Previsão de Distribuições de Probabilidade de Retornos Financeiros com Redes Neurais Profundas

Forecasting Probability Distributions of Financial Returns with Deep Neural Networks

August 26, 2025

Autores: Jakub Michańków

cs.AI

Resumo

Este estudo avalia redes neurais profundas para a previsão de distribuições de probabilidade de retornos financeiros. Redes neurais convolucionais 1D (CNN) e arquiteturas de Long Short-Term Memory (LSTM) são utilizadas para prever parâmetros de três distribuições de probabilidade: Normal, t de Student e t de Student assimétrica. Usando funções de perda personalizadas de log-verossimilhança negativa, os parâmetros das distribuições são otimizados diretamente. Os modelos são testados em seis principais índices de ações (S\&P 500, BOVESPA, DAX, WIG, Nikkei 225 e KOSPI) utilizando métricas de avaliação probabilística, incluindo Log Predictive Score (LPS), Continuous Ranked Probability Score (CRPS) e Probability Integral Transform (PIT). Os resultados mostram que os modelos de aprendizado profundo fornecem previsões distribucionais precisas e têm desempenho competitivo em comparação com modelos GARCH clássicos para a estimativa de Value-at-Risk. O LSTM com distribuição t de Student assimétrica apresenta o melhor desempenho em múltiplos critérios de avaliação, capturando tanto caudas pesadas quanto assimetria nos retornos financeiros. Este trabalho demonstra que as redes neurais profundas são alternativas viáveis aos modelos econométricos tradicionais para avaliação de risco financeiro e gestão de portfólio.

English

This study evaluates deep neural networks for forecasting probability distributions of financial returns. 1D convolutional neural networks (CNN) and Long Short-Term Memory (LSTM) architectures are used to forecast parameters of three probability distributions: Normal, Student's t, and skewed Student's t. Using custom negative log-likelihood loss functions, distribution parameters are optimized directly. The models are tested on six major equity indices (S\&P 500, BOVESPA, DAX, WIG, Nikkei 225, and KOSPI) using probabilistic evaluation metrics including Log Predictive Score (LPS), Continuous Ranked Probability Score (CRPS), and Probability Integral Transform (PIT). Results show that deep learning models provide accurate distributional forecasts and perform competitively with classical GARCH models for Value-at-Risk estimation. The LSTM with skewed Student's t distribution performs best across multiple evaluation criteria, capturing both heavy tails and asymmetry in financial returns. This work shows that deep neural networks are viable alternatives to traditional econometric models for financial risk assessment and portfolio management.