Otimização de portfólios de ações no mercado brasileiro utilizando redes neurais LSTM : uma análise comparativa com estratégias tradicionais

Abstract

O presente trabalho investiga a aplicação de redes neurais recorrentes LSTM para a previsão de preços de ações e otimização de portfólio no mercado de ações brasileiro. O principal objetivo consiste em avaliar se estratégias de investimento baseadas em redes neurais recorrentes podem gerar retornos ajustados ao risco superiores ao modelos estatístico tradicional ARIMA, a estratégias passivas de mercado e a índices de referência. Utilizando dados históricos de 10 empresas presentes no Índice Ibovespa, o estudo compara desempenho de estratégias de alocação de ativos baseadas em previsões da LSTM e otimização de portfólios fundamentadas na Teoria Moderna de Portfólio, de Markowitz. Foram construídos e simulados portfólios em quatro horizontes temporais distintos: dois, três, cinco e dez anos, permitindo a análise em diferentes regimes de volatilidade e ciclos econômicos. Os resultados empíricos demonstram que em períodos de estresse de mercado (janelas de 2 e 3 anos), o modelo LSTM exibiu resiliência defensiva, gerando retornos e Índice Sharpe positivos enquanto o mercado apresentou desempenho negativo. Além disso, o modelo obteve, em todas as janelas de tempo observada, o portfólio com maior retorno total acumulado. Dessa forma, conclui-se que a capacidade das redes LSTM de capturar não-linearidades e dependências temporais de longo prazo oferece uma vantagem competitiva e significativa na gestão quantitativa de ativos, superando as limitações de modelos lineares em ambientes de alta volatilidade, evidenciando que, apesar da complexidade, a implementação de uma rede neural recompensa.