relevantes desses padres. Subsequentemente, de forma fechada para resolver o problema de regresso, ou seja,
a rede tem a capacidade de generalizar, ou seja, uma entrada de minimizar a diferena quadrtica entre y e . Desse modo, o
ainda no vista e no utilizada tambm poder ser processada; mtodo de regresso linear (ou autorregresso linear) rpido.
flexibilidade o limite de tarefas para as quais uma rede Para a previso de um perodo curto, o modelo linear um
neural pode ser aplicada excede qualquer uma das tcnicas ponto de partida razovel, ou benchmark, visto que, em muitos
tradicionais; mercados, observam-se apenas pequenas mudanas simtricas na
modelagem no linear o processo de mapeamento da rede varivel a ser predita, ao longo de uma tendncia de longo prazo.
neural envolve funes no lineares que podem consequente- No entanto, isso pode no ser preciso o bastante para mercados
mente cobrir um limite maior da complexidade do problema. financeiros volteis em que pode haver um processo no linear
Embora existam outras tcnicas no lineares, a rede neural dos dados. Movimentos lentos no aumento dos preos dos ativos,
superior em sua generalidade e de fcil implementao prtica. seguidos por colapsos repentinos conhecidos como bolhas, so
comuns. Dessa forma, o modelo linear pode falhar em capturar
A principal razo para o uso de redes neurais nas empresas ou prever pontos de mudana acentuada nos dados. Por essa razo
a capacidade de realizar previso de um dado valor desejado que so utilizadas tcnicas no lineares de previso.
ou varivel de sada y, a partir de um conjunto de entrada de A rede neural uma alternativa aos modelos lineares e a
variveis observadas x. Em sries temporais, o conjunto de algumas abordagens no paramtricas para a aproximao de
variveis de entrada x pode incluir variveis defasadas no tempo sistemas no lineares. A razo para o uso de uma rede neural
das variveis atuais de x, bem como valores defasados de y. O simples e direta. O objetivo encontrar uma abordagem ou
estudo de previso inicia-se, usualmente, com um modelo de mtodo o qual realize bem previses para dados gerados por
regresso dado pela seguinte equao: processos que frequentemente so desconhecidos e altamente
no lineares, com uma quantidade pequena de parmetros e
[7] o qual seja mais fcil de estimar que os modelos no lineares
paramtricos.
em que a varivel i considerada um distrbio aleatrio, assu- Neste trabalho foram utilizadas RNA do tipo alimentadas
mida como sendo normalmente distribuda, com mdia zero e adiante (ou feedforward), que incluem entradas, uma camada
varincia 2 e {k}representa os parmetros a serem estimados. intermediria e uma camada de sada para realizar a previso
O conjunto de estimadores dos parmetros denotado por { ^k}, de um passo frente. A figura a seguir ilustra esse tipo de RNA.
4. Tratamento dos Dados para Anlise A estatstica de teste BDS pode ser escrita como:
Tabela 1
Resultados Obtidos pelo Teste BDS nas Respectivas Dimenses: Portfolios IND
Tabela 2
Resultados Obtidos pelo Teste BDS nas Respectivas Dimenses: Portfolios OSE
c ia por meio do log dos preos das aes e, depois disso, obtidas tornar as sries estacionrias e permitir que os modelos no se-
as sries de diferenas dos seis portfolios conforme pode ser jam afetados pela volatilidade ao longo do perodo analisado. As
visto no grfico 2. Ou seja, foram criadas as sries das diferen- sries das diferenas dos logaritmos dos preos sem a tendncia
as dos logaritmos dos preos sem a tendncia determinstica. determinstica so denominadas de DIF_DETREND_LN_S-
Para remover a tendncia, foi utilizado o comando detrend do RIE e so apresentadas conjuntamente no grfico 3, tanto para
MATLAB verso 6.5. A diferena da srie realizada para as categorias das empresas IND como para as das OSE.
