Análise do Comportamento das Ações do Agronegócio Brasileiro na B3: aplicação de Redes Neurais Artificiais às Variáveis Macroeconômicas (2010-2023)
DOI:
https://doi.org/10.17921/1415-6938.2024v28n5p594-602Resumo
Este artigo analisa o comportamento das ações das empresas do agronegócio brasileiro listadas na B3 entre 2010 e 2023, focando na relação com variáveis macroeconômicas como taxa de câmbio, inflação (IPCA), taxa de desocupação, PIB brasileiro e taxa Selic. O estudo visa compreender como essas variáveis impactam o valor das ações, oferecendo informações úteis para investidores e consultores financeiros na gestão de portfólios e na tomada de decisões. A metodologia combina abordagens quantitativas e descritivas. Dados de ações das empresas SLC Agrícola e Brasil Agro foram extraídos de Yahoo Finance, enquanto as variáveis macroeconômicas foram obtidas do IBGE e BACEN. O tratamento estatístico foi feito com o software IBM-SPSS 24, permitindo a análise das correlações entre variáveis e a aplicação de Redes Neurais Artificiais (RNA), especificamente o modelo RNA Multilayer Perceptron. Os resultados mostram que o PIB_BRAS é a variável mais importante para prever os valores das ações, com importância de 100%, seguido pela taxa de câmbio com 65,9%. A taxa Selic e o IPCA têm impactos moderados, com importâncias de 20,3% e 15,1%, respectivamente, enquanto a taxa de desocupação é a menos relevante, com 7,3%. A análise de correlação confirmou que o PIB brasileiro e a taxa de câmbio têm correlações positivas significativas com os valores das ações, enquanto a taxa de desocupação e a inflação mostraram correlações mais fracas. O estudo destaca a eficácia das RNA para modelar relações complexas e sugere que a combinação de técnicas estatísticas e aprendizado de máquina é promissora para previsões e estratégias de investimento.
Palavras-chave: Aprendizado de Máquina. Análise do Mercado de Ações. Previsão Financeira. Impacto Macroeconômico. Modelagem Preditiva.
Abstract
This article analyzes the behavior of the stock prices of Brazilian agribusiness companies listed on the B3 between 2010 and 2023, focusing on their relationship with macroeconomic variables such as exchange rate, inflation (IPCA), unemployment rate, Brazilian GDP, and Selic rate. The study aims to understand how these variables impact stock values, providing useful information for investors and financial consultants in portfolio management and decision-making. The methodology combines quantitative and descriptive approaches. Stock data for SLC Agrícola and Brasil Agro were extracted from Yahoo Finance, while macroeconomic variables were obtained from IBGE and BACEN. Statistical treatment was performed using IBM-SPSS 24, enabling the analysis of correlations between variables and the application of Artificial Neural Networks (ANN), specifically the Multilayer Perceptron (MLP) model. Results show that Brazilian GDP is the most important variable for predicting stock values, with an importance score of 100%, followed by the exchange rate at 65.9%. The Selic rate and IPCA have moderate impacts, with values of 20.3% and 15.1%, respectively, while the unemployment rate is the least relevant, with 7.3%. Correlation analysis confirmed that Brazilian GDP and the exchange rate have significant positive correlations with stock values, whereas the unemployment rate and inflation showed weaker correlations. The study highlights the effectiveness of ANN in modeling complex relationships and suggests that the combination of statistical techniques and machine learning is promising for predictions and investment strategies.
Keywords: Machine Learning. Stock Market Analysis. Financial Forecasting. Macroeconomic Impact. Predictive Modeling.
Downloads
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 João Bosco Arbués Carneiro Junior, Celso Correia de Souza, Gisela Maria Jorgino Crespo, Raul Asseff Castelão, Celso Fabricio Correia de Souza

Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.