Um estudo comparativo de Redes Neurais e Modelos GARCH para Previsão da Volatilidade de Séries Temporais Financeiras

As séries temporais financeiras são marcadas por comportamentos complexos e nãolineares.
No mercado financeiro, além da trajetória das cotações, a sua variabilidade,
representada pela volatilidade, consiste em importante informação para o mercado.
Redes neurais são modelos não lineares flexíveis com capacidade de descrever funções
de distintas classes, possuindo a propriedade de aproximadores universais. Este
trabalho busca empregar redes neurais, especificamente Perceptron de múltiplas
camadas com uma única camada escondida alimentada para frente (Feedforward
Multilayer Perceptron), para a previsão da volatilidade. Os modelos GARCH e redes
neurais são estimados para duas séries financeiras: Índice S&P500 e cotações do
petróleo tipo Brent. Os resultados indicam que a volatilidade aproximada por redes
neurais é muito semelhante as estimativas dos tradicionais modelos GARCH. Suas
diferenças são mais qualitativas, na forma de resposta da volatilidade estimada a
choques de maior magnitude e sua suavidade, do que quantitativas, apresentando
critérios de erros de previsão em relação a uma medida de volatilidade benchmark
muito próximos.