Para verificar a hiptese de que as sries transformadas apre- RU rejeitada para os nveis de 1%, 5% e 10% para todas as
sentam comportamento de sries estacionrias, foi realizado sries d[ln(P) t].
o teste de raiz unitria (RU). Para testar se a srie possui raiz O grfico 3 apresenta um scatter plot para cada um dos seis
unitria, foram aplicados os testes Dickey-Fuller aumentado portfolios. No eixo horizontal tem-se o logaritmo dos preos
(ADF) e Phillips-Perron (PP). A tabela 3 apresenta, para a ca- sem tendncia, enquanto o eixo vertical apresenta os retornos.
tegoria IND, os resultados dos testes ADF e PP para as sries Nesse grfico, pode-se verificar que os preos de mercado de
do log do preo sem tendncia, denominadas por ln(P) t, e IND e OSE movem-se em torno de pontos de equilbrio de
da primeira diferena da srie, d[ln(P) t]. maneira aleatria. Isso representa a possibilidade da existncia
A tabela 4 apresenta os resultados dos testes ADF e PP para de uma dinmica catica no mercado de preos de aes. No
a categoria OSE. Verifica-se, facilmente, que tanto no caso das entanto, calculando-se os expoentes de Lyapunov, encontram-se
sries do portfolio IND quanto no das do OSE, a hiptese de valores negativos. Isso implica que os preos de mercado das
Tabela 3
Tabela Conjunta dos Resultados dos Testes ADF e PP para RU para o Portfolio IND
Tabela 4
Tabela Conjunta dos Resultados dos Testes ADF e PP para RU para o Portfolio OSE
aes no podem ser caticos, mas, em vez disso, ser caracte- A camada de entrada (inputs) da rede neural consiste da
rizados por um processo de difuso. No ser utilizado aqui o varivel a ser modelada com um instante de atraso (defasagem)
jargo e o tratamento do clculo estocstico para essa questo, o e uma defasagem do ndice da Bolsa de Valores de So Paulo
leitor pode encontrar em Duffie (2001, p.87), em Campbell, Lo (Ibovespa) para todos os seis portfolios.
e Mackinlay (1997, p.356) uma introduo simples ao assunto; Antes de definir as variveis de entrada, houve necessidade
uma leitura mais avanada de como trabalhar com processos de escolher um fator que explicasse e estivesse correlacionado
de difuso pode ser obtida em Steele (2000, p.169) e em Di com os retornos das aes, ou seja, definir a varivel que ser-
Nunno, Oksendal e Proske (2009, p.17). viria de proxy de mercado para os dados econmicos (WOOL-
DRIDGE, 2003). Optou-se pelo uso do Ibovespa. Portanto, sem
4.3. Resultados das redes neurais e expoentes de Lyapunov focar de maneira excessiva na melhor rede neural, a entrada foi
definida como sendo formada por uma defasagem na varivel
Para analisar a estabilidade das aes dos portfolios, so (IND ou OSE) e uma defasagem do Ibovespa para todos os
utilizadas redes neurais artificiais alimentadas adiante (feed seis portfolios analisados.
forward) com o algoritmo de Gencay e Dechert (1992) para A escolha da melhor RNA foi obtida por meio de uma
calcular os expoentes de Lyapunov. A obteno dos expoentes variao do nmero de neurnios da camada intermediria
de Lyapunov foi realizada utilizando-se o software NETLE, de 4 a 7, sendo utilizado como critrio o menor valor de erro
que funciona na plataforma MS-DOS, foi desenvolvido por quadrtico mdio (mean squared error MSE). As tabelas 6 e 7
Kuan, Liu e Gencay (1997) e utiliza redes neurais feedforward. fornecem os valores de MSE das previses das RNA, o critrio
de informao de Schwarz (SIC) e os expoentes de Lyapunov. Quanto menor a raiz quadrada do MSE (RMSE), menor
Esses expoentes, obtidos para as sries ln(P) t (tabela 5), o erro obtido pelo modelo utilizado para realizar a previso.
