Mercado de ações: estudo da previsibilidade utilizando séries temporais aplicadas em machine learning

Página do item simplificado
dc.contributor.advisorSilva, Gustavo Rocha da
dc.contributor.authorDefacio, Felipe Seixas
dc.contributor.authorBronzati, Vitor Ribeiro
dc.date.accessioned2022-05-12T18:13:01Z
dc.date.available2022-05-12T18:13:01Z
dc.date.issued2019-12
dc.description.abstractEste trabalho se propõe a estudar a previsão de séries temporais com os dados de Fechamento das ações da Vale SA e os valores das Cotas do fundo de investimento AIG SEGUROS. Para a previsão serão utilizados cinco diferentes métodos de machine learning aplicando scripts em Python e bibliotecas específicas, sendo eles: Média Móvel, Regressão Linear, K-Nearest Neighbors, Auto ARIMA e Prophet do Facebook. Através desse estudo será mostrado como métodos computacionais podem contribuir na realização de investimentos. Nesse sentido, a melhor performance para o conjunto da Vale SA foi obtida pela técnica K-Nearest Neighbors e a pior pela Regressão Linear. Ainda assim, mesmo com o método KNN os valores previstos estão distantes dos valores reais e apresentam um erro RMS elevado e por isso não podem ser os únicos parâmetros a serem avaliados na hora de realizar investimentos. Com os dados do fundo de investimento por outro lado, o melhor desempenho foi decorrente do método Prophet do Facebook, e o pior pelo K-Nearest Neighbors. Neste caso, os erros obtidos foram pequenos e abaixo de 10 e podem ser utilizados como método de análise de tendências de fundos.pt_BR
dc.identifier.urihttps://dspace.mackenzie.br/handle/10899/29139
dc.languagept_BRpt_BR
dc.publisherUniversidade Presbiteriana Mackenziept_BR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectstock market forecastpt_BR
dc.subjectmachine learningpt_BR
dc.subjectmoving avaragept_BR
dc.subjectlinear regressionpt_BR
dc.subjectk-nearest neighborpt_BR
dc.subjectarimapt_BR
dc.subjectfbprophetpt_BR
dc.subjectinvestimentospt_BR
dc.subjectcotas do fundo de investimentopt_BR
dc.subjectmétodos de machine learningpt_BR
dc.titleMercado de ações: estudo da previsibilidade utilizando séries temporais aplicadas em machine learningpt_BR
dc.typeTCCpt_BR
local.publisher.departmentEscola de Engenharia (EE)pt_BR
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
FELIPE SEIXAS DAFACIO- protegido.pdf
Tamanho:
1.16 MB
Formato:
Adobe Portable Document Format
Descrição:
Felipe Seixas Defacio
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1.95 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Engenharia Elétrica - TCC – EE Higienópolis