Publication
Modelos Machine Learning e Modelos ARIMA na previsão do PSI20
| Summary: | Este trabalho tem como objetivo comparar o desempenho de modelos ARIMA e modelos machine learning, mais especificamente o modelo SVM, na previsão da variação do índice PSI20. Para o efeito, foi recolhido o preço de fecho do PSI20, 21 de Novembro de 2006 a 28 de Novembro de 2018 (dias úteis apenas) e procedeu-se à sua transformação em logaritmos. As previsões foram testadas numa subamostra correspondente a 30% da amostra total. Primeiramente, testou-se o modelo ARIMA. A especificação foi escolhida através dos critérios de informação AIC, BIC e HQC, não tendo os resultados sido consensuais quanto ao modelo ARIMA a utilizar. O teste AIC sugeriu o modelo ARIMA (3;0;3) e os testes BIC e HQC sugeriram o modelo ARIMA (0;0;1). Destes dois modelos, aquele que apresentou um menor root mean square error (RMSE) foi o modelo ARIMA (0;0;1). De seguida, testou-se o modelo SVM, tendo o software utilizado (Gretl) selecionado o modelo ε-SVR. Os restantes elementos da especificação foram escolhidos de acordo com o seu desempenho, concluindo-se que o melhor modelo SVM é um modelo ε-SVR que utiliza uma função de kernel do tipo linear. Este é também o melhor modelo entre todos os estudados, embora o RMSE varie muito pouco. Os modelos foram também usados para a previsão do sinal da variação da cotação do PSI20. Neste caso, os critérios de informação AIC, BIC e HQC foram concensuais quanto à especificação do modelo ARIMA, uma vez que todos os critérios apontam para a utilização do modelo ARIMA (0;0;1). O melhor modelo SVM com função de kernel linear permaneceu superior aos restantes modelos SVM, no entanto, o modelo ARIMA (0;0;1) conseguiu uma melhor taxa de acerto na previsão do sinal da variação da cotação do PSI20. |
|---|---|
| Main Authors: | Fernandes, Miguel Ângelo Rodrigues |
| Subject: | PSI20 ARIMA SVM Forecasting PSI20 ARIMA SVM Forecasting |
| Year: | 2019 |
| Country: | Portugal |
| Document type: | master thesis |
| Access type: | open access |
| Associated institution: | Universidade de Coimbra |
| Language: | Portuguese |
| Origin: | Estudo Geral - Universidade de Coimbra |
| Summary: | Este trabalho tem como objetivo comparar o desempenho de modelos ARIMA e modelos machine learning, mais especificamente o modelo SVM, na previsão da variação do índice PSI20. Para o efeito, foi recolhido o preço de fecho do PSI20, 21 de Novembro de 2006 a 28 de Novembro de 2018 (dias úteis apenas) e procedeu-se à sua transformação em logaritmos. As previsões foram testadas numa subamostra correspondente a 30% da amostra total. Primeiramente, testou-se o modelo ARIMA. A especificação foi escolhida através dos critérios de informação AIC, BIC e HQC, não tendo os resultados sido consensuais quanto ao modelo ARIMA a utilizar. O teste AIC sugeriu o modelo ARIMA (3;0;3) e os testes BIC e HQC sugeriram o modelo ARIMA (0;0;1). Destes dois modelos, aquele que apresentou um menor root mean square error (RMSE) foi o modelo ARIMA (0;0;1). De seguida, testou-se o modelo SVM, tendo o software utilizado (Gretl) selecionado o modelo ε-SVR. Os restantes elementos da especificação foram escolhidos de acordo com o seu desempenho, concluindo-se que o melhor modelo SVM é um modelo ε-SVR que utiliza uma função de kernel do tipo linear. Este é também o melhor modelo entre todos os estudados, embora o RMSE varie muito pouco. Os modelos foram também usados para a previsão do sinal da variação da cotação do PSI20. Neste caso, os critérios de informação AIC, BIC e HQC foram concensuais quanto à especificação do modelo ARIMA, uma vez que todos os critérios apontam para a utilização do modelo ARIMA (0;0;1). O melhor modelo SVM com função de kernel linear permaneceu superior aos restantes modelos SVM, no entanto, o modelo ARIMA (0;0;1) conseguiu uma melhor taxa de acerto na previsão do sinal da variação da cotação do PSI20. |
|---|