Machine learning para previsão de preços em high-frequency trading.
Carregando...
Tipo
TCC
Data de publicação
2023-06-16
Periódico
Citações (Scopus)
Autores
Marco, Acácio Bonifácio
Orientador
Oliveira, Rogério
Título da Revista
ISSN da Revista
Título de Volume
Membros da banca
Programa
Resumo
This study utilizes the Deep Learning LSTM technique in conjunction
with data filtering techniques such as the Percentile Method and the Hampel
Filter to enhance high-frequency stock price prediction. The results show that
LSTM models are capable of capturing patterns and trends in price data, and
the inclusion of indicators such as Bollinger Bands and Order Flow Imbalance
does not demonstrate significant differences in the results. The tested
configurations yielded similar results, indicating the accuracy of LSTM models
in high-frequency price prediction.
Este estudo utiliza a técnica de Deep Learning LSTM em conjunto com técnicas de filtragem de dados, como o Método Percentil e o Filtro de Hampel, para aprimorar a previsão de preços de ações em alta frequência. Os resultados mostram que os modelos LSTM são capazes de capturar padrões e tendências nos dados de preços, e a inclusão de indicadores como Bandas de Bollinger e Order Flow Imbalance não demonstra diferenças significativas nos resultados. As configurações testadas apresentaram resultados próximos, indicando a precisão dos modelos LSTM na previsão de preços em alta frequência.
Este estudo utiliza a técnica de Deep Learning LSTM em conjunto com técnicas de filtragem de dados, como o Método Percentil e o Filtro de Hampel, para aprimorar a previsão de preços de ações em alta frequência. Os resultados mostram que os modelos LSTM são capazes de capturar padrões e tendências nos dados de preços, e a inclusão de indicadores como Bandas de Bollinger e Order Flow Imbalance não demonstra diferenças significativas nos resultados. As configurações testadas apresentaram resultados próximos, indicando a precisão dos modelos LSTM na previsão de preços em alta frequência.
Descrição
TCC
Palavras-chave
deep learning , lstm , hft , previsão de preço , indicadores