Aplicação do algoritmo k-Nearest Neighbors (k-NN) para previsão de índices em mercados financeiros

Resumen

Esta pesquisa analisa se os preços históricos de negociação dos principais índices das maiores bolsas de valores do mundo explicam o retorno futuro dos ativos, por meio da aplicação do algoritmo de Aprendizado de Máquina (Machine Learning – ML) K-Nearest Neighbors (k-NN). Para tal, utilizou-se uma amostra composta pelas cotações diárias de 37 índices de tais bolsas no período de 2001 a 2019. Os modelos foram estimados por índice, conforme os preços de fechamento e de máximo, assim como o período completo e a divisão em subperíodos, cujos resultados se apresentaram superiores aos do desempenho médio do mercado. Com base na cotação máxima dos índices, os modelos obtiveram desempenho superior aos dos preços de fechamento, e os de subperíodos conseguiram melhores desempenhos. A eficiência dos mercados sob a forma fraca foi questionada no contexto contemporâneo de forte ascensão de algoritmos de ML para a previsão em finanças. Nesse contexto, os principais índices das maiores bolsas de valores do mundo foram analisados, com a obtenção de subsídios gerais que podem auxiliar na orientação de pesquisas futuras na área, em que o tema é relevante devido a contribuições sobre o uso de algoritmos de ML na previsão de preços de ativos de investimento.

 Palavras-chave: k-Nearest Neighbors. Machine Learning. Previsão de Preços. Hipótese de Mercados Eficientes. Bolsa de Valores.

APPLICATION OF THE ALGORITM K-NEAREST NEIGHBORS (K-NN) FOR FORECASTING INDEXES IN FINANCIAL MARKETS

ABSTRACT

This research analyzes whether the historical trading prices of the main indexes of the largest stock exchanges in the world explain the future return of assets, through the application of Machine Learning (ML) algorithm K-Nearest Neighbors (k-NN). To this end, a sample composed of the daily quotations of 37 indexes of such exchanges in the period from 2001 to 2019 was used. The models were estimated by index, according to the closing and maximum prices, as well as the full period and the division into subperiods, whose results were superior to the average market performance. Based on the maximum quotation of the indexes, the models obtained superior performance than the closing prices, and those ones of subperiods achieved better performance. The efficiency of markets in the weak form has been questioned in the contemporary context of strong rise of ML algorithms for forecasting in finance. In this context, the main indexes of the largest stock exchanges in the world were analyzed, obtaining general subsidies that can help guide future research in the area, in which the topic is relevant due to contributions on the use of ML algorithms in predicting the prices of investment assets.

Keywords: k-Nearest Neighbors. Machine Learning. Price Forecasting. Efficiency Market Hypothesis. Stock Exchanges.