Finanças Quantitativas e Machine Learning: Uma Análise Preditiva do Risco Sistêmico em Mercados Emergentes
Quantitative Finance and Machine Learning: A Predictive Analysis of Systemic Risk in EmergingMarkets
DOI:
https://doi.org/10.51473/rcmos.v2i2.2022.1233Palavras-chave:
Finanças Quantitativas; Machine Learning; Risco Sistêmico; Mercados Emergentes; Inteligência Artificial; Value-at-Risk; Deep LearningResumo
Este artigo científico investiga o papel dos algoritmos de aprendizado de máquina, como redes neurais profundas e random forests, na antecipação de riscos sistêmicos em mercados financeiros emergentes. Utilizando dados de séries temporais de alta frequência e modelos estatísticos robustos, compara-se a performance de técnicas tradicionais (GARCH, VAR) com abordagens baseadas em machine learning para estimativas de Value-at-Risk (VaR), Expected Shortfall e CoVaR. Simulações de Monte Carlo e análises de sensibilidade são empregadas para validação dos modelos. Ademais, discute-se o viés algorítmico e as implicações éticas da automação de decisões em mercados voláteis. O estudo fundamenta-se em autores como Nouriel Roubini, Nassim Taleb, John Hull e Marcos López de Prado, buscando ampliar o debate entre eficiência preditiva, risco financeiro e responsabilidade algorítmica.
Downloads
Referências
ARRETA, A. B. et al. Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. Information Fusion, v. 58, p. 82-115, 2020. DOI: https://doi.org/10.1016/j.inffus.2019.12.012
ENGLE, R. F. Autoregressive conditional heteroskedasticity with estimates of the variance of United Kingdom inflation. Econometrica: Journal of the Econometric Society, p. 987–1007, 1982. DOI: https://doi.org/10.2307/1912773
HULL, J. C. Risk Management and Financial Institutions. 4. ed. Hoboken: Wiley, 2015. IMF. International Monetary Fund. Global Financial Stability Report: Markets in the Time of COVID-19. Washington, D.C., 2020.
LÓPEZ DE PRADO, M. Advances in Financial Machine Learning. Hoboken: Wiley, 2018. DOI: https://doi.org/10.2139/ssrn.3365271
O'NEIL, C. Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. New York: Crown Publishing, 2016.
ROUBINI, N.; MIHM, S. Crisis Economics: A Crash Course in the Future of Finance. New York: Penguin Press, 2008.
TALEB, N. N. The Black Swan: The Impact of the Highly Improbable. New York: Random House, 2010.
Downloads
Arquivos adicionais
Publicado
Edição
Seção
Categorias
Licença
Copyright (c) 2022 Fernando Ferreira Leite (Autor)
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Este trabalho está licenciado sob a Licença Creative Commons Atribuição 4.0 Internacional (CC BY 4.0). Isso significa que você tem a liberdade de:
- Compartilhar — copiar e redistribuir o material em qualquer meio ou formato.
- Adaptar — remixar, transformar e construir sobre o material para qualquer propósito, inclusive comercial.
O uso deste material está condicionado à atribuição apropriada ao(s) autor(es) original(is), fornecendo um link para a licença, e indicando se foram feitas alterações. A licença não exige permissão do autor ou da editora, desde que seguidas estas condições.
A logomarca da licença Creative Commons é exibida de maneira permanente no rodapé da revista.
Os direitos autorais do manuscrito podem ser retidos pelos autores sem restrições e solicitados a qualquer momento, mesmo após a publicação na revista.
