[en] FORECASTING RETURNS ON HIGH-FREQUENCY ENVIRONMENT: A COMPARATIVE STUDY OF ECONOMETRIC MODELS AND MACHINE LEARNING TECHNIQUES

[pt] PREVISÃO DE RETORNOS EM AMBIENTE DE ALTA FREQUÊNCIA: UM ESTUDO COMPARATIVO DE MODELOS ECONOMÉTRICOS E TÉCNICAS DE APRENDIZADO POR MÁQUINA

[pt] GUILHERME DE MORAES MASUKO

[pt] PREVISAO

[pt] APRENDIZADO DE MAQUINA

[pt] DADOS EM ALTA DIMENSAO

[pt] ALTA FREQUENCIA

[pt] APRECAMENTO DE ATIVOS

[pt] FINANCA

[en] FORECASTING

[en] MACHINE LEARNING

[en] HIGH DIMENSIONAL DATA

[en] HIGH FREQUENCY

[en] APPRAISAL OF ASSET

[en] FINANCE

[pt] A previsão de retornos sobre ativos financeiros tem sido uma tarefa importante durante toda a história da economia financeira. Este estudo emprega técnicas de aprendizado por máquina (ML) para prever retornos de portfólio com base no fator tamanho, visando não apenas melhorar as previsões, mas também compreender a fonte subjacente de previsibilidade. Em meio ao desafio de identificar preditores relevantes em dados ruidosos, esta pesquisa emprega uma abordagem de janela móvel, incorporando três defasagens de retornos de ações como candidatos a preditores para projetar retornos um minuto à frente. Modelos de benchmark, incluindo a média dentro da amostra e abordagens autorregressivas, são explorados junto com técnicas de ML como Ridge, LASSO, AdaLASSO e Random Forest. Identificamos consistentemente a superioridade dos modelos de ML sobre os modelos benchmark em termos de previsibilidade, com o modelo Random Forest se destacando como o mais eficaz. Além disso, a análise dos preditores selecionados pelos modelos revelou que eles são predominantemente inesperados, de curta duração e esparsos.

[en] Forecasting returns on financial assets has been an important task throughout the history of the financial economy. This study employs machine learning (ML) techniques to predict portfolio returns based on the size factor, aiming to not only improve predictions but also understand the underlying source of predictability. Amid the challenge of identifying relevant predictors in noisy data, this research employs a rolling window approach, incorporating three lags of stock returns as candidate predictors to project returns one minute ahead. Benchmark models, including in-sample averaging and autoregressive approaches, are explored alongside ML techniques such as Ridge, LASSO, AdaLASSO, and Random Forest. We consistently identify the superiority of ML models over benchmark models in terms of predictability, with the Random Forest model standing out as the most effective. Furthermore, analysis of the predictors selected by the models revealed that they are predominantly unexpected, short-lived and sparse.

NATHALIE CHRISTINE GIMENES

MARCELO CUNHA MEDEIROS

MARCELO CUNHA MEDEIROS

MARCELO FERNANDES

MARCELO FERNANDES PEREIRA

NATHALIE CHRISTINE GIMENES

CHRISTIAN MONTES SCHUTTE

2025-02-11

2024-04-26

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69353@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69353@2

https://doi.org/10.17771/PUCRio.acad.69353