Volatilidade implícita do petróleo: análises em aprendizado de máquina e métodos tradicionais

Abstract

A volatilidade implícita é a medida utilizada em mercados financeiros para se calcular o risco futuro envolvido em um dado conjunto de ativos. Realizar previsões eficientes deste índice ao longo do tempo contribui para que se aprimore o processo de tomada de decisão de investidores. Este trabalho busca compreender se a rede neural recorrente profunda Deep Convolutional Long-short Term Memory (DCLSTM) produz previsões mais precisas da volatilidade implícita do mercado financeiro de petróleo norte-americano quando comparada aos modelos ARMA, ARMA-GARCH e VAR em econometria de séries de tempo. Os modelos selecionados como melhores candidatos de arquitetura da rede neural contaram todos com camada convolucional e foram treinados com adicional de um algoritmo genético. A rede neural apresentou performance de previsão da volatilidade implícita superior em todos os contextos quando comparada aos demais modelos. Palavras-chave: Petróleo. DCLSTM. Macroeconomia. WTI. Séries de Tempo.Implied volatility is the measure used in financial markets to calculate the future risk involved in a given set of assets. Making efficient forecasts of this index over time helps to improve the decision-making process of investors. This paper seeks to understand whether the Deep Convolutional Long-short Term Memory (DCLSTM) deep recurrent neural network produces more accurate predictions of the implied volatility of the US oil financial market when compared to the ARMA, ARMA-GARCH and VAR models in series econometrics of time. The models selected as the best neural network architecture candidates all had a convolutional layer and were trained with the addition of a genetic algorithm. The neural network showed superior implicit volatility prediction performance in all contexts when compared to other models. Keywords: Oil. DCLSTM. Macroeconomics. WTI. Time series.