Impacto do horizonte histórico de dados no desempenho preditivo e financeiro de redes neurais do tipo LSTM

um estudo de caso com ativos bancários brasileiros

Resumo

Este trabalho investigou o impacto do horizonte histórico de dados no desempenho de modelos preditivos baseados em redes neurais do tipo Long Short-Term Memory (LSTM) aplicados ao mercado financeiro. Foram analisados cinco ativos do setor bancário brasileiro, utilizando dados diários obtidos por meio da biblioteca Yahoo Finance. O estudo comparou duas configurações experimentais, com cinco e dez anos de dados históricos, avaliadas por divisão cronológica entre conjuntos de treinamento e teste. O desempenho preditivo foi analisado por métricas de regressão, incluindo RMSE, MAE, MAPE e R², enquanto o desempenho financeiro foi avaliado por meio de backtesting com diferentes estratégias de negociação e comparação com a estratégia Buy & Hold. Os resultados indicaram que, para os ativos com histórico completo, o horizonte de dez anos esteve associado a melhor desempenho preditivo na maior parte das métricas avaliadas. No entanto, o impacto financeiro variou conforme o ativo e a estratégia adotada, indicando que maior aderência preditiva não garante, isoladamente, maior retorno operacional. Conclui-se que a ampliação do horizonte histórico pode favorecer a capacidade de generalização dos modelos LSTM no cenário analisado, embora não seja possível isolar, com o desenho experimental adotado, se esse efeito decorre apenas do maior volume de observações ou também da maior diversidade de regimes de mercado presente no período mais longo.