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 |
| _version_ | 1866810760815968256 |
|---|---|
| author | Silva, André Filipe Ferreira Lourenço da |
| author_facet | Silva, André Filipe Ferreira Lourenço da |
| author_role | author |
| contributor_name_str_mv | Mendes, Diana E. Aldea Repositório Científico de Acesso Aberto da ULisboa |
| country_str | PT |
| creators_json_txt | [{\"Person.name\":\"Silva, André Filipe Ferreira Lourenço da\"}] |
| datacite.contributors.contributor.contributorName.fl_str_mv | Mendes, Diana E. Aldea Repositório Científico de Acesso Aberto da ULisboa |
| datacite.creators.creator.creatorName.fl_str_mv | Silva, André Filipe Ferreira Lourenço da |
| datacite.date.Accepted.fl_str_mv | 2023-01-01T00:00:00Z |
| datacite.date.available.fl_str_mv | 2024-01-09T17:57:54Z |
| datacite.date.embargoed.fl_str_mv | 2024-01-09T17:57:54Z |
| datacite.rights.fl_str_mv | http://purl.org/coar/access_right/c_abf2 |
| datacite.subjects.subject.fl_str_mv | Redes Neuronais LSTM Tuning Hidden layers RMSE Teses de mestrado - 2023 |
| datacite.titles.title.fl_str_mv | Redes Neuronais LSTM em Python : previsão do S&P500 |
| dc.contributor.none.fl_str_mv | Mendes, Diana E. Aldea Repositório Científico de Acesso Aberto da ULisboa |
| dc.creator.none.fl_str_mv | Silva, André Filipe Ferreira Lourenço da |
| dc.date.Accepted.fl_str_mv | 2023-01-01T00:00:00Z |
| dc.date.available.fl_str_mv | 2024-01-09T17:57:54Z |
| dc.date.embargoed.fl_str_mv | 2024-01-09T17:57:54Z |
| dc.format.none.fl_str_mv | application/pdf |
| dc.identifier.none.fl_str_mv | http://hdl.handle.net/10451/61679 |
| dc.language.none.fl_str_mv | por |
| dc.rights.none.fl_str_mv | http://purl.org/coar/access_right/c_abf2 |
| dc.subject.none.fl_str_mv | Redes Neuronais LSTM Tuning Hidden layers RMSE Teses de mestrado - 2023 |
| dc.title.fl_str_mv | Redes Neuronais LSTM em Python : previsão do S&P500 |
| dc.type.none.fl_str_mv | http://purl.org/coar/resource_type/c_bdcc |
| description | 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. |
| dirty | 0 |
| eu_rights_str_mv | openAccess |
| format | masterThesis |
| fulltext.url.fl_str_mv | https://repositorio.ulisboa.pt/bitstreams/d1e9b21c-bf1d-4f38-a7ba-15bcd3a1462c/download |
| id | ul_c28efd007353b4beefc1971d76ea8fc9 |
| identifier.url.fl_str_mv | http://hdl.handle.net/10451/61679 |
| instacron_str | ul |
| institution | Universidade de Lisboa |
| instname_str | Universidade de Lisboa |
| language | por |
| network_acronym_str | ul |
| network_name_str | Repositório da Universidade de Lisboa |
| oai_identifier_str | oai:repositorio.ulisboa.pt:10451/61679 |
| organization_str_mv | urn:organizationAcronym:ul |
| person_str_mv | Silva, André Filipe Ferreira Lourenço da |
| publishDate | 2023 |
| reponame_str | Repositório da Universidade de Lisboa |
| repository_id_str | urn:repositoryAcronym:ul |
| service_str_mv | urn:repositoryAcronym:ul |
| spelling | porpt_PTNesta 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.application/pdfpt_PTRedes Neuronais LSTM em Python : previsão do S&P500Silva, André Filipe Ferreira Lourenço daMendes, Diana E. AldeaHostingInstitutionOrganizationalRepositório Científico de Acesso Aberto da ULisboae-mailmailto:repositorio@reitoria.ulisboa.ptrepositorio@reitoria.ulisboa.ptURNurn:tid:2034926762024-01-09T17:57:54Z202320232023-01-01T00:00:00ZHandlehttp://hdl.handle.net/10451/61679http://purl.org/coar/access_right/c_abf2open accessRedes NeuronaisLSTMTuningHidden layersRMSETeses de mestrado - 2023927539 bytesliteraturehttp://purl.org/coar/resource_type/c_bdccmaster thesishttp://purl.org/coar/access_right/c_abf2application/pdffulltexthttps://repositorio.ulisboa.pt/bitstreams/d1e9b21c-bf1d-4f38-a7ba-15bcd3a1462c/download |
| spellingShingle | Redes Neuronais LSTM em Python : previsão do S&P500 Silva, André Filipe Ferreira Lourenço da Redes Neuronais LSTM Tuning Hidden layers RMSE Teses de mestrado - 2023 |
| status | SINGLETON |
| subject.fl_str_mv | Redes Neuronais LSTM Tuning Hidden layers RMSE Teses de mestrado - 2023 |
| title | Redes Neuronais LSTM em Python : previsão do S&P500 |
| title_full | Redes Neuronais LSTM em Python : previsão do S&P500 |
| title_fullStr | Redes Neuronais LSTM em Python : previsão do S&P500 |
| title_full_unstemmed | Redes Neuronais LSTM em Python : previsão do S&P500 |
| title_short | Redes Neuronais LSTM em Python : previsão do S&P500 |
| title_sort | Redes Neuronais LSTM em Python : previsão do S&P500 |
| topic | Redes Neuronais LSTM Tuning Hidden layers RMSE Teses de mestrado - 2023 |
| topic_facet | Redes Neuronais LSTM Tuning Hidden layers RMSE Teses de mestrado - 2023 |
| url | http://hdl.handle.net/10451/61679 |
| visible | 1 |