摘要：Quando investidores decidem se aventurar pelo mercado de renda variável, como no mercado de ações, buscam um método que proporcione mais segurança durante a tomada de decisão. Na prática, não há como saber quais ativos se tornarão um investimento lucrativo nem se a predição de um método é melhor que a de outro. Diante disso, este artigo apresenta o desenvolvimento de um método heurístico, utilizando como variáveis de transição o volume negociado e o próprio retorno defasado. Após o desenvolvimento e a aplicação da rede neural, o resultado é confrontado com a predição de um modelo linear, utilizando alguns critérios de avaliação propostos posteriormente. O método heurístico, que conta com uma rede neural multilayer perceptron , treinada com o algoritmo de retropropagação de erro, foi comparado com um modelo autorregressivo de médias móveis (ARMA). Com base nos resultados, pode-se perceber que, embora os dois procedimentos tenham um desempenho satisfatório, a rede neural possui um poder de explicação maior do que aquele dos modelos ARMA.
其他摘要：When investors decide to venture into stock markets they search for a method that provides reliability to support their decision making process even though there is no means to know empirically with certainty which stocks will become profitable investments and which prediction method is the best to discover this. This article presents the development of a heuristic method that employs the trading volume and return lagged as transitions variables. Using assessment criteria proposed further, the result obtained by the development and application of the neural network is compared with the prediction extracted from a linear model. The heuristic method, that has a neural network multilayer perceptron trained with an algorithm for back propagation error, is then compared with an autoregressive moving average (ARMA) model. The results point out that the neural network offers a greater explanation power than ARMA models, even though neither approach presents a satisfactory performance.
