Uma Estrutura Híbrida LMD–ARIMA–Aprendizado de Máquina para Previsão Aprimorada de Séries Temporais Financeiras: Evidências do Índice Composite da NASDAQ

Este estudo propõe uma nova abordagem híbrida de previsão projetada explicitamente para séries temporais financeiras de longo prazo. Incorpora LMD (Decomposição da Média Local), SD (Decomposição de Sinais) e métodos sofisticados de aprendizado de máquina. A estrutura para o Índice Composite da NASDAQ começa decompondo a série temporal original em componentes estocásticos e determinísticos usando a abordagem LMD. Este método separa efetivamente estruturas de sinal lineares e não lineares. Os componentes estocásticos são modelados usando ARIMA para representar dinâmicas temporais lineares, enquanto os componentes determinísticos são projetados usando métodos avançados de aprendizado de máquina, incluindo XGBoost, Random Forest (RF), Redes Neurais Artificiais (ANNs) e Máquinas de Vetores de Suporte (SVMs). Este estudo emprega várias métricas estatísticas para avaliar a capacidade preditiva tanto em ruídos de curto prazo quanto em tendências de longo prazo, incluindo Erro Quadrático Médio (RMSE), Erro Absoluto Médio (MAE), Erro Percentual Absoluto Médio (MAPE) e Estatística Direcional (DS). Além disso, o teste de Diebold–Mariano é utilizado para determinar a significância estatística de quaisquer melhorias nas previsões. Resultados empíricos demonstram que o modelo híbrido LMD–ARIMA–SD–XGBoost supera consistentemente configurações alternativas em termos de precisão preditiva e consistência direcional. Essas descobertas demonstram as vantagens da integração de filtragem de sinais baseada em decomposição com aprendizado de máquina em conjunto para melhorar a robustez e a generalizabilidade das previsões de longo prazo. Este estudo apresenta uma abordagem escalável e adaptativa para modelar séries temporais complexas, não lineares e de alta dimensão, contribuindo assim para o aprimoramento de sistemas de previsão inteligente nos setores econômico e financeiro. Até onde os autores sabem, este é o primeiro estudo a combinar XGBoost e LMD em uma estrutura híbrida de decomposição para previsão de índices de ações de longo prazo.