CF News

Edio n 03 - Junho / 2014

N e w s l e t t e r Tr i m e s t r a l d o C l u b e d e Fi n a n a s d a U F S C

Pgina 1 de 8

Aula Magna e
novos membros
Redes Neurais e
suas previses

CF UFSC retoma
atividades com novos
membros e Aula Magna

Papel estratgico
da profisso de R.I
Parceria com IBRI
Site, seleo
e novidades

O primeiro semestre do
ano comeou com muitas
atividades para o Clube de
Finanas da UFSC. Foram
11 novos membros aceitos
no ltimo processo seletivo
que contou com mais de
100 candidatos; um recorde
para o clube que demonstra
o interesse da comunidade
acadmica pela rea de
finanas. Os encontros
j esto acontecendo e
levando aprendizado e
troca de experincia a
todos os seus membros.
Organizado pelos membros
do clube, a Aula Magna
para este semestre contou
com a participao do
professor Andr Portela, do
departamento de EconomiaUFSC. O professor apresentou

um panorama geral sobre

o mercado financeiro,
oportunidades para futuros
profissionais e destacou a
evoluo do expertise dos
alunos de graduao e ps
nas reas quantitivas e de
finanas: Hoje a impresso
que se tm da UFSC que
um centro de excelncia
em finanas. O professor
tambm destacou os esforos
do Clube de Finanas da
UFSC e a boa colocao no
CFA Challenge 2013, aonde
a UFSC foi ranqueada em
3 lugar, sendo a melhor
instituio pblica no ranking.

O Aluno
formado
na UFSC
tem um
Q a mais,
tem um
tempero
Professor Dr.
Andr Portela

O semestre vem com

muito estudo pela frente
e a CF News continuar
trazendo informao
regular e interessante.

www.cfufsc.com.br | www.facebook.com/cfufsc

CF News
Edio n 03 - Junho / 2014

N e w s l e t t e r Tr i m e s t r a l d o C l u b e d e Fi n a n a s d a U F S C

Pgina 2 de 8

Aula Magna e
novos membros

As Redes Neurais
e suas previses
Por Kinn Hara

Redes Neurais e
suas previses

Segundo ele, jamais se

deixar de fazer previses, independentemente dos equvocos
que vierem a ser cometidos.
uma necessidade arraigada
na natureza humana. [...]. Nem
mesmo contnuas previses
erradas podem deter a busca
da inatingvel prescincia 3.
Dessa forma, continua
o autor, ao antecipar os
eventos, os agentes estaro mais preparados para
reagir a eles de maneira a
melhorar nossas vidas.

Papel estratgico
da profisso de R.I
Parceria com IBRI
Site, seleo
e novidades

Kinn Hara membro

do Clube de Finanas e
aluno do curso de Cincias
Econmicas-UFSC

1
What is big data?
Disponivel em < http://
www-01.ibm.com/
software/data/bigdata/
what-is-big-data.html>.
Acesso em 15/03/2014

2
SILVER, Nate.
O sinal e o rudo: por
que tantas previses
falham e outras no.
1. Ed. - Rio de Janeiro:
Intrnseca, 2013

3
GREENSPAN, Alan.
O mapa e o territrio:
risco, natureza humana
e o futuro das previses.
1. Ed. - So Paulo:
Portfolio-Penguin, 2013

A dinmica do mundo
contemporneo faz com que
o avano da tecnologia da informao alcance de maneira
extraordinria tudo aquilo
que nos cerca, produzindo
quantidades de dados numa
velocidade que muitas vezes
demora a ser processada.
Segundo clculos da IBM,
so produzidos diariamente
2,5 quintilhes de bytes de
dados, os quais so provenientes de todos os lugares,
sejam registros de transaes
comerciais, sensores que
captam informaes climticas, sinais de celulares GPS,
mercado financeiro, entre
muitos outros 1. No entanto,
embora essa quantidade
absurda de informaes e
nmeros esteja disponvel,
por si s no dizem nada, ou
seja, preciso interpret-los
de maneira que sirvam aos
nossos interesses e desvincu-

ladas de realidade objetiva 2.