esto todos prximos de zero, o que indica a presena de uma Quando um modelo ajustado para uma dada srie temporal,
raiz unitria. Realizando a primeira diferena da srie, ou necessrio verificar se ele apresenta uma adequada descrio
seja, obtendo uma srie do tipo DIF_DETREND_LN_SRIE, dos dados. Um dos critrios frequentemente usados e que refle-
remove-se a no estacionariedade e os expoentes de Lyapunov, tem a qualidade do ajuste e o nmero de parmetros estimado
na tabela 7, so negativos, indicando processos no caticos e o critrio de informao bayesiano de Schwartz (SIC). Se k
estveis. Em outras palavras, no considerada a existncia de o nmero total de parmetros estimado, tem-se que:
uma dinmica instvel (catica) nas sries temporais, uma vez
que todas as estimativas dos maiores expoentes de Lyapunov SIC(k) = nlog ^2 + klogn [15]
so negativos.
Modelos em destaque foram escolhidos com base nos me- em que n o tamanho da amostra. Se RSS = a soma
nores valores de MSE. Nesse ponto, vale lembrar que o MSE dos resduos quadrados, ento ^2 = RSS/(n k). Portanto, uti-
e o SIC so respectivamente dados por: lizando os critrios mencionados, nas tabelas 5 e 6, tm-se as
melhores redes neurais selecionadas e os respectivos valores de
[14] expoentes de Lyapunov calculados por essas RNA. A estimao
de expoentes de Lyapunov usando redes neurais feedforward
Tabela 5
Resultados Obtidos pelo NETLE para ln(P) t de Todos os Seis Grupos de Portfolios
pode ser encontrada em outros estudos, tais como McCaffrey modelos de RNA e os modelos ARMA(1,1) para IND_LOW
et al. (1992), Nychka et al. (1992), Gencay e Dechert (1996) e IND_HIG so racionais. Continuando, tendo como base os
e Dechert e Gencay (2000). resultados da tabela 7, pode-se verificar que, para o modelo
Na tabela 6 tambm vale o fato de que os modelos em des- ARMA(1,1) para IND_MID e os trs modelos NAIVE, exi-
taque foram escolhidos com base nos menores valores de MSE. bem padro de autocorrelao dos resduos. Nesses casos, em
termos economtricos, diz-se que esses modelos esto mal-
4.4. Racionalidade e desempenho de previso -especificados e poderiam ser mais bem descritos por modelos
ARMA(p, q) de diferentes ordens.
Enquanto expectativas adaptativas so baseadas em preos Foram aplicados o mesmo conceito e a mesma tcnica para
passados, expectativas racionais so formadas com base em as empresas do portfolio OSE, e os resultados so apresentados
toda a informao disponvel e, portanto, mais difceis de ser na tabela 8 de forma mais resumida, sem os correlogramas.
modeladas. Neste trabalho, definem-se as previses racionais Para o portfolio OSE_LOW, os modelos de redes neurais e
simplesmente como aquelas que no apresentam erros sistem- ARMA(1,1) desempenharam padro racional, enquanto os
ticos de previso: o erro mdio indistinguvel de possuir valor modelos ARMA(1,1) para OSE_MID e OSE_HIG e NAIVE
zero e os erros no apresentam padro consistente ao longo do geraram erros de previso sistemticos.
