📈 economia

Does Complexity Improve Forecasting Accuracy? Evidence from Single and Multi-Layer LSTM Models for the BIST 100 Index

Este estudo demonstra que, para a previsão do índice BIST 100 utilizando variáveis técnicas e macroeconômicas, arquiteturas LSTM de camada única mais simples superam modelos de múltiplas camadas mais complexos, sugerindo que a parcimônia melhora a generalização na previsão financeira.

Autores originais: Fatih Mangir, Metehan Ortakarpuz, Abdul-Razak Bawa YUSSIF

Publicado 2026-10-21

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Fatih Mangir, Metehan Ortakarpuz, Abdul-Razak Bawa YUSSIF

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo das finanças, prever o movimento futuro de um índice do mercado de ações é uma tarefa que há muito tempo cativa economistas e investidores da mesma forma. É um desafio enraizado na crença de que, embora os mercados sejam caóticos, eles não são inteiramente aleatórios; padrões ocultos em preços passados, relatórios econômicos e sentimento global podem oferecer um vislumbre do que vem a seguir. Por décadas, pesquisadores confiaram em modelos estatísticos para encontrar esses padrões, mas a ascensão de computadores poderosos introduziu uma nova ferramenta: a inteligência artificial. Especificamente, um tipo de programa de computador conhecido como rede neural, projetado para imitar a maneira como o cérebro humano processa sequências de informações, tornou-se uma escolha popular para este trabalho. A suposição predominante neste campo tem sido frequentemente a de que versões mais complexas desses programas, com camadas mais profundas de processamento, deveriam naturalmente levar a melhores previsões. Afinal, se um modelo simples pode aprender um pouco, um mais intrincado deveria aprender muito mais.

No entanto, um estudo recente focado no índice Borsa Istanbul 100, o principal indicador do mercado de ações turco, desafia essa suposição. Os pesquisadores, Fatih Mangir, Metehan Ortakarpuz e Abdul-Razak Bawa Yussif, propuseram-se a testar se adicionar mais camadas de complexidade a esses modelos de previsão realmente melhora sua precisão. Eles reuniram mais de dois mil e quinhentas diárias de dados de negociação, abrangendo desde o início de 2016 até o final de 2025, um período que incluiu mudanças econômicas globais e locais significativas. Para alimentar seus modelos, eles não confiaram apenas no histórico de preços. Em vez disso, combinaram preços de fechamento diários com uma rica mistura de outras informações, incluindo indicadores técnicos que medem o ímpeto do mercado, níveis de medo globais, a força do dólar americano e fatores econômicos locais, como taxas de juros e desemprego. Antes de treinar seus modelos, eles usaram uma técnica matemática para suavizar as flutuações ruidosas e erráticas dos dados, garantindo que o computador estivesse aprendendo a partir do sinal subjacente, em vez de estática aleatória.

A equipe então construiu duas famílias distintas de modelos para ver qual teria um desempenho melhor. A primeira família consistia em redes simples de camada única, enquanto a segunda família apresentava estruturas mais complexas e de múltiplas camadas, com vários níveis de processamento. Eles treinaram esses modelos para prever o preço de fechamento do dia seguinte, executando o experimento trinta vezes para cada configuração para garantir que os resultados não fossem apenas um golpe de sorte. Os achados foram claros e um tanto contraintuitivos: os modelos simples superaram consistentemente os complexos. O modelo de camada única com apenas dez unidades de processamento alcançou o menor erro médio, enquanto os modelos mais complexos, incluindo aqueles com três camadas, tiveram dificuldade em acompanhar. De fato, a arquitetura mais elaborada produziu os piores resultados de todos, errando o alvo por uma margem ampla.