O homem, com o intuito de
controlar todo o ambiente no
qual est inserido, s vezes
acaba fazendo uso desses
dados de maneira equivocada, interpretando como sinal
aquilo que na verdade um
rudo, enxergando padres
onde h aleatoriedade. Assim,
processar as informaes
de maneira coerente para
que sejam utilizadas em
beneficio prprio, de modo a
entender o passado e prever
o futuro, constitui um tema
central na vida do homem.
O Maestro, assim como
conhecido Alan Greenspan,
ex-presidente do Banco Central dos EUA, na introduo
do seu ltimo livro (O Mapa
e o Territrio), faz uma breve
sntese daquilo que motiva
o homem a fazer previses.

No entanto, as previses, tal

como so realizadas hoje,
levaram um grande tempo
para chegar ao estgio em
que se encontram, estando
ainda situadas em algum
ponto do incio de uma curva
de aprendizagem. A busca da
verdade, portanto, considerada por alguns como o
primeiro passo para melhores previses, uma vez que
instiga o contnuo aprimoramento daquilo que se possui
e assim chegar a algo que
possa ser considerado timo.
So diversos os modelos
utilizados para a execuo
de tal atividade preditiva, h
aqueles que preferem os modelos lineares como tambm
h aqueles que preferem
os modelos no lineares,
sendo que o uso de cada
modelo depende de diversos
fatores, como por exemplo,
as caractersticas dos dados
que esto sendo analisados.

www.cfufsc.com.br | www.facebook.com/cfufsc

CF News
Edio n 03 - Junho / 2014

N e w s l e t t e r Tr i m e s t r a l d o C l u b e d e Fi n a n a s d a U F S C

Pgina 3 de 8

Aula Magna e
novos membros
Redes Neurais e
suas previses
Papel estratgico
da profisso de R.I
Parceria com IBRI
Site, seleo
e novidades

GLEISER, Ilan.
Caos e complexidade:
a evoluo do pensamento
econmico. Rio de
Janeiro: Campus, 2002

Partindo de uma viso newtoniana, a compreenso do que

est ao redor pode se dar na
forma matemtica, onde um
conjunto de equaes com
as variveis determinantes do
sistema permitem entender o seu comportamento.
Sabendo as condies iniciais,
as equaes diro qual ser
o estado do sistema em um
ponto futuro do tempo 4. Isso,
porm, possui um carter
reducionista, uma vez que
busca representar a realidade
atravs de equaes simples.
Considerando, como exemplo, o sistema econmico e
a sua evoluo ao longo dos
sculos, o que se observa
que esse muito complexo
para que tal modelo reducionista possa represent-lo a
partir de modelos e equaes lineares, os quais no
conseguem modelar todas
as peculiaridades do sistema.
Assim, o surgimento da teoria
do caos por volta de 1960
permitiu visualizar a economia de maneira diferente
medida que apontava para
um comportamento de natureza complexa, contribuindo
de maneira significativa para
a evoluo do pensamento
econmico e entendimento
da economia como um todo.
Foi o meteorologista americano Edward Lorenz o primeiro
a estudar abertamente o
comportamento de sistemas
caticos. Na dcada de 60,
trabalhando no Massachusetts
Institute of Technology, construiu um grande computador
com o intuito de compreender os padres das mudanas
na atmosfera. Se dedicando,
ento, em um problema de
previso do tempo, Lorenz
trabalhava com um modelo
simples de doze equaes
para representar as variaes dos padres climticos.

Porm, ao tentar reproduzir

uma sequncia de dados,
forneceu ao sistema as condies iniciais, mas deixou de
lado os trs ltimos dgitos
da srie que queria copiar,
utilizando 0,506 ao invs de
0,506127 4. Aps um tempo,
o meteorologista viu que o
seu sistema, at certo ponto,
havia produzido um sequncia de dados parecida com
aquela que tentava reproduzir, mas aps um perodo
passava a se comportar de
maneira totalmente divergente (figura abaixo). Com isso,

diferente do que se pensava,

demonstrou que pequenas
alteraes nas condies
iniciais podem acarretar grandes mudanas no resultado
final, o que ficou conhecido
como Efeito Borboleta.
dele a clebre explicao:
O bater de uma nica asa de
borboleta hoje produz uma
minscula alterao no estado
da atmosfera. Aps certo
tempo, o que esta efetivamente
faz diverge do que teria feito,
no fosse aquela alterao.
Assim, ao cabo de um ms,
um ciclone que teria devastado o litoral da Indonsia no
acontece. Ou acontece um
que no iria acontecer 4.

