H´a uma grande diversidade de trabalhos na literatura que estudam o problema de predi¸c˜ao no mercado financeiro. Os problemas s˜ao abordados por diferentes t´ecnicas, que variam de m´etodos estat´ısticos a avan¸cados modelos utilizando soft computing, inclusive com modelos h´ıbridos, misturando tais t´ecnicas [6].
Quando observa-se a quantidade de trabalhos que investigam o mercado brasi- leiro, nota-se um n´umero reduzido de pesquisa, vide o trabalho de pesquisa de At- salakis & Valavanis [6], onde apenas um dos trabalhos analisados realiza predi¸c˜oes sobre o Ibovespa.
Zhang [24] apresenta um dos mais completos surveys na ´area de predi¸c˜ao de s´eries temporais, referˆencia at´e hoje em diversos aspectos de arquitetura, topologia e metodologia de implementa¸c˜ao de RNAs com esta finalidade, mesmo sendo um trabalho de 1998. Nele, Zhang apresenta excelente estudo comparativo sobre as conclus˜oes que os trabalhos analisados descrevem. Ele afirma ainda que, apesar de uma quantidade consider´avel de pesquisa ter sido realizada nesta ´area, seus resul- tados n˜ao s˜ao conclusivos sobre se e quando RNAs s˜ao melhores do que os m´etodos cl´assicos para predi¸c˜ao.
O trabalho de Atsalakis e Valavanis [6] tamb´em ´e um grande survey de aplica¸c˜oes de RNA na previs˜ao de s´eries temporais financeiras, em uma ´epoca mais recente (2009). Nele s˜ao reportados mais de cem artigos de diversos autores, e seus resul- tados s˜ao apresentados em cinco tabelas, contendo filtros por: mercado de a¸c˜oes aplicado, vari´aveis de entrada, metodologia e parˆametros utilizados, estudos compa- rativos com diferentes arquiteturas e, por fim, as medidas de performance extra´ıdas desses modelos. Tamb´em se enquadram nesse aspecto de bons surveys os trabalhos de Palywal [50] e Krollner [33].
Mais recentemente, podem ser encontrados trabalhos de diversos autores que buscam realizar as predi¸c˜oes e classifica¸c˜oes das mais variadas formas. Martinez [34] realiza a predi¸c˜ao de high e low e utiliza os valores estimados em um Trading System, com diversas restri¸c˜oes reais do mercado. Em uma linha similar, Gomide [26] realiza um trabalho de predi¸c˜ao sobre o spread entre a¸c˜oes do mesmo setor, tamb´em aplicando os resultados em um sistema de negocia¸c˜ao automatizado, em formato de negocia¸c˜ao em par (pair trading). Outro trabalho que aplica os resultados em pair trading ´e a disserta¸c˜ao de Mestrado de Madhavaram [37], que utiliza SVM em uma estrat´egia sobre a¸c˜oes do setor financeiro e o fundo de ´ındice (ETF) que as representa, chamado XLF.
Como exemplo recente de estudo comparativo, pode-se citar o trabalho de Agrawal & Murarka [46], que realiza a predi¸c˜ao do fechamento em D + 1 para diferentes empresas indianas pertencentes a distintos setores da economia, como: TI, automobilismo e bancos. S˜ao realizadas compara¸c˜oes entre diferentes tipos de RNAs, como Backpropagation Neural Network (BPNN), Radial Basis Function Neu- ral Network (RBFNN), Generalized Regression Neural Network (GRNN) e Layer Recurrent Neural Network (LRNN). J´a o trabalho de Mantri [40], realiza a com- para¸c˜ao de seus resultados de predi¸c˜ao por RNAs MLP e SVM.
H´a trabalhos que utilizam os resultados das RNAs como parte de um sistema maior, que envolve outros indicadores para guiar a disparada de ordens de compra e venda. Em Barroso [11], por exemplo, ´e realizada uma busca por gatilhos de compra e venda de ativos financeiros, baseada em candlesticks de An´alise T´ecnica, aliado a uma estrat´egia com RNAs e simulando as opera¸c˜oes nos momentos indicados pelo algoritmo. Em [56], RNAs s˜ao utilizadas na predi¸c˜ao de valores futuros de ativos no mercado de cˆambio Forex (FX). Os resultados s˜ao utilizados em uma estrat´egia automatizada de forma a evitar o envio de ordens que, dada a estrat´egia j´a existente, n˜ao sejam consistentes com o resultado da rede.
Outros tipos de m´etodos s˜ao tamb´em hibridizados com as RNAs. ´E o caso, por exemplo, dos trabalhos de Anderson [20] e ORTEGA [48], que se utilizam das teorias de Wavelets para processar as s´eries temporais, antes de utilizar como entrada na RNA.
Os dados de entrada destes trabalhos podem vir de diversas fontes. Podem ser ´ındices financeiros mundialmente conhecidos, como: S&P, Nasdaq, DAX, n˜ao limi- tados a estes. Outros exemplos s˜ao os indicadores oriundos da an´alise t´ecnica [33], onde s˜ao analisados indicadores de tendˆencias, revers˜ao de tendˆencias, resistˆencias, suportes e movimentos baseados em volume, n˜ao limitados a estes, mas sempre ba- seados na s´erie hist´orica de pre¸cos do ativo. Ainda, podem-se incluir na predi¸c˜ao valores referentes `a an´alise fundamentalista [20], como dados macroeconˆomicos - tais como ´ındices de infla¸c˜ao, desemprego, PIB etc. - e dados de balan¸cos trimestrais ou anuais das empresas.
´
E poss´ıvel notar a superioridade de trabalhos que utilizam modelos MLP com algoritmo de treinamento backpropagation, caracter´ısticas que foram tamb´em adota- das neste trabalho. O diferencial s˜ao as vari´aveis de sa´ıda adotadas, onde, ao inv´es de se utilizar a cl´assica predi¸c˜ao do pre¸co de fechamento ou a decis˜ao de compra ou venda do ativo, neste trabalho o foco ´e tamb´em a predi¸c˜ao de vari´aveis que auxiliem estrat´egias intradi´arias de investimento, como high, low e order.
Apesar da enorme diversidade de modelos e m´etodos, nenhum destes trabalhos reporta extraordin´arios retornos. Uma possibilidade para tal fenˆomeno ´e teorizada por Granger [27], que sugere um poss´ıvel ”vi´es de informa¸c˜ao”, onde se um m´etodo de previs˜ao que obt´em lucros constantes ´e encontrado, o pesquisador preferir´a lucrar com ele a publicar o estudo.