Predição do mercado financeiro com uma arquitetura de extração de contexto baseada em decomposição de series temporais
Carregando...
Arquivos
Citações na Scopus
Tipo de produção
Dissertação
Data de publicação
2022
Autores
Oliveira, Guilherme Albertini de
Orientador
Rodrigues, Paulo Sérgio Silva
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
OLIVEIRA, Guilherme Albertini de. Predição do mercado financeiro com uma arquitetura de extração de contexto baseada em decomposição de series
temporais. 2022. 112 f. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2022. Disponível em: https://doi.org/10.31414/EE.2022.D.131531.
Texto completo (DOI)
Palavras-chave
Machine learning,Bolsa de valores,Predição,Circuitos neurais
URL permanente
Resumo
O mercadodeaçõesdoBrasilseencontraemumagrandealta.Duranteapandemiada
COVID-19,abolsabrasileirateveumcrescimentonaquantidadedepessoasfísicasde92,1%
entreosanos2019e2020.Estefatosedeveadiversosfatores,dosquaisosprincipaisestão:a
disseminação domercadodeaçõesviaredessociais,propagandasemcomunidadesdevídeose
a baixadataxadejurosdopaísnesteperíodo.Destemodo,comaaltadenegociadoresnabolsa,
a buscaporalgoritmosquereduzemorisconasoperaçõesdeativos,visandomaximizarolucro
obtido nacompraevendadepapeis,tambémcresce.Muitostrabalhossugeremautilizaçãode
métodosde machinelearning paraaprediçãodevaloresnabolsa.Contudo,obterresultados
assertivoscomaaltavolatilidade,enão-linearidadedassériestemporaisdabolsa,aindaéum
desafio. Sendoassim,estetrabalhopropõeumanovametodologiaparamodelarmatematica-
mente osdadosfinanceirosdabolsadevalores,utilizandoredesneuraisrecorrentes,técnicas
de decomposiçãodesériestemporais,correlaçãoentrebolsaseativosearquiteturasdeextração
de contextos.Comaarquiteturapropostatambémfoipossívelfazeraprediçãodepontosde
reversãodequedaparaaltaoudealtaparabaixa,dosvaloresdeumadeterminadaação.Como
resultado,osmelhoresalgoritmosparaaregressãoforamosquefizeramautilizaçãoderedes
Long Short-TermMemory (LSTM)e DiscreteWaveletTransform (DWT),comesemutilização
de extraçãodecontextos,amboscom0.9de RootMeanSquaredError (RMSE). Porém,estes
algoritmossão,emmédia,38%melhorquandotreinadosomentenabolsabrasileira.Paraaclas-
sificação osmelhoresalgoritmosforamosquefizeramautilizaçãodeLSTMjuntamentecom
DWT,e EchoStateNetwork (ESN) comDWT,com35%e34.6%de f1-score, respectivamente.
Porfim,foipossívelobservarque,emgeral,ametodologiapropostatemmelhoresresultadosem
relaçãoàsmétricasestatísticas,quandocomparadocomalgoritmostradicionaisquenãofazem
o usodatécnicadeextraçãodecontextoparasériestemporais
The Brazilianstockmarkethasbeengrowinginafastpace.Ithasincreased92,1%from 2019 to2020,inquantityofinvestors.Thisishappeningduetomultiplefactors,however,twoof themainreasonsisrelatedtothespreadofinformationaboutthestockmarketinthesocialme- dia, propagandainvideocommunitiesandthedecreaseoftheinterestrateofthecountry.These factorscontributetoahighernumberofinvestorsinthestockmarket,andhence,thesearchfor algorithmsthatreducetheriskoftradingstocksalsogrows.Manypaperssuggesttheuseof machinelearningtopredictthestockmarket.However,itisstillachallengetoobtainresults withgoodaccuracy,duetonon-linearityandnon-stationarity,ofthestockdataseries.There- fore,thisworkproposesabrandnewmethodologytomathematicallypredictfinancialdatafrom thestockmarket,usingrecurrentneuralnetworks,timeseriesdecompositiontechniques,corre- lation betweendifferentstockmarketsandstocksandacontextextractionarchitecture.Withthe proposedarchitectureitisalsopossibletopredictreversalpoints,fromdowntrendtouptrend, or fromuptrendtodowntrend,onthetimeseriesofastock.Asresult,thebestalgorithmforthe regressionwastheoneusing Long Short-TermMemory (LSTM)and DiscreteWaveletTransform (DWT),withandwithoutcontextextraction,bothevaluetedwith0.9ofRMSE.Howeverthese algorithmsare,inaverage,38%betterwhentrainedusingonlybrazillianstockmarket.Forthe classification thebestalgorithmsweretheonesusingLSTMwithDWT,e EchoStateNetwork (ESN) withDWT,bothusingcontextextraction,with35%and34.6%off1-score,respectively. In conclusion,itwaspossibletoobservethat,ingeneral,theproposedmethodologyshowed betterresults,relatingtostatisticsmetrics,whencomparedtotradicionalalgorithmsthatdonot use timeseriescontextextractiontechnique
The Brazilianstockmarkethasbeengrowinginafastpace.Ithasincreased92,1%from 2019 to2020,inquantityofinvestors.Thisishappeningduetomultiplefactors,however,twoof themainreasonsisrelatedtothespreadofinformationaboutthestockmarketinthesocialme- dia, propagandainvideocommunitiesandthedecreaseoftheinterestrateofthecountry.These factorscontributetoahighernumberofinvestorsinthestockmarket,andhence,thesearchfor algorithmsthatreducetheriskoftradingstocksalsogrows.Manypaperssuggesttheuseof machinelearningtopredictthestockmarket.However,itisstillachallengetoobtainresults withgoodaccuracy,duetonon-linearityandnon-stationarity,ofthestockdataseries.There- fore,thisworkproposesabrandnewmethodologytomathematicallypredictfinancialdatafrom thestockmarket,usingrecurrentneuralnetworks,timeseriesdecompositiontechniques,corre- lation betweendifferentstockmarketsandstocksandacontextextractionarchitecture.Withthe proposedarchitectureitisalsopossibletopredictreversalpoints,fromdowntrendtouptrend, or fromuptrendtodowntrend,onthetimeseriesofastock.Asresult,thebestalgorithmforthe regressionwastheoneusing Long Short-TermMemory (LSTM)and DiscreteWaveletTransform (DWT),withandwithoutcontextextraction,bothevaluetedwith0.9ofRMSE.Howeverthese algorithmsare,inaverage,38%betterwhentrainedusingonlybrazillianstockmarket.Forthe classification thebestalgorithmsweretheonesusingLSTMwithDWT,e EchoStateNetwork (ESN) withDWT,bothusingcontextextraction,with35%and34.6%off1-score,respectively. In conclusion,itwaspossibletoobservethat,ingeneral,theproposedmethodologyshowed betterresults,relatingtostatisticsmetrics,whencomparedtotradicionalalgorithmsthatdonot use timeseriescontextextractiontechnique