tempo. De acordo com esse critrio, pode-se verificar na tabela Considere-se y como uma varivel econmica ou financeira
7, para o caso do portfolio de empresas da indstria, que os a qual os agentes desejam prever, e seja yt,t+n a esperana para
Tabela 6
Resultados Obtidos pelo NETLE para d[ln(P) t] de Todos os Seis Grupos de Portfolios
Tabela 7
ARMA
IND_LOW IND_MID IND_HIG
Desvio Padro 1,74E-06 2,37932E-05 5,66 E-07
Mdia 0,049649 0,004359338 0,004717
IND_LOW IND_MID IND_HIG
Rede Neural
IND_LOW IND_MID IND_HIG
Desvio Padro 0,041555 0,004326999 0,00360005
Mdia -0,000907 -8,33269E-05 -0,000315036
IND_LOW IND_MID IND_HIG
Naive
IND_LOW IND_MID IND_HIG
Desvio Padro 0,057580986 0,006148003 0,00508067
Mdia 4,64304E-05 -4,04939E-05 -1,93483E-05
IND_LOW IND_MID IND_HIG
y no tempo t + n, formada no tempo t usando informao at esto mais prximas das expectativas racionais, uma vez que
o tempo t. Ento, se as expectativas so racionais, no sentido incorporam maior quantidade de informao, e os modelos
de Muth (1961) tem-se: ARMA falham em algum momento, gerando trs modelos com
caractersticas racionais e trs modelos irracionais.
Yt,t+n = E[yt+n | It] [16] Foi considerado o modelo ARMA(1,1) para todos os seis
portfolios, o que possibilitou determinar trs modelos como
em que It o conjunto de informaes no tempo t, e E[ . | It] possivelmente irracionais, ou seja, aqueles com erros siste-
o operador de esperana matemtica condicionado a It . Tem-se mticos de previso. Os resultados das previses obtidas pelos
que yt+n pode ser escrita como a soma de seu valor esperado modelos de RNA, ARMA e NAIVE so mostrados na tabela 9.
mais um erro de previso da expectativa racional, chamado Como critrios de avaliao da melhor previso, so utilizados
aqui de t+n, assim: o RMSE (Root Mean Square Error) e o TIC (Theil Inequality
Coefficient), dados respectivamente por:
yt+n = yt,t+n + i+n [17]
Tabela 8
ARMA
OSE_LOW OSE_MID OSE_HIG
Desvio Padro 1,352E-05 3,746E-05 3,912E-06
Mdia 0,007381 0,006548 0,005182
Autocorrelao 0,0326 -0,4326 -0,5104
Rede Neural
OSE_LOW OSE_MID OSE_HIG
Desvio Padro 0,007651 0,0033176 0,002553
Mdia -0,000214 -4,66422E-06 -0,00021145
Autocorrelao 0,0133 0,1142 -0,09541
NAIVE
OSE_LOW OSE_MID OSE_HIG
Desvio Padro 0,063421 0,007223517 0,00600987
Mdia 7,322145E-05 -6,83271E-05 -3,76124E-05
Autocorrelao 0,4462 0,3971 0,5035
Tabela 9
Avaliando os resultados de RMSE e TIC para as previses Pode-se concluir que, aps as transformaes necessrias,
obtidas pelos mtodos de redes neurais, autorregressivo de os modelos de previso que utilizam redes neurais mostraram-
mdia mvel e NAIVE, verificou-se que as RNA apresentaram -se um pouco melhores do ponto de vista de racionalidade.
os melhores resultados, excetuando-se os casos IND_MID A sofisticao de um modelo pode inicialmente ser defi-
e OSE_LOW, em que os modelos ARMA obtiveram menor nida em termos da preciso ex post (por exemplo, o RMSE),
RMSE e TIC, respectivamente. mas, alm disso, pode-se tambm considerar a compreenso
do conjunto de informao. O modelo NAIVE baseado na
5. Concluso quantidade mnima de informao e tem a menor taxa de
preciso entre as trs classes de modelos considerados. A rede
Neste trabalho foi apresentado um mtodo de determinao neural possui a maior compreenso do conjunto de informao
de estabilidade no preo de aes do mercado brasileiro. O porque inclui vrios valores de retornos passados, bem como
trabalho abrangeu um perodo anterior crise financeira global os retornos defasados do Ibovespa. Dessa forma, a rede neural
de 2008, que teve como principal fator a crise do subprime (ou em mdia 37% mais precisa que as previses NAIVE em
hipotecas de risco) nos Estados Unidos. termos do RMSE. Os modelos ARMA variam com respeito
Foram analisadas 30 empresas, divididas em dois portfolios, preciso, verificando-se que em mdia as RNA so 5% mais
ou categorias, uma denominada de Indstria (IND) e a outra precisas que as previses geradas pelos modelos ARMA.
