Publicação
Redes Neuronais LSTM em Python : previsão do S&P500
| Resumo: | Nesta dissertação, iremos explorar um pouco do universo que são os algoritmos Deep Learning, para series temporais. Em particular, através do algoritmo LSTM (Long Short-Term Memory), foi desenvolvido um modelo capaz de prever o S&P500, com resultados significativos, no período de análise desde 1 de janeiro 2020 até 31 de dezembro de 2022. A linguagem de programação Python foi escolhida para implementar o código, dado que disponibiliza uma grande quantidade algoritmos pré-definidos em bibliotecas que facilitam tanto a escrita, como a leitura e interpretação do código. Além disto, foram escolhidos vários indicadores fundamentais, macroeconómicos e técnicos, com expectativa de que o modelo LSTM consiga captar relações entre eles. Após serem abordados os conceitos chave para compreensão da análise, exploramos de forma detalhada a metodologia, raciocino e técnicas usadas no tratamento de dados, desenvolvimento, treino e tuning dos hiperparâmetros do modelo LSTM. De seguida, passamos à análise de sensibilidade, onde é avaliada a relevância de cada indicador e parâmetro para o resultado do modelo, realizando ajustes caso necessário e por fim comparamos o modelo final com o modelo Naive. Concluímos esta dissertação respondendo a algumas questões e interpretando os resultados do algoritmo do ponto de vista económico. |
|---|---|
| Autores principais: | Silva, André Filipe Ferreira Lourenço da |
| Assunto: | Redes Neuronais LSTM Tuning Hidden layers RMSE Teses de mestrado - 2023 |
| Ano: | 2023 |
| 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: | Nesta dissertação, iremos explorar um pouco do universo que são os algoritmos Deep Learning, para series temporais. Em particular, através do algoritmo LSTM (Long Short-Term Memory), foi desenvolvido um modelo capaz de prever o S&P500, com resultados significativos, no período de análise desde 1 de janeiro 2020 até 31 de dezembro de 2022. A linguagem de programação Python foi escolhida para implementar o código, dado que disponibiliza uma grande quantidade algoritmos pré-definidos em bibliotecas que facilitam tanto a escrita, como a leitura e interpretação do código. Além disto, foram escolhidos vários indicadores fundamentais, macroeconómicos e técnicos, com expectativa de que o modelo LSTM consiga captar relações entre eles. Após serem abordados os conceitos chave para compreensão da análise, exploramos de forma detalhada a metodologia, raciocino e técnicas usadas no tratamento de dados, desenvolvimento, treino e tuning dos hiperparâmetros do modelo LSTM. De seguida, passamos à análise de sensibilidade, onde é avaliada a relevância de cada indicador e parâmetro para o resultado do modelo, realizando ajustes caso necessário e por fim comparamos o modelo final com o modelo Naive. Concluímos esta dissertação respondendo a algumas questões e interpretando os resultados do algoritmo do ponto de vista económico. |
|---|