Impacto da pandemia de COVID-19 no IBOVESPA
uma análise estatística com os modelos de machine learning PROPHET e AUTOARIMA
Palavras-chave:
Modelagem Estatística, Séries temporais, PrevisãoResumo
Este trabalho analisou o impacto da pandemia de covid-19 no ano de 2020 nas ações brasileiras utilizando o índice Bovespa e identificou outliers nos dados. Também observou uma tendência de estabilidade nos anos seguintes, indicando recuperação econômica. A sazonalidade nos padrões regulares foi identificada e representada em gráfico de linhas, destacando-se as menores medianas nos meses de junho e julho. Os modelos Prophet e autoARIMA foram usados para previsão, e os resultados foram avaliados usando várias métricas de erro, incluindo RMSE, MAE, SMAPE, MAPE, MASE e RSQ. Embora o modelo Prophet tenha melhor desempenho com os dados diferenciados, o modelo AutoARIMA teve melhor desempenho com os dados originais e log1p transformados. O estudo é relevante para entender o impacto da pandemia nas bolsas brasileiras e como os modelos de previsão podem ser utilizados para auxiliar na tomada de decisão.
Referências
Antonio Costa, Cristiano da Silva, Paulo Matos (2022). The Brazilian financial market
reaction to COVID-19: A wavelet analysis. International Review of Economics & Finance,
Volume 82, Pages 13-29. Available at: https://doi.org/10.1016/j.iref.2022.05.010.
Accessed on: 20 Feb. 2024.
B3. Índice Ibovespa. Available at: Link to acess. Accessed on:21 feb. 2023.
B3. Calendário de negociação. Available at: Link to acess. Accessed on: 21 feb. 2023.
Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis:
Forecasting and Control (5th ed.). Hoboken, NJ: John Wiley & Sons. ISBN 978-1118675021.
FGV. COVID-19 E MERCADO FINANCEIRO. Rio de Janeiro: FGV, 2020. Available
at:Link to acess. Accessed on: 21 feb. 2023.
HYNDMAN, R. J.; KHANDAKAR, Y. Automatic Time Series Forecasting: the forecast
package for R. Journal of Statistical Software, v. 27, n. 3, p. 1-22, 2008.
IBM Cloud Education. Machine Learning. Available at:
https://www.ibm.com/br-pt/cloud/learn/machine-learning. Accessed on: 03 jan. 2023.
Liu, Z. A. Berkeley elementary function test suite. M.S. thesis, Computer Science Division,
Department of Electrical Engineering and Computer Science, University of California at
Berkeley, Berkeley, CA, USA, December 1987.
LUCIA, F. A. V. A. V. Manual de econometria. Vasconcelos, MAS; Alves, D. S ̃ao Paulo: ́
Editora Atlas, 2000.
MONTGOMERY, D. C.; JENNINGS, C. L.; KULAHCI, M. Introduction to time series
analysis and forecasting. [S.l.]: John Wiley & Sons, 2015.
MORETTIN, P. A.; TOLOI, C. An ́alise de s ́eries temporais. In: An ́alise de s ́eries temporais.
[S.l.: s.n.], 2006. p.
Nielsen, A. (2021). Análise Prática de Séries Temporais. S ̃ao Paulo: Alta Books.
Facebook. Prophet: Forecasting at Scale. Available at:
https://facebook.github.io/prophet/. Accessed on 13 feb. 2023.
Ghosh, I., Dragan, P. Can financial stress be anticipated and explained? Uncovering the
hidden pattern using EEMD-LSTM, EEMD-prophet, and XAI methodologies. Complex Intell.Syst. 9, 4169–4193 (2023). https://doi.org/10.1007/s40747-022-00947-8. Accessed on:
Feb. 2024
R CORE TEAM. R: a language and environment for statistical computing. R Foundation for
Statistical Computing: Vienna, Austria. Available at http:www.R-project.org, 2021.
Sharma, K., Bhalla, R., & Ganesan, G. (2022). Time Series Forecasting Using FB-Prophet.
Available at: https://ceur-ws.org/Vol-3445/PAPER_07.pdf. Accessed on: 20 Feb. 2024.
SHUMWAY, R.; STOFFER, D. Time series analysis using the R Statistical Package.[S.l.]: free
dog publishing, 2017.
Taylor, S. J., & Letham, B. (2017). Prophet: forecasting at scale. Facebook Research.
Available at: https://research.facebook.com/blog/2017/02/prophet-forecasting-at-scale/. Accessed on: 21 feb. 2023.
Yahoo! Finanças. IBOVESPA (ˆBVSP). Available at: https://br.financas.yahoo.com/quote/%5EBVSP/history/. Accessed on: 31 Dec. 2022.
Yusof, U.K., Khalid, M.N.A., Hussain, A., Shamsudin, H. (2021). Financial Time Series Forecasting Using Prophet. In: Saeed, F., Mohammed, F., Al-Nahari, A. (eds) Innovative Systems for Intelligent Health Informatics. IRICT 2020. Lecture Notes on Data Engineering
and Communications Technologies, vol 72. Springer, Cham. Available at: https://doi.org/10.1007/978-3-030-70713-2_45. Accessed on: 20 Feb. 2024.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Proposta de Política para Periódicos de Acesso Livre
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