chamada de Outros Setores (OSE), contemplando empresas Os testes de racionalidade foram realizados considerando-se
dos setores de energia, financeiro e varejo. Foram encontradas modelos ARMA, porm, dadas as caractersticas de as sries
evidncias de no estacionariedade nos dados, o que levou a financeiras apresentarem heterocedasticidade condicional,
ter de transformar os dados para no incorrer em problemas podem ser estendidos por meio do uso de modelos ARIMA-
de previso devido varincia crescente. Verificou-se tambm -GARCH. Da mesma forma, outras topologias de redes neurais
no linearidade nos dados, mas com evidncias insuficientes treinadas com diferentes algoritmos (por exemplo, usando filtro
de padres determinsticos que possibilitassem concluir sobre de Kalman) tambm podem oferecer novos resultados e novas
a estabilidade dos preos das aes. discusses.
ANUFRIEV, M.; DINDO, P. Wealth selection in a financial exponents. Research Discussion Papers 9/2006, Bank of
REFERNCIAS
BROCK, W.; HOMMES, C. A rational route to randomness. HIRSHLEIFER, D. Investor psychology and asset pricing.
REFERNCIAS
Econometrica, Hoboken, New Jersey, v.65, n.5, Journal of Finance, Berkeley, California, v.56, n.45,
p.1059-1095, Sept. 1997. p.1533-1597, Aug. 2001.
BROCK, W.; HOMMES, C. Heterogeneous beliefs and HOMMES, C. Heterogeneous agent models in economics
routes to chaos in a simple asset pricing model. Journal of and finance. In: Tesfatsion, L.; Judd, K. (Ed.). Handbook
Economic Dynamics and Control, Madison Wisconsin, v.22, of computational economics. New York: Elsevier, 2006. v.2.
n.1, p.1235-1274, Oct. 1998.
HSIEH, D. Testing for nonlinear dependence in daily foreign
BROCK, W.; HOMMES, C.; WAGENER, F. Evolutionary exchange rates. Journal of Business, New York, v.62, n.3,
dynamics in markets with many trader types. Journal of p.339-368, Mar. 1989.
Mathematical Economics, Amsterdam, v.41, n.1, p.7-42,
HSIEH, D. Chaos and nonlinear dynamics: application to
Feb. 2005.
financial markets. Journal of Business, New York, v.62, n.5,
CAMERER, C. Individual decision making. In: Kagel, J.H.; p.1839-1877, May 1991.
Roth, A.E. (Ed.). Handbook of experimental economics.
KAHNEMAN, D.; TVERSKY, A. Judgment under uncertainty:
Princeton: Princeton University Press, 1995.
heuristics and biases. Science 185, New York, v.185,
CAMPBELL, J.Y.; LO, A.W.; MACKINLAY, A.C. The n.4157, p.1124-1131, Sept. 1974.
econometrics of financial markets. Princeton: Princeton
KAHNEMAN, D.; TVERSKY, A. Choices, values and frames.
University Press, 1997.
Cambridge: Cambridge University Press, 2000.
DECHERT, W.D.; GENCAY, R. Is the largest Lyapunov
KUAN, C.; LIU, T. Forecasting exchange rates using
exponent preserved in embedded synamics? Physics Letters
feedforward and recurrent neural networks. Journal of
A, v.276, Issues 1-4, p.59-64, Oct. 2000.
Applied Econometrics, Hoboken, New Jersey, v.10, n.4,
DI NUNNO, G.; OKSENDAL, B.; PROSKE, F. Malliavin p.347-364, Dec. 1995.
calculus for Levy processes with applications to finance.