Este resultado sugere que, no contexto específico de previsão deste índice de mercado emergente, adicionar profundidade à rede neural não ajudou o modelo a aprender melhor; em vez disso, pode ter causado ao modelo o complicar excessivamente a tarefa. Os dados, mesmo após serem limpos e enriquecidos com variáveis globais e locais, continham uma estrutura que era melhor capturada por uma abordagem direta. Os modelos complexos pareciam estar tentando aprender padrões que simplesmente não existiam, efetivamente memorizando o ruído do mercado em vez de seu ritmo real. O estudo indica que, para este tipo de previsão financeira, uma abordagem parcimoniosa — uma que utiliza a complexidade mínima necessária para compreender os dados — é superior. As previsões mais precisas não vieram da máquina mais poderosa, mas daquela que era complexa o suficiente para corresponder à informação disponível.

Os pesquisadores também observaram uma troca interessante em seus resultados. Embora o modelo mais simples tenha sido o mais preciso em média, um modelo de camada única ligeiramente maior, com cinquenta unidades, ofereceu um tipo diferente de benefício: estabilidade. Esta versão produziu resultados que eram quase tão precisos, mas muito mais consistentes entre diferentes execuções de treinamento, sugerindo que, para decisões de investimento práticas, um modelo que seja tanto confiável quanto preciso pode ser a escolha ideal. Em última análise, o estudo serve como um lembrete de que, no reino da previsão financeira, mais nem sempre é melhor. A melhor ferramenta não é necessariamente a mais sofisticada, mas aquela que está perfeitamente alinhada com a natureza dos dados que ela tenta compreender.

Resumo Técnico: A Complexidade Melhora a Precisão da Previsão? Evidências de Modelos LSTM de Camada Única e Multi-Camadas para o Índice BIST 100

Problema de Pesquisa
O estudo aborda uma questão metodológica crítica no aprendizado de máquina financeiro: se o aumento da complexidade arquitetônica — especificamente a profundidade das redes Long Short-Term Memory (LSTM) — necessariamente melhora a precisidade da previsão. Embora se assuma frequentemente que o deep learning supera modelos mais simples devido à maior capacidade de representação, os autores postulam que, em ambientes financeiros ruidosos, particularmente em mercados emergentes como a Turquia, a complexidade excessiva pode levar ao overfitting. A pesquisa foca no índice BIST 100, um indicador de referência que reflete um mercado emergente exposto à instabilidade macrofinanceira doméstica e a choques globais, para determinar se modelos parcimoniosos generalizam melhor do que arquiteturas mais profundas quando a estrutura de informação dos dados é limitada.

Metodologia
O estudo emprega uma estrutura de previsão rigorosa e reprodutível utilizando 2.507 observações diárias do índice BIST 100, de 4 de janeiro de 2016 a 31 de dezembro de 2025.

Dados e Atributos (Features): A variável alvo é o preço de fechamento diário. O conjunto de atributos de entrada inclui indicadores técnicos (MACD, RSI, ATR) e um conjunto multivariado de variáveis globais e macroeconômicas (VIX, USDX, taxas de juros turcas, desemprego e sentimento do consumidor).
Pré-processamento: Para garantir a integridade temporal e minimizar o vazamento de informação (information leakage), os dados foram divididos cronologicamente (80% treinamento, 20% teste) antes de qualquer processamento. Valores ausentes foram imputados por preenchimento progressivo/regressivo (forward/backward fill). Crucialmente, o denoising por wavelet (wavelet de Haar com limiarização VisuShrink) foi aplicado à variável alvo para filtrar o ruído de alta frequência, seguido de normalização Min-Max derivada estritamente do conjunto de treinamento.
Construção de Sequências: Uma janela de retrocesso (lookback window) de cinco dias foi utilizada para criar sequências de aprendizado supervisionado, capturando dependências de curto prazo do mercado.
Arquiteturas de Modelos: Duas famílias de modelos LSTM foram comparadas:
- Camada Única (SL): Configurações com 10, 30, 50, 100, 150 e 200 neurônios.
- Multi-Camadas (ML): Configurações empilhadas incluindo estruturas de duas camadas (ex: 100/50, 150/100) e uma estrutura de três camadas (100/50/20).
Treinamento e Avaliação: Os hiperparâmetros (otimizador, taxa de aprendizado, tamanho do lote) foram ajustados via grid search para cada arquitetura de forma independente. Para considerar a natureza estocástica do treinamento de redes neurais, cada configuração foi avaliada ao longo de 30 replicações independentes com inicializações de pesos aleatórias. O desempenho foi medido usando Erro Quadrático Médio (RMSE), Erro Percentual Absoluto Médio (MAPE) e correlação de Pearson. A significância estatística foi avaliada através do teste t de duas amostras de Welch.

