Previsão de preços de ações utilizando uma rede neural TImeGAN
| dc.contributor.advisor | Oliveira, Pedro Paulo Balbi de | |
| dc.contributor.author | Vidotto, Mauricio Cruz | |
| dc.date.accessioned | 2024-09-20T23:41:04Z | |
| dc.date.available | 2024-09-20T23:41:04Z | |
| dc.date.issued | 2024-08-06 | |
| dc.description.abstract | 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. | |
| dc.description.sponsorship | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível | |
| dc.description.sponsorship | CNPQ - Conselho Nacional de Desenvolvimento Científico e Tecnológico | |
| dc.identifier.uri | https://dspace.mackenzie.br/handle/10899/39434 | |
| dc.language.iso | pt_BR | |
| dc.language.iso | en | |
| dc.publisher | Universidade Presbiteriana Mackenzie | |
| dc.subject | aprendizado de máquina | |
| dc.subject | redes neurais | |
| dc.subject | redes neurais recorrentes | |
| dc.subject | redes adversárias generativas | |
| dc.subject | mercado de capitais | |
| dc.subject | previsão de séries temporais | |
| dc.title | Previsão de preços de ações utilizando uma rede neural TImeGAN | |
| dc.type | Dissertação | |
| local.contributor.advisorLattes | http://lattes.cnpq.br/9556738277476279 | |
| local.contributor.advisorOrcid | https://orcid.org/0000-0002-6022-0270 | |
| local.contributor.authorLattes | http://lattes.cnpq.br/0568375340547355 | |
| local.contributor.board1 | Oliveira, Rogério de | |
| local.contributor.board1Lattes | http://lattes.cnpq.br/3067732992972770 | |
| local.contributor.board2 | Castro, Paulo Andre Lima de | |
| local.contributor.board2Lattes | http://lattes.cnpq.br/2137986175572481 | |
| local.contributor.board2Orcid | https://orcid.org/0000-0001-5515-1672 | |
| local.contributor.coadvisor | Hadad Junior, Eli | |
| local.contributor.coadvisorLattes | http://lattes.cnpq.br/2030318390506756 | |
| local.contributor.coadvisorOrcid | https://orcid.org/0000-0003-2985-9241 | |
| local.description.abstracten | Predicting the behavior of assets in the financial market has always been a significant challenge due to their unpredictability. Numerous factors can influence prices, making the market highly volatile. With the evolution of artificial intelligence techniques, an increasing number of machine learning models are being developed and utilized for this purpose. For instance, in the financial domain, these techniques have been applied to stock market predictions, portfolio optimization, financial data processing, and trading strategies. This study explores the use of a generative model capable of learning from real data and producing price forecasts. We employed the TimeGAN framework because it combines the versatility of unsupervised Generative Adversarial Networks (GANs) with control over conditional temporal dynamics provided by supervised autoregressive models. TimeGAN is specifically designed for time series data and is commonly used to capture complex temporal features and generate synthetic series. The autoencoder and adver sarial network components within TimeGAN utilize Long Short-Term Memory (LSTM) recurrent neural networks. The proposed methodology is applied to two price time se ries with a causal relationship, demonstrating the model’s effectiveness in capturing price trends and volatilities for predictive purposes. | |
| local.keywords | machine learning | |
| local.keywords | neural networks | |
| local.keywords | recurrent neural networks | |
| local.keywords | generative adversarial networks | |
| local.keywords | capital markets | |
| local.keywords | time series forecasting | |
| local.publisher.country | Brasil | |
| local.publisher.department | Escola de Engenharia Mackenzie (EE) | |
| local.publisher.initials | UPM | |
| local.publisher.program | Engenharia Elétrica e Computação | |
| local.subject.cnpq | CNPQ::ENGENHARIAS |