KUAN, C.; LIU, T.; GENCAY, R. Netle: feedforward neural
Berlin: Springer, 2009. Doi:10.1007/978-3-540-78572-9.
networks and Lyapunov exponents estimation. Working
DUDA, R.; HART, P. Pattern classification and scene Paper, Department of Economics, University Drive, British
analysis. 2nded. New York: John Wiley, 1993. Columbia, Canada, 1997.
DUFFIE, D. Dynamic asset pricing. Princeton: Priceton LEE, T.H.; WHITE H.; GRANGER, W.J. Testing for negleeted
University Press, 2001. nonlinearity in time series models. Journal of Econometrics,
New York, v.56, n.3, p.269-290, Apr. 1993.
FERNANDES, M.; PREUMONT, Y.P. The finite-sample size
of the BDS test for GARCH standardized residuals. Working MARCONI, M.A.; LAKATOS, E.M. Metodologia cientfica.
Paper. Department of Economics, Queen Mary, University of So Paulo: Atlas, 2007.
London, 2003.
MAXIMIANO, A.C.A. Teoria geral da administrao:
FORBES, W. Behavioural finance. West Sussex, United da escola cientfica competitividade em economia
Kingdom: John Wiley & Sons, 2009. globalizada. So Paulo: Atlas, 1997.
GAUNERSDORFER, A. Endogenous fluctuations in a simple McCAFFREY, D.; ELLNER, S.; GALLANT, A.R.; NYCHKA,
asset pricing model with heterogeneous agents. Journal D. Estimating the Lyapunov exponent of a chaotic system
of Economic Dynamics and Control, New York, v.24, n.5, with nonparametric regression. Journal of the American
p.799-831, June 2000. Statistical Association, North Washington Street, Boston,
v.87, n.1, p.682-695, Mar. 1992.
GENCAY, R.; DECHERT, W.D. An algorithm for n Lyapunov
exponentes of an n-dimensional unknown system. Physica MUTH, J.F. Rational expectations and the theory of price
D, New York, v.59, n.1, p.142-157, Oct. 1992. movements. Econometrica, Hoboken, New Jersey, v.29, n.3,
p.315-335, May 1961.
GENCAY, R.; DECHERT, W.D. The identification of spurious
Lyapunov exponents in Jacobian algorithms. Studies in NYCHKA, D.; ELLNER, S.; GALLANT, A.R.; McCAFFREY,
Nonlinear Dynamics and Econometrics, Berkeley, v.1, n.3, D. Finding chaos in noisy systems. Journal of the Royal
p.33-54, Oct. 1996. Statistical Society, Londres, United Kingdom, v.B54, n.3,
p.399-426, June 1992.
GILOVICH, T.; GRIFFIN, D.; KAHNEMAN, D. Heuristics and
biases: the psychology of intuitive judgment. Cambridge: POMPIAN, M.M. Behavioral finance and wealth
Cambridge University Press, 2002. management: how to build optimal portfolios that account for
investor biases. Hoboken, New Jersey: Wiley Finance, 2006.
GRANDMONT, J.M. Expectations formation and stability of
large socioeconomic systems, Econometrica, Hoboken, New RABIN, M. Psychology and economics. Journal of Economic
Jersey, v.66, n.4, p.741-781, Oct. 1998. Literature, Nashville, Tennessee, v.36, n.1, p.11-46, Mar. 1998.
STEELE, M. Stochastic calculus and financial applications. WILKENS, K.; THOMAS, N.D.; FOFANA, M.S. Stability of
REFERNCIAS
New York: Springer-Verlag, 2000. technology stock prices: evidence of rational expectations or
irrational sentiment? Managerial Finance, Bradford, United
TABAK, B.M.; FERNANDES, J.L.B.; PEA, J.I. Behavior
Kingdom, v.30, n.12, p.33-54, Dec. 2004.
finance and estimation risk in stochastic portfolio
optimization. BCB-Working Paper Series 184, Brasilia, WOLF, A.; SWIFT, J.; SWINNEY, H.; VASTANDO, J.
Brasil: Edited by Research Department (Depep), Determining Lyapunov exponent from a time series. Physica
Apr. 2009. D, New York, v.13, n.3, p.285-317, Nov. 1985.
