Previsão de ETF no setor de E-commerce: Aplicação de métodos clássicos e Machine Learning no contexto de Business Analytics

Abstract

Os Exchange Traded Funds (ETF) continuam a ser um dos instrumentos financeiros mais destacados entre investidores devido à sua versatilidade, acessibilidade e fácil gestão. O interesse pelos setores emergentes associados à economia digital tem reforçado o foco por ETF especializados, como os do setor de E-commerce, cuja relevância tem vindo a aumentar nos últimos anos. A presente investigação tem como objetivos analisar o comportamento e o perfil de risco de três ETF representativos deste setor – EBIZ, IBUY e ONLN – e identificar quais as metodologias mais adequadas para a previsão do seu comportamento. No desenvolver do estudo são aplicadas ferramentas de exploração de dados (análise estatística, inferencial e indicadores de risco financeiro) e de análise preditiva. No âmbito de análise preditiva são implementadas duas metodologias, modelos de Alisamento Exponencial (ES) e modelos de Support Vector Regression (SVR), confrontando o desempenho dos modelos Clássicos em função dos modelos de Machine Learning. Os resultados demonstram que, apesar de três ETF com perfis de risco com idênticos, o EBIZ destacou-se pela sua melhor relação entre risco e retorno. Em termos preditivos o SVR superou o desempenho do modelo Clássico, e na avaliação da complexidade computacional, as duas metodologias apesar de registarem um equilíbrio entre limitações e vantagens, o SVR obtém a melhor classificação global. Os resultados deste estudo contribuem para a literatura sobre previsão (em mercados financeiros), destacando a relevância das metodologias de Machine Learning para setores emergentes como o E-commerce, sem deixar de evidenciar o valor dos modelos clássicos.

Exchange Traded Funds (ETFs) continue to be one of the most popular financial instruments among investors due to their versatility, accessibility and ease of management. Interest in emerging sectors associated with the digital economy has reinforced the focus on specialized ETFs, such as those in the e-commerce sector, whose relevance has been increasing in recent years. The objectives of this research are to analyze the behavior and risk profile of three representative ETFs in this sector – EBIZ, IBUY and ONLN – and to identify the most appropriate methodologies for predicting their behavior. Data exploration tools (statistical analysis, inferential analysis and financial risk indicators) and predictive analysis tools are applied during the study. In the context of predictive analysis, two methodologies are implemented, Exponential Smoothing Models (ES) and Support Vector Regression (SVR) Models, comparing the performance of Classical Models with Machine Learning Models. The results show that, despite three ETFs with identical risk profiles, EBIZ stood out for its better risk/return ratio. In predictive terms, SVR outperformed the Classic Model, and in the assessment of computational complexity, although both methodologies showed a balance between limitations and advantages, SVR obtained the best overall rating. The results of this study contribute to the literature about forecasting (in financial markets), highlighting the relevance of Machine Learning methodologies for emerging sectors such as E-commerce, while still showing the value of classic models.