Publicação
Previsão de séries temporais financeiras: uma abordagem com Long Short-term Memory Deep Neural Networks
| Resumo: | O intuito desta dissertação é identificar o método que proporciona resultados mais fidedignos na previsão de séries temporais financeiras, de entre os modelos tradicionais e as novas metodologias de Machine Learning. A fim de alcançar esse objetivo, foi considerada uma base de dados com 4842 valores diários do fecho do índice bolsista Standard & Poor’s 500 (SP500), no intervalo temporal compreendido entre 3 de janeiro de 2000 e 1 de abril de 2019, excluindo os fins- de-semana e feriados. Primeiramente, os dados foram trabalhados no programa Eviews, de forma a obter o modelo econométrico ARIMA mais adequado e através da metodologia de Box-Jenkins procedeu-se para a previsão da série financeira em estudo. Contudo, para obtenção de melhores resultados, a série foi reduzida, iniciando no dia 2 de março de 2009, devido à crise financeira de 2007-2008. Para comparação de modelos, foi realizada a previsão dos dados da bolsa SP500, através de um modelo Deep Neural Network – Long Short-Term Memory (código programado em Python). Conclui-se que os melhores resultados de previsão foram obtidos com os modelos de redes neuronais, tanto para curto como para longo-prazo. |
|---|---|
| Autores principais: | Almeida, Cristiana Costa de |
| Assunto: | Série temporal financeira Mercados financeiros Standard & Poor’s 500 Machine Learning Deep Learning Long Short-Term Memory Modelos Autorregressivos de Médias Móveis Previsão Teses de mestrado - 2019 |
| Ano: | 2019 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade de Lisboa |
| Idioma: | português |
| Origem: | Repositório da Universidade de Lisboa |
| Resumo: | O intuito desta dissertação é identificar o método que proporciona resultados mais fidedignos na previsão de séries temporais financeiras, de entre os modelos tradicionais e as novas metodologias de Machine Learning. A fim de alcançar esse objetivo, foi considerada uma base de dados com 4842 valores diários do fecho do índice bolsista Standard & Poor’s 500 (SP500), no intervalo temporal compreendido entre 3 de janeiro de 2000 e 1 de abril de 2019, excluindo os fins- de-semana e feriados. Primeiramente, os dados foram trabalhados no programa Eviews, de forma a obter o modelo econométrico ARIMA mais adequado e através da metodologia de Box-Jenkins procedeu-se para a previsão da série financeira em estudo. Contudo, para obtenção de melhores resultados, a série foi reduzida, iniciando no dia 2 de março de 2009, devido à crise financeira de 2007-2008. Para comparação de modelos, foi realizada a previsão dos dados da bolsa SP500, através de um modelo Deep Neural Network – Long Short-Term Memory (código programado em Python). Conclui-se que os melhores resultados de previsão foram obtidos com os modelos de redes neuronais, tanto para curto como para longo-prazo. |
|---|