Big Data: Reflexões Epistemológicas e Impactos nos Estudos de Finanças e Mercado de Capitais

Talieh Shaikhzadeh Vahdat Ferreira, Francisco José da Costa

Resumo


Objetivo e método: O acesso a séries de dados tem um papel central na área de Finanças. A crescente disponibilidade de grandes volumes de dados, em diferentes formatos e em alta frequência, combinada aos avanços tecnológicos nas ferramentas de armazenamento e processamento desses dados, têm criado um novo cenário nas pesquisas acadêmicas em geral, e em Finanças em particular, gerando novas oportunidade e desafios. Entre esses desafios emergem questões metodológicas, vastamente discutidas por pesquisadores de diferentes áreas, mas também questões epistemológicas que merecem maior espaço de discussão. Assim, o objetivo deste ensaio teórico é analisar o aspecto conceitual e epistemológico da utilização de dados intensivos e seus reflexos para a área de Finanças.

Resultados e contribuições: Consideramos que o método hipotético-dedutivo de pesquisas empíricas, que é o mais recorrente, limita a construção do conhecimento na dita ‘era Big data’, uma vez que tal abordagem parte de uma teoria estabelecida e restringe as pesquisas ao teste à(s) hipótese(s) proposta(s). Defendemos aqui a apropriação de uma abordagem abdutiva, como defendida em Haig (2005), que tem convergência com as ideias da grounded theorye que parece ser a abordagem mais adequada para esse novo contexto, por possibilitar a ampliação da capacidade de se obter informações de valor dos dados.

Palavras-chave


Big Data, Método Abdutivo, Epistemologia, Finanças

Texto completo:

PORTUGUÊS ENGLISH (English)

Referências


Aksu, M., & Kosedag, A. (2006). Transparency and disclosure scores and their determinants in the Istanbul Stock Exchange. Corporate Governance - an International Review, 14(4), pp. 277-296. DOI: https://doi.org/10.1111/j.1467-8683.2006.00507.x/abstract

Bianchi, E. M. P. G., & Ikeda, A. A. (2008). Usos e aplicações da grounded theory em admi-nistração. Revista Eletrônica de Gestão Organizacional, 6(2), pp.231-248.

Cartea, A., & Karyampas, D. (2011). Volatility and covariation of financial assets: a high-frequency analysis. Journal of Banking and Finance, 35(12), pp.3319-3334. DOI: https://doi.org/10.1016/j.jbankfin.2011.05.012

Chen, C. L. P., & Zhang, C.Y. (2014). Data-intensive applications, challenges, techniques, and technologies: a survey on Big Data. Information Science, 27(5), pp. 314-374. DOI: https://doi.org/10.1016/j.ins.2014.01.015

Chong, A., Lopez-de-Silanes, F. (2007). Investor protection and corporate governance: intra-firm evidence across Latin-America. Palo Alto: Stanford University Press.

Damodaran, A. (2012). Investment valuation: tools and techniques for determining the value of any assets. 3rd edition. New Jersey: Wiley&Sons.

Demchenko Y., Grosso, P., De Laat C., & Membrey, P. (2013). Addressing Big Data issues in scientific data infrastructure. Collaboration Technologies and Systems (CTS), International Conference on 2013.

Einav L. & Levin J. (2014). Economics in the age of big data. Science, 346 (6210), pp. 12430891–12430896. DOI: https://doi.org/10.1126/science.1243089

Ekbia, H., Mattioli, M., Kouper, I., Arave, G., Ghazinejad, A., Bowman, T., Suri, V. R., Tsou, A., Weingart, S., & Sugimoto, C. R. (2015). Big Data, bigger dillemas: a critical review. Journal of the Association for Information Science and Technology, 66(8), pp. 1523-1545.

Fan, J., Han, F., & Liu, H. (2014). Challenges of Big Data Analysis. National Science Review, 1(2), pp. 293–314. DOI: https://doi.org/10.1093/nsr/nwt032

Gigerenzer, G., & Marewski, J. N. (2015). Surrogate science: the idol of a universal method for scientific inference. Journal of Management, 41(2), pp.421-440. DOI: https://doi.org/10.1177/0149206314547522

Glaser, B, G., & Strauss, A. L. (1967). The discovery of grounded theory: strategies for quali-tative research. New York: Aldine de Gruyter.