Exemplo do que
Lorenz encontrou
Fonte: Gleiser, 2002

Assim sendo, a percepo

de que o sistema econmico
possui caractersticas complexas que tornam intrincada
a sua composio, uma vez
que assume propriedades
como, por exemplo, o efeito
feedback, abriu espao para
novas pesquisas, as quais serviriam para melhorar a representao da realidade. Com
isso foi possvel construo
de novos modelos de previso elaborados com equaes no lineares, as quais
permitem modelar esses
sistemas que so considerados dinmicos e complexos.

www.cfufsc.com.br | www.facebook.com/cfufsc

CF News
Edio n 03 - Junho / 2014

N e w s l e t t e r Tr i m e s t r a l d o C l u b e d e Fi n a n a s d a U F S C

Pgina 4 de 8

Aula Magna e
novos membros
Redes Neurais e
suas previses
Papel estratgico
da profisso de R.I
Parceria com IBRI
Site, seleo
e novidades

5
MCNELIS, Paul D.
Neural Networks
in finance: gaining
predictive edge in
the market. EUA:
Elsevier, 2005

PORTELA, Andr.
Previso no linear
da taxa de cmbio
real/dlar utilizando
redes neurais e
sistemas nebulosos.
Florianpolis, 2005.
Dissertao (Mestrado
em Economia) Universidade Federal
de Santa Catarina.
7
GAZONI, Pedro L.
Redes Neurais:
aplicaes em finanas
- Relatrio final. Projeto
de Inicao Cientifica.
So Paulo: 1999

A estrutura de redes neurais, ao simular

o modo como o crebro funciona,
trata no linearmente os problemas
que se mostram no lineares
O desenvolvimento e o aprimoramento das previses se
deram graas ao desenvolvimento da tecnologia computacional, onde softwares cada
vez mais sofisticados facilitaram a estimao dos mais
variados tipos de modelo.
No mercado financeiro o uso
dessa tecnologia provocou
grandes impactos, uma vez
que a evoluo da computao permitiu, alm da armazenagem, usar grandes quantidades de dados para prever
o comportamento futuro de
um determinado ativo. Alm
disso, destilar os dados para
compreender o que eles tm
a dizer no produto de um
simples capricho, mas um
passo fundamental para a tomada de decises, ainda mais
se se levar em considerao
a competio exacerbada do
mercado e o intenso fluxo de
capitais ao redor do mundo.
A sofisticao dos produtos
financeiros e a crescente demanda na negociao de derivativos, por exemplo, requer
uma precificao cada mais
vez acurada desses ativos,
assim como a classificao de
investimentos, o nvel de risco
e retorno e as oportunidades
de concesso de emprstimos so tarefas presentes em
qualquer instituio financeira e que requerem aprimoramento constante atravs de
ferramentas mais completas.
Como ressalta McNelis, organizations would like to be able

to discriminate good from bad

risks by identifying key characteristics of investment candidates. [...]. Similarly, organizations may desire a ner grid for
discriminating, from very low,
to medium, to very high unacceptable risk, to manage exposure to dierent types of risk 5.
Considerando essas necessidades que se impem frente administrao financeira
das companhias, o uso de
Redes Neurais (RNs) Artificiais
como modelo de previso
vem ganhando espao em
decorrncia da grande quantidade de estudos que mostram sua robustez medida
que apresentam melhores
resultados para previses
futuras ou fora da amostra, ou
seja, a comparao entre resultados de modelos lineares
tais como Autorregressivos
(AR) ou de Mdia Mvel
(MA), com os resultados de
modelos no lineares, favorecem o uso desses ltimos.
E, embora os resultados
possam ser controversos, as
evidncias corroboram cada
vez mais com um consenso.
Alm disso, a utilizao de
modelos no lineares permite
que seus usurios deem
um passo na superao de
algumas premissas impostas
por modelos mais simples, tal
qual a da distribuio normal,
quando na verdade a maioria
dos dados financeiros possui
uma distribuio leptocrtica