TAYLOR, M.P. Learning and rationality: an empirical study WOOLDRIDGE, J.M. Introductory econometrics: a modern
of investment managers stock market predictions. Annales approach. 2nd ed. Mason, Ohio: Thomson, South-Western,
Dconomie et de Statisque, n.8, 1987. 2003.
Stability of stock prices in the Brazilian capital market: a study applying neural networks and the
ABSTRACT
Lyapunov exponent
In this article, we study the stability of the market price of stocks for two categories of companies, referred to as
industrial (IND) and other sectors (OSE), from January 2, 1995 to January 2, 2008. In other words, we examine the
stability of market prices for the period before the 2008 crisis, triggered by the US subprime securities. We analyze
the implications of the stability of the process of generating a return through rationality paradigms. The verification
of stability was conducted using Lyapunov exponents. Results are presented on the stability of prices for two catego-
ries of companies: industrial concerns, comprising Acesita, Ambev, Aracruz, Braskem, Duratex, Fosfertil, Gerdau,
Klabin, Randon, Sadia, Sid Nacional, Souza Cruz, Unipar, Usiminas and VCP, and enterprises in the other sectors
category, comprising Ampla Energy, Bradesco, Brasil Telecom, Cemig, Eletrobras, Eletrobrs, Itaubanco, Itasa, JB
Duarte, Pronor, Besc, Alpha Financeira and Inepar. A dispersion diagram of the logarithm of prices without trends
vs. the returns of these two categories (or portfolios) showed a chaotic pattern of stock prices, indicating the presence
of nonlinearity. However, the calculation of the Lyapunov exponents resulted in negative values. This indicates that
the fluctuations of the 30 companies analyzed result from diffusion processes rather than from nonlinear dynamics.
The rationality of the behavior of prices is studied by checking the residues generated from estimates of ARMA and
NAIVE models and feedforward neural networks.
Keywords: Brazilian capital market, behavioral finance, neural networks, Lyapunov exponent.
En este trabajo se estudia la estabilidad de los precios de mercado de acciones para dos categoras de empresas: in-
dustrial y otros sectores, en el perodo comprendido entre el 2 de enero de 1995 y el 2 de enero de 2008. Es decir, se
analiza la estabilidad de los precios de mercado para el perodo anterior a la crisis de 2008, que comenz con los ttulos
subprime de Estados Unidos. Se analizan las implicaciones de la estabilidad del proceso de generacin de retorno
por paradigmas de racionalidad. La verificacin de la estabilidad se realiz por medio de la aplicacin de exponentes
de Lyapunov. Se presentan los resultados sobre la estabilidad de los precios para las dos categoras de empresas: las
industrias, formadas por Acesita, Ambev, Aracruz, Braskem, Duratex, Fosfertil, Gerdau, Klabin, Randon, Sadia, Sid
Nacional, Souza Cruz, Unipar, Usiminas, y VCP; y las empresas de la categora otros sectores, formadas por Ampla
Energia, Bradesco, Brasil Telecom, Cemig, Eletrobrs, Itaubanco, Itausa, JB Duarte, Pronor, Besc, Alfa Financeira e
Inepar. Un diagrama de dispersin del logaritmo de los precios de registro sin tendencia frente a los retornos de las
dos categoras (o carteras) mostr un patrn catico en los precios de las acciones, lo que indica la presencia de no
linealidad. Sin embargo, en el clculo de los exponentes de Lyapunov, se obtuvieron valores negativos. Esto indica
que las fluctuaciones de las treinta empresas analizadas resultan de procesos de difusin en lugar de dinmicas no
lineales. Se estudia la racionalidad del comportamiento de los precios por medio de la verificacin de los residuos
generados a partir de las estimaciones de los modelos ARMA, NAIVE y de redes neuronales feedforward.
Palabras clave: mercado de capitales brasileo, finanzas conductuales, redes neuronales, exponentes de Lyapunov.