Use este identificador para citar ou linkar para este item:
http://www.repositorio.ufal.br/jspui/handle/riufal/6813
Tipo: | Dissertação |
Título: | Estudo em séries temporais financeiras utilizando redes neurais recorrentes |
Título(s) alternativo(s): | Study in financial time series using recurrent neural networks |
Autor(es): | Matsumoto, Daniel Kazuyuki Fugii |
Primeiro Orientador: | Ramos Filho, Heitor Soares |
metadata.dc.contributor.referee1: | Rosso, Osvaldo Anibal |
metadata.dc.contributor.referee2: | Pereira, Leonardo Viana |
Resumo: | Entender o comportamento das séries temporais financeiras, é de suma importância para conseguir prever valores futuros e tomar decisões eficientes. Esta área é frequentemente alvo de estudos e novas propostas na tentativa de sua modelagem, pois é muito volátil em resposta ao dinamismo do mercado. Essa volatividade é definida pela alta quantidade de variáveis e diferentes fontes de informações, baixa relação entre sinal e ruído, tornando falhas as suas predições ao generalizar o problema. Além de existir relações entre variáveis exóginas desconhecidas e aleatórias, capazes de forte influência na estrutura corrente dos dados. Contudo, assim como pode causar grande revés uma informação incorreta, uma informação mais correta pode gerar lucros proporcionais, garantindo assim que este problema seja objeto de diversos estudos durante a história. Para este objetivo, foi projetado um modelo preditivo utilizando Redes Neurais Recorrentes (LSTM) alimentada de seus valores históricos (série temporal) para a previsão da tendência de variação do valor de abertura de um ativo (stock). Dessa forma, uma variedade de experimentos foram executados e seus resultados analisados em relação à métricas largamente utilizadas, como os modelos autoregressivos (ARIMA) para definir uma base comparativa e verificar a capacidade do modelo. Os resultados obtidos foram satisfatórios, obtendo uma acurárica de até 74:50% ao prever o sinal do próximo valor de abertura, inferindo se uma determinada ação irá subir ou não em um ponto no futuro. |
Abstract: | Understanding the behavior of financial time series is very importance to forecast future values and make efficient decisions. This area is often the target of studies and new proposals in the attempt of its modeling, since it is very volatile in response to the dynamism of the market. This volatility is defined by the high number of variables and different sources of information, a low signal-to-noise ratio, and its predictions fail to generalize the problem. In addition to existing relations between unknown and random exogenous variables, capable of strong influence on the current structure of the data. However, just as incorrect information can cause great misfortune, more accurate information can generate proportional profits, thus ensuring that this problem is the subject of several studies throughout history. For this purpose a predictive model was designed using Recurrent Neural Networks (LSTM), fed from its historical dataset (time series) to forecast the oppening value trend of variation for an asset (stock). Thus a variety of experiments were performed and their results analyzed against the widely used metrics, like autoregressive models (ARIMA) to define a basis for comparisons and validate the model capacity. The results obtained were satisfactory, obtaining an acuracy of up to 74:50% by predicting the sign of the next opening value, inferring whether or not a given stock will rise in the future. |
Palavras-chave: | Análise de séries temporais Séries financeiras Domínio de tempo Redes neurais (Computação) Redes neurais recorrentes Mercado financeiro Autoregressive integrated moving average Long short-term memory Time series analysis Financial series Time domain Neural networks (Computing) Recurrent neural networks Financial market |
CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal de Alagoas |
Sigla da Instituição: | UFAL |
metadata.dc.publisher.program: | Programa de Pós-Graduação em Modelagem Computacional de Conhecimento |
Citação: | MATSUMOTO, Daniel Kazuyuki Fugii. Estudo em séries temporais financeiras utilizando redes neurais recorrentes. 2020. 54 f. Dissertação (Mestrado em Modelagem Computacional do Conhecimento) – Instituto de Computação, Programa de Pós Graduação em Modelagem do Conhecimento, Universidade Federal de Alagoas, 2019. |
Tipo de Acesso: | Acesso Aberto |
URI: | http://www.repositorio.ufal.br/handle/riufal/6813 |
Data do documento: | 10-dez-2019 |
Aparece nas coleções: | Dissertações e Teses defendidas na UFAL - IC |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Estudo em séries temporais financeiras utilizando redes neurais recorrentes.pdf | 815.69 kB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.