em decorrncia das aglomeraes de volatilidade

causadas por eventos extremos. Assim, researchers need
no longer conne themselves
to linear or log-linear models,
or assume that underlying
stochastic processes are
Gaussian or normal in order to
obtain forecasts and pinpoint
riskreturn trade-os 5.
Seguindo a definio de
Haykin apud Portela, as redes
neurais artificiais so estruturas computacionais elaboradas para reproduzir de forma
rudimentar o modo como o
crebro humano desenvolve
uma determinada tarefa 6.
Elas se caracterizam pela sua
flexibilidade e diversidade
de operaes, estruturando
relaes no lineares entre
os dados de entradas e os
de sada. Ademais, outra
importante caracterstica
a sua habilidade de aprendizagem, favorecendo aquelas
situaes em que poucas
decises so baseadas em
uma extensa quantidade de
dados. Assim, uma RN pode
ser entendida como uma
tcnica de processamento de
dados a mapear, ou relatar,
um tipo de entrada ou fluxo
de informao para a produo de um fluxo de sada 7.

www.cfufsc.com.br | www.facebook.com/cfufsc

CF News
Edio n 03 - Junho / 2014

N e w s l e t t e r Tr i m e s t r a l d o C l u b e d e Fi n a n a s d a U F S C

Pgina 5 de 8

Aula Magna e
novos membros
Redes Neurais e
suas previses
Papel estratgico
da profisso de R.I
Parceria com IBRI
Site, seleo
e novidades

Rede Neural Artificial

Fonte: McNelis, 2005

A figura acima permite

visualizar um neurnio artificial (do tipo feedforward
networks), onde os valores de x so as entradas,
n1 e n2 so os neurnios
contidos na camada oculta
(as redes podem conter
mais de uma camada) e
y o valor de sada do
neurnio, caracterizando
o que conhecido como
transformao logstica. As
setas indicam os processos
chamados de sinapses.

5
MCNELIS, Paul D.
Neural Networks
in finance: gaining
predictive edge in
the market. EUA:
Elsevier, 2005

8
RUSTICHINI, Aldo. et al.
A Brain Imaging Study
of the Choice Procedure.
Working Paper, Department
of Economics, University
of Minnesota, 2002

Nota-se tambm o que

chamado de processamento
paralelo, pois ao contrrio
dos sistemas lineares, em
que somente as variveis
de entrada observadas
so utilizadas para prever
os resultados de sada, os
neurnios localizados na
camada oculta processam
em paralelo os dados de
entrada para melhorar as
previses. Segundo McNelis,
as camadas ocultas, apesar
do nome duvidoso, so uma
maneira muito eficiente
para modelar processos
estatsticos no lineares 5.
Num contexto econmico e

financeiro, as combinaes
das variveis de entrada
em vrios dos neurnios da
camada oculta podem ser
interpretadas, por exemplo,
a partir do fato de que o valor da taxa de juros corrente
e passada afetam o desenvolvimento da economia
atravs das expectativas
subjetivas dos agentes, expectativas, por sua vez, formadas a partir da conexo
de diversos neurnios do
crebro humano com toda a
disponibilidade de informaes e conhecimentos 5.
Dessa forma, a modelagem
do processo de tomada de
decises a partir das redes
neurais est baseada no
princpio da segregao funcional, ou seja, nem todas
as funes do crebro so
desempenhadas pelo crebro como um todo. Rustuchini et al, atravs de dados
experimentais e imagens
cerebrais, puderam concluir
que os agentes tomam decises baseados em aproximaes, principalmente em
situaes que requerem um
curto tempo de resposta 8.

