Ciência da Computação

URI Permanente desta comunidade

http://200.135.58.21/handle/repositorio/35

Navegar

Navegando Ciência da Computação por Autor "Felipe Tenfen"

Agora exibindo 1 - 1 de 1
  • Item
    Redes neurais recorrentes LSTM para a predição de índices da bolsa de valores: Uma comparação com o modelo de predição baseado em redes neurais artificiais multilayer perceptron
    (2024) Felipe Tenfen; Daniel Gomes Soares, Msc; Juliano Tonizetti Brignoli, Dr; Cristhian Heck, Msc
    A previsão de séries temporais financeiras é uma das áreas mais estudadas da inteligência artificial no mercado financeiro, tanto no âmbito acadêmico quanto no corporativo. Prever o futuro, especialmente o comportamento de séries temporais, como índices, preços da bolsa de valores e futuras cotações de ações, é considerado um desafio complexo tanto para a área de estatística quanto para a computação, assim como representa um desafio significativo, mesmo para especialistas experientes em técnicas de investimento, e tem recebido cada vez mais atenção nos últimos anos, principalmente devido à possibilidade de rentabilidade. Uma das técnicas mais utilizadas para fazer esse tipo de predição é a aplicação de redes neurais artificiais. Nesse contexto, este trabalho se propôs a desenvolver um modelo baseado em Redes Neurais Recorrentes (RNN), uma classe das redes neurais artificiais, e mais especificamente, do tipo Long Short-Term Memory (LSTM), para prever o valor e a direção do índice S&P 500 da bolsa de valores de Nova Iorque com um dia de antecedência. As Redes Neurais Recorrentes (RNNs) são modelos computacionais inspirados no sistema nervoso dos seres vivos, conhecidos por sua capacidade de processar sequências de dados e aprender com padrões temporais. Essa característica faz delas uma escolha ideal para prever séries temporais, permitindo que capturem dependências temporais e façam previsões com base em dados históricos. Ao longo deste estudo, foram desenvolvidos e comparados diferentes modelos de RNN, com a seleção daquele que obteve os melhores resultados. Esses resultados foram comparados com os obtidos por um modelo de previsão de índices da bolsa de valores S&P500 baseado em Rede Neural Artificial do tipo Multilayer Perceptron (MLP), conforme proposto por Moraes (2017). Os resultados indicam que é possível realizar a previsão de índices da bolsa de valores com erro e antecedência aceitáveis utilizando RNNs do tipo LSTM e dados históricos do índice como entrada. Por fim, observou-se uma prevalência das redes LSTM sobre as redes MLP neste tipo de aplicação, uma vez que o percentual de erro apresentado pela LSTM no experimento realizado foi consideravelmente menor em comparação ao erro da MLP para o mesmo conjunto de dados.