Predição do mercado financeiro com uma arquitetura de extração de contexto baseada em decomposição de series temporais

Página do item simplificado
dc.contributor.advisorRodrigues, Paulo Sérgio Silva
dc.contributor.authorOliveira, Guilherme Albertini de
dc.coverage.areaProcessamento de Sinais e Imagens
dc.date.accessioned2022-10-09T18:54:49Z
dc.date.available2022-10-09T18:54:49Z
dc.date.issued2022
dc.description.abstractO 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
dc.description.abstractThe 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
dc.identifier.citationOLIVEIRA, Guilherme Albertini de. <b> Predição do mercado financeiro com uma arquitetura de extração de contexto baseada em decomposição de series temporais. </b> 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.
dc.identifier.doihttps://doi.org/10.31414/EE.2022.D.131531
dc.identifier.urihttps://repositorio.fei.edu.br/handle/FEI/4605
dc.languagepor
dc.language.isopt_BR
dc.publisherCentro Universitário FEI, São Bernardo do Campo
dc.subjectMachine learning
dc.subjectBolsa de valores
dc.subjectPredição
dc.subjectCircuitos neurais
dc.titlePredição do mercado financeiro com uma arquitetura de extração de contexto baseada em decomposição de series temporaispt_BR
dc.typeDissertaçãopt_BR
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
fulltext.pdf
Tamanho:
5.29 MB
Formato:
Adobe Portable Document Format
Baixar
Coleções
Teses e Dissertações