O modelo de RN representado acima apenas uma

das diversas formas de redes
possveis, podendo conter
mais camadas ocultas e
diferentes tipos de sinapses,
como o caso das redes em
que as variveis de entrada
tambm fazem ligao direta com o resultado de sada
e assim permitem que uma
funo no linear tenha tanto um componente linear
como um no linear. Cada
modelo possui uma forma
funcional que se adqua de
forma mais coerente com
a estrutura e caracterstica
do objeto que se estuda.

www.cfufsc.com.br | www.facebook.com/cfufsc

CF News
Edio n 03 - Junho / 2014

N e w s l e t t e r Tr i m e s t r a l d o C l u b e d e Fi n a n a s d a U F S C

Pgina 6 de 8

Aula Magna e
novos membros
Redes Neurais e
suas previses
Papel estratgico
da profisso de R.I
Parceria com IBRI
Site, seleo
e novidades

Erros dos modelos de

caos estocstico
Fonte: McNelis, 2005

5
MCNELIS, Paul D.
Neural Networks
in finance: gaining
predictive edge in
the market. EUA:
Elsevier, 2005

A titulo de exemplificao,
os grfico 1 e 2 abaixo mostram os erros que foram previstos dentro da amostra e
fora da amostra, respectivamente. Os erros so de um
modelo de caos estocstico
estimado tanto com uma
rede neural como com um
modelo linear (os dados do
modelo so artificiais). Lembrando que os erros de um
modelo se do pela diferena entre os valores previstos
e os observados. As linhas
slidas so referentes ao
modelo linear e as pontilhadas referentes rede neural.

previses semelhantes no
se que se refere aos erros.

Nesse modelo possvel

visualizar como a rede
neural produz resultados
superiores em relao ao
modelo linear. importante
ressaltar, contudo, que em
alguns casos os resultados
de ambos os modelos no
so muito divergentes, ou
seja, tanto os lineares quanto
os no lineares apresentam

da amostra para fazer um

teste quanto a qualidade de
ajuste do modelo, podendo dessa forma observar o
comportamento dos erros 5.

Para se chegar a resultados

como os expostas acima, de
acordo com McNelis, preciso gerar uma srie temporal
atravs de uma equao
como um termo estocstico
(ou aleatrio), aps o que se
deve ajustar a rede neural e o
modelo linear com tcnicas
de busca para problemas de
otimizao, como o Algoritmo Gentico e o mtodo
Quasi-Newton. Tudo isso, por
sua vez, elaborado a partir de
um software interativo. Alm
disso, o autor separa 20%

A estrutura das redes neurais,

com suas camadas ocultas,
ento, ao simular o modo
como o crebro funciona,
busca levar em considerao
as interaes que ocorrem

na mente para a formao

das expectativas a partir
do que est armazenado e
constitui o conhecimento,
como experincias passadas,
educao, etc. Seu objetivo
fazer previses mais acuradas e tornar os processos
de tomada de deciso mais
eficientes medida que trata
no linearmente os problemas que se mostram no
lineares, conferindo aos que
utilizam esse modelo quilo
que parecem ser vantagens
frente aos demais que fazem
usos de modelos menos
sofisticados. Assim, o intuito
desse breve artigo foi apenas

tangenciar os mais diversos

e interconectados assuntos.
Cabe ao leitor instigar seu interesse e buscar novas fontes
de informaes para aprofundar o que aqui foi tratado,
trabalhando com toda a magnitude que o assunto das
Redes Neurais em Finanas.

www.cfufsc.com.br | www.facebook.com/cfufsc

CF News
Edio n 03 - Junho / 2014

N e w s l e t t e r Tr i m e s t r a l d o C l u b e d e Fi n a n a s d a U F S C

Pgina 7 de 8

Aula Magna e
novos membros
Redes Neurais e
suas previses
Papel estratgico
da profisso de R.I
Parceria com IBRI
Site, seleo
e novidades

Relaes com Investidores

desempenha papel
estratgico nas empresas
Profisso fundamental para as companhias que
desejam manter o dilogo aberto com investidores,
atuais e potenciais, bem como o mercado em geral.