GSAM – Goldman Sachs Asset Management (2016). Perspectives: the role of Big Data in investing. Recuperado em 26 de abril, 2017, de: https://www.gsam.com/.

Haig, B. D. (2005). An abdutive theory of scientific method. Psychological Methods, 10(4), pp. 371-388. DOI: https://doi.org/10.1037/1082-989X.10.4.371

Hey, T., Tansley, S., & Tolle K. (2009). Jim Grey on eScience: A transformed scientific method. In: Hey T, Tansley S and Tolle K (eds) The fourth paradigm: data-intensive sci-entific discovery. Redmond: Microsoft Research, pp. xvii–xxxi.

Big Data, New Epistemologies and Paradigm Shift (PDF Download Available). Recuperado em 15 de setembro, 2017, de: https://www.researchgate.net/publication/271525133_Big_Data_New_Epistemologies_and_Paradigm_Shift.

IBM, 2016. Recuperado em 08 de abril, 2107, de: https://www-01.ibm.com/software/data/bigdata/what-is-bigdata.html.

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learn-ing. New York: springer. DOI: https://doi.org/10.1007/978-1-4614-7138-7

Kitchin, R. (2014). Big Data, new epistemologies and paradigms shift. Big Data & Society, April-June, pp. 1-12. DOI: https://doi.org/10.1177/2053951714528481

Lakatos, I., & Musgrave, A. (1979). A crítica e o desenvolvimento do conhecimento. São Pau-lo: Editora da Universidade de São Paulo. DOI: http://dx.doi.org/10.11606/issn.2447-9799.cienciaefilosofi.1980.107354

Lau, R. Y.K., Zhao, J.L., Chen, G., & Guo, X. (2016). Big Data commerce. Information & Management, 53, pp. 929-933. DOI: https://doi.org/10.1016/j.im.2016.07.008

Louzis, D.P., Xanthopoulos-Sisinis, S., & Refenes, A.P., (2013). The role of high-frequency intra-daily data, daily range and implied volatility in multi-period value-at-risk forecast-ing. Journal of Forecasting, 32(6), pp. 561–576.

Martins,O. S. & Paulo E. (2014). Assimetria de informação na negociação de ações, caracte-rísticas econômico financeiras e governança corporativa no mercado acionário brasileiro. Revista Contabilidade & Finanças (Online), 25(64), pp. 33-45. jan./fev./mar./abr. 2014

Miller, H. J. (2010). The data avalanche is here. Shouldn’t we be digging? Journal of Regional Science, 50(1), pp. 181-201. DOI: https://doi.org/10.1111/j.1467-9787.2009.00641.x

Oracle (2012). Financial services data management: Big Data technology in financial services. Oracle Financial Services, An Oracle White paper.

Seth, T., & Chaudhary, V. (2015). “Big Data in Finance”. In: Li, K.; Jiang, H.; Yang, L. T.; Cuzzorea, A. (Eds) “Big Data: algorithms, analytics and applications”. Chapman and Hall/ CRC, pp. 329-356.

Spens, K. M., & Kovács, G. (2006). A content analysis of research approaches in logistics research, International Journal of Physical Distribution & Logistics Management, 36(5), pp. 374-390. DOI: https://doi.org/10.1108/09600030610676259

Ye, G. (2010). High frequency trading models. NJ: John Wiley & Sons Inc.

Zervoudakis, F., Lawrence, D., Gontikas, G., & Al Merey, M. (2017). Perspectives on high-frequency trading. Recuperado em 30 de março, 2017, de: http://www0.cs.ucl.ac.uk/staff/f.zervoudakis/docs/hft.pdf.




DOI: http://dx.doi.org/10.17524/repec.v11i4.1634

Creative Commons License
Todo o conteúdo deste periódico, exceto onde está identificado, está licenciado sob Creative Commons Attribution 3.0 Unported License.


ISSN 1981-8610

DOI 10.17524/repec

Indexação da REPeC: Indexadores e Diretórios


Endereço postal

Academia Brasileira de Ciências Contábeis (ABRACICON)

SAS Quadra 5, Bloco J, Edifício do CFC

CEP 70.070-920 - Brasília/DF - Brasil