Previsão de preços de ações utilizando uma rede neural TImeGAN
Tipo
Dissertação
Data de publicação
2024-08-06
Periódico
Citações (Scopus)
Autores
Vidotto, Mauricio Cruz
Orientador
Oliveira, Pedro Paulo Balbi de
Título da Revista
ISSN da Revista
Título de Volume
Membros da banca
Oliveira, Rogério de
Castro, Paulo Andre Lima de
Castro, Paulo Andre Lima de
Programa
Engenharia Elétrica e Computação
Resumo
Prever o comportamento de ativos no mercado financeiro sempre foi um grande desafio devido à sua imprevisibilidade. Existem muitos fatores que podem influenciar o preço tornando o mercado muito volátil. Com a evolução das técnicas de inteligência artificial, cada vez mais modelos de aprendizado automático são desenvolvidos e utilizados para esta finalidade. Por exemplo, na área financeira, essas técnicas têm sido aplicadas em previsões de mercado de ações, otimização de carteiras, processamento de dados financeiros e estratégias de negociação. Este estudo aborda a utilização de um modelo generativo capaz de aprender com os dados reais e produzir preços como previsões. Foi utilizada a estrutura TimeGAN porque combina a versatilidade das Redes Adversárias Generativas (GAN) não supervisionadas com o controle sobre a dinâmica temporal condicional que é proporcionada pelos modelos autorregressivos supervisionados. A TimeGAN foi especificamente projetada para séries temporais e é normalmente empregada para capturar características temporais complexas dos dados e gerar séries sintéticas. O autoencoder e a rede adversária que compõem o TimeGAN utilizaram redes neurais recorrentes (RNN) do tipo Long Short-Term Memory (LSTM). A metodologia proposta é aplicada a duas série temporais de preços que possuem uma relação de causalidade, demonstrando eficácia do modelo em capturar tendências de preços e volatilidades em gerar séries sintéticas que são úteis para serem utilizadas para predição.
Descrição
Palavras-chave
aprendizado de máquina , redes neurais , redes neurais recorrentes , redes adversárias generativas , mercado de capitais , previsão de séries temporais