Principais Resultados
Os achados empíricos demonstram uma relação não monotônica entre a complexidade do modelo e a precisão da previsão:

Superioridade da Simplicidade: A LSTM de camada única com 10 neurônios alcançou o menor RMSE médio (231,32) e a maior correlação de Pearson (0,9797), superando significativamente todas as arquiteturas de múltiplas camadas.
Degradação com a Profundidade: O aumento do número de neurônios em modelos de camada única além de 50 levou à deterioração do desempenho, com o modelo de 200 neurônios apresentando os piores resultados. Da mesma forma, as arquiteturas de múltiplas camadas geralmente exibiram taxas de erro mais altas e correlação menor do que suas contrapartes de camada única. O modelo de três camadas (100/50/20) teve o pior desempenho entre todas as configurações.
Troca entre Estabilidade vs. Precisão: Embora o modelo de 10 neurônios tenha oferecido a maior precisão, ele apresentou maior variância entre as replicações. O modelo de camada única de 50 neurônios emergiu como um compromisso robusto, oferecendo precisão próxima da ótima com a maior estabilidade (menor desvio padrão no RMSE).
Significância Estatística: O teste t de Welch confirmou que a diferença de desempenho entre o melhor modelo de camada única (10N) e o benchmark representativo de múltiplas camadas (150/100) foi estatisticamente significativa ( $p < 0,001$ ), com o modelo de camada única proporcionando uma vantagem sistemática de precisão.

Principais Contribuições
O artigo apresenta três contribuições primárias para a literatura:

Estrutura Multivariada: Estabelece uma estrutura de previsão abrangente para o BIST 100 que integra indicadores técnicos com riscos globais e variáveis macroeconômicas domésticas, processadas via denoising por wavelet.
Especificidade Arquitetônica: Diferente de estudos que comparam diferentes famílias de modelos (ex: ARIMA vs. LSTM), esta pesquisa isola o efeito da profundidade arquitetônica dentro da família LSTM, mantendo o conjunto de informações e o horizonte de previsão constantes.
Evidência para a Parcimônia: Fornece evidência empírica em um contexto de mercado emergente de que arquiteturas LSTM mais profundas não melhoram inerentemente o desempenho preditivo. O estudo desafia a suposição de que "mais profundo é melhor", sugerindo que a capacidade do modelo deve ser alinhada com a estrutura informacional dos dados, em vez de ser expandida mecanicamente.

Significância e Alegações
Os autores concluem que, no contexto de previsão de mercados emergentes voláteis, maior complexidade arquitetônica não necessariamente melhora a precisão da previsão. Em vez disso, os resultados apoiam uma abordagem parcimoniosa, onde modelos de camada única mais simples podem melhorar a generalização quando a complexidade do modelo excede a estrutura de informação disponível nos dados.

O estudo enfatiza que, embora os modelos de múltiplas camadas possam oferecer uma estabilidade ligeiramente maior entre as execuções de treinamento, eles falham em capturar as dinâmicas de mercado de forma mais eficaz do que as arquiteturas compactas. Os achados sugerem que, para séries temporais financeiras com janelas de retrocesso curtas e características específicas de ruído, o modelo "ideal" não é o mais complexo, mas sim aquele cuja capacidade é melhor correspondida ao conteúdo informacional dos dados. Os autores alertam que esses achados são específicos ao desenho experimental (janela de retrocesso fixa, preditores específicos e pré-processamento) e não excluem universalmente a utilidade de modelos mais profundos em cenários com dependências temporais mais longas ou conjuntos de informações mais ricos.

Mais como este