A profisso de RI (Relaes
com Investidores) ainda
recente no Brasil, tendo
o registro dos primeiros
profissionais nas dcadas de
1970 e 1980, porm o seu
desenvolvimento e evoluo
aconteceram nos finais dos
anos 1990, especialmente
com a fundao do IBRI (Instituto Brasileiro de Relaes
com Investidores), em 1997.
Nas ltimas duas dcadas,
a profisso de RI deixou de
lado uma posio de apenas
cumprir a legislao para
ocupar uma posio estratgica dentro das companhias.
No passado cabia ao DRI (Diretor de Relaes com Investidores) a prestao de informaes CVM e ao pblico
investidor. Hoje, alm de ser
a ponte entre a empresa e o
mercado de capitais (local e/
ou internacional) e abastecer
ininterruptamente com informaes de interesse todos os
pblicos da empresa, o RI
um estrategista do mercado
em que sua organizao est
inserida e profundo conhecedor da sua companhia.
O profissional de Relaes
com Investidores precisa ter
conhecimentos que o tornam
nico dentro e fora da organizao. Ele precisa saber interagir com a mesma clareza com

todos os pblicos da companhia, ou seja, deve saber se

comunicar com os colaboradores da empresa em seus
diversos nveis hierrquicos,
alm de investidores, acionistas, analistas, imprensa, dentre
outros pblicos de interesse.
O RI deve dominar tambm
ao menos a lngua inglesa.
Conhecimentos em Finanas,
Contabilidade, Comunicao
e Legislao so essencias
para esse profissional, alm
de conhecer muito bem do
mercado de sua empresa.
Nesse sentido, o IBRI contribui
para a formao e valorizao
do profissional de RI por meio
de cursos, palestras e eventos,
presenciais e distncia.
Um exemplo que no ano
passado a entidade deu incio
ao processo de certificao
do RI com o objetivo de atender crescente necessidade
de profissionalizao com
agilidade e competncia.

(Associao Brasileira das

Companhias Abertas).
O 16 Encontro Nacional de
Relaes com Investidores e
Mercado de Capitais ocorrer,
em 22 e 23 de julho de 2014,
em So Paulo (SP). Neste
ano, o Encontro Nacional vai
tratar, entre outros temas, de
macroeconomia e mercado de capitais na Amrica
Latina; inteligncia de RI nas
empresas, focando tambm
a experincia internacional e gesto de crise.
Informaes sobre o IBRI
e a profisso de RI esto
disponveis em:
www.ibri.com.br/home/
Para informaes sobre o
16 Encontro Nacional de
Relaes com Investidores e
Mercado de Capitais acesse:
www.encontroderi.com.br/
16/index.htm

Outra ao do IBRI de grande

relevncia o constante
incentivo a seus associados
para a troca constante de
experincias e expandirem o
networking no mercado por
meio do Encontro Nacional
de RI e Mercado de Capitais, evento promovido em
conjunto com a ABRASCA

www.cfufsc.com.br | www.facebook.com/cfufsc

CF News
Edio n 03 - Junho / 2014

N e w s l e t t e r Tr i m e s t r a l d o C l u b e d e Fi n a n a s d a U F S C

Pgina 8 de 8

Aula Magna e
novos membros

Clube de Finanas em
parceria com o IBRI
O Clube de Finanas renovou
a parceria com o IBRI (Instituto
Brasileiro de Relaes com
Investidores) j estabelecida
em 2013. A parceria busca
agregar conhecimento aos
estudantes sobre a profisso
de relaes com investidores,
alm de proporcionar
oportunidades aos estudantes
de participarem de eventos
nacionais e terem contato
com profissionais da rea.

Redes Neurais e
suas previses
Papel estratgico
da profisso de R.I
Parceria com IBRI
Site, seleo
e novidades

Mais novidades
em breve!
Apoio Institucional

Os membros esto expandindo as atividades do Clube

de Finanas e as novidades
estaro disponveis em
breve no site.

Gostaria de fazer parte do

grupo? O Clube de Finanas
abre inscries semestralmente tambm atravs do
site, ento fique atento a
www.cfufsc.com.br/

www.cfufsc.com.br | www.facebook.com/cfufsc