Análise do desempenho de modelos de redes neurais para fundos imobiliários

Abstract

Este estudo analisa o desempenho de diversos modelos de aprendizado de máquina na previsão de preços de fundos de investimentos imobiliários (FIIs) no Brasil. Utilizando dados históricos extraídos do Yahoo Finance e da biblioteca Darts, sete modelos foram avaliados: ARIMA, RNN, LSTM, GRU, Transformer, DLinear e NLinear. A avaliação foi realizada em três horizontes temporais — 1, 3 e 6 meses — e os modelos foram comparados utilizando métricas como MAPE, MSE e RMSE. Os resultados indicaram que os modelos baseados em Redes Neurais Artificiais recorrente, especialmente GRU e LSTM, apresentaram bom desempenho em fundos do setor de shopping centers no curto e médio prazo. No entanto, modelos mais complexos, como Transformer, demonstraram limitações devido ao tamanho reduzido do conjunto de dados. O ARIMA, apesar de ser um modelo mais simples, superou alguns dos modelos mais avançados em certos cenários, principalmente para fundos com comportamento previsível, como os indexados ao CDI. Conclui-se que o desempenho dos modelos depende fortemente da natureza dos fundos e da quantidade de dados disponíveis. Para trabalhos futuros, sugere-se o uso de conjuntos de dados mais amplos e a exploração de métodos híbridos para melhorar a precisão das previsões.