Projeção de preço para ações brasileiras utilizando-se dados em alta frequência
| dc.contributor.advisor | Hadad Junior, Eli | |
| dc.contributor.author | Mattos, João Vitor de | |
| dc.date.accessioned | 2024-03-15T19:07:23Z | |
| dc.date.available | 2024-03-15T19:07:23Z | |
| dc.date.issued | 2024-02-19 | |
| dc.description.abstract | O objetivo deste trabalho é investigar o poder preditivo de modelos econométricos e machine learning quando aplicados a séries temporais financeiras em alta frequência. Este tema é pertinente aos agentes econômicos atuantes no mercado financeiro brasileiro, que anseiam por ferramentas capazes de sustentar sua tomada de decisão em meio às inovações de conjuntura. Esta pesquisa está subdividida em três partes: a primeira conta com uma análise bibliométrica – combinada a uma revisão sistemática – da literatura empírica sobre Projeção de preço para ações brasileiras utilizando-se dados em alta frequência. Em seguida passa-se a utilizar o arcabouço econométrico e de machine learning existente aplicado a séries em alta frequência para algumas ações negociadas no ambiente da B3. Por fim, o desempenho dos modelos será mensurado e avaliado de modo crítico através do procedimento Model Confidence Set, possibilitando um veredito conclusivo a respeito das vantagens e obstáculos impostos a cada abordagem. | |
| dc.description.sponsorship | Outros | |
| dc.identifier.uri | https://dspace.mackenzie.br/handle/10899/38148 | |
| dc.language.iso | pt_BR | |
| dc.language.iso | en | |
| dc.publisher | Universidade Presbiteriana Mackenzie | |
| dc.subject | dados em alta frequência | |
| dc.subject | modelagem econométrica | |
| dc.subject | modelagem machine learning | |
| dc.subject | model confidence set | |
| dc.title | Projeção de preço para ações brasileiras utilizando-se dados em alta frequência | |
| dc.type | Tese | |
| local.contributor.advisorLattes | http://lattes.cnpq.br/2030318390506756 | |
| local.contributor.advisorOrcid | https://orcid.org/0000-0003-2985-9241 | |
| local.contributor.authorLattes | http://lattes.cnpq.br/7090968701591147 | |
| local.contributor.board1 | Nakamura, Wilson Toshiro | |
| local.contributor.board1Lattes | http://lattes.cnpq.br/1327686935533816 | |
| local.contributor.board1Orcid | https://orcid.org/0000-0002-4697-5685 | |
| local.contributor.board2 | Mendonça, Diogo de Prince | |
| local.contributor.board2Lattes | http://lattes.cnpq.br/3160691112817642 | |
| local.contributor.board2Orcid | https://orcid.org/0000-0002-4883-2899 | |
| local.contributor.board3 | Basso, Leonardo Fernando Cruz | |
| local.contributor.board3Lattes | http://lattes.cnpq.br/1866154361601651 | |
| local.contributor.board3Orcid | https://orcid.org/0000-0002-3064-0194 | |
| local.contributor.board4 | Ripamonti, Alexandre | |
| local.contributor.board4Lattes | http://lattes.cnpq.br/9872659204445371 | |
| local.contributor.board4Orcid | https://orcid.org/0000-0003-2022-6819 | |
| local.contributor.coadvisor | Vinhado, Fernando da Silva | |
| local.contributor.coadvisorLattes | http://lattes.cnpq.br/6211109118327385 | |
| local.description.abstracten | This study aims to investigate the predictive power of econometric and machine learning models applied to financial time series at high-frequency. The research is pertinent to economic agents operating in the Brazilian financial market, who desire tools capable of sustaining their decision-making amid conjuncture innovations. This quest is separated into three parts, the first one with a bibliometric analysis – combined with a systematic review – of the empirical literature on the Price projection for Brazilian shares using high frequency data. Then we started to use the existing econometric and machine learning framework applied to high-frequency series from some shares traded in the B3 environment. Finally, the performance of the models will be measured and critically evaluated through Model Confidence Set criteria, allowing a conclusive verdict regarding the advantages and obstacles imposed by each approach. | |
| local.description.sponsorshipOther | Empresa/Indústria: Banco do Brasil S/A | |
| local.keywords | high-frequency data | |
| local.keywords | econometric modeling | |
| local.keywords | machine learning modeling | |
| local.keywords | model confidence set | |
| local.publisher.country | Brasil | |
| local.publisher.department | Centro de Ciências Sociais e Aplicadas (CCSA) | |
| local.publisher.initials | UPM | |
| local.publisher.program | Administração de Empresas | |
| local.subject.cnpq | CNPQ::CIENCIAS SOCIAIS APLICADAS::ADMINISTRACAO::ADMINISTRACAO DE EMPRESAS |