Please use this identifier to cite or link to this item:
http://tede2.uepg.br/jspui/handle/prefix/3672
metadata.dc.type: | Dissertação |
Title: | Modelos de deep learning e previsão de preço de ações: estudos de casos da bolsa brasileira. |
metadata.dc.creator: | Pinheiro, Thiago José |
metadata.dc.contributor.advisor1: | Higachi, Hermes Yukio |
metadata.dc.contributor.referee1: | Pereira Neto, João Basílio |
metadata.dc.contributor.referee2: | Marques Junior, Karlo |
metadata.dc.description.resumo: | O objetivo deste trabalho tem o intuito de verificar e comparar os modelos de Redes Neurais Recorrentes de aprendizado profundo RNN univariado e multivariado denominados nesse trabalho como RNN-U e RNN-M e modelos LSTM univariado e multivariado denominados LSTM-U e LSTM-M, considerando-se como estudo de caso as ações da PETR3, PETR4, ITUB4 e ABEV3. Duas foram as contribuições deste estudo: primeiro, propor e avaliar pelo teste da razão da variância se as ações selecionadas seguem um processo estocástico Random Walk ou a validade da HME na forma sua forma fraca; segundo, propor e aplicar a técnica de validação cruzada para séries temporais para avaliar o poder preditivo de modelos de RNN e LSTM univariados e multivariados na previsão dos preços de ações. Os resultados empíricos do teste da razão da variância mostraram que os retornos de ações da PETR3 e PETR4 apresentam autocorrelação serial negativa de primeira ordem, enquanto os retornos de ações da ABEV3 e lTUB4 apresentam autocorrelação serial negativa também de ordens superiores. Com efeito, como os modelos RNN LSTM-U e RNN LSTM-M possuem memória curta (1 período) e longa (múltiplos períodos), reportaram maior poder preditivo em termos das várias métricas usadas, do que os modelos RNN-U e RNN-M que possuem apenas memória curta ou de 1 período, no caso de ações da ABEV3 e lTUB4. |
Abstract: | The objective of this work is to verify and compare the univariate and multivariate RNN deep learning Recurrent Neural Network models called in this work as RNN-U and RNNM and univariate and multivariate LSTM models called LSTM-U and LSTM-M, considering as a case study the actions of PETR3, PETR4, ITUB4 and ABEV3. Two were the contributions of this study: first, to propose and evaluate by the variance ratio test whether the selected stocks follow a Random Walk stochastic process or the validity of the HME in its weak form; second, to propose and apply the cross-validation technique for time series to assess the predictive power of univariate and multivariate RNN and LSTM models in predicting stock prices. The empirical results of the variance ratio test showed that the returns of shares of PETR3 and PETR4 present negative serial autocorrelation of the first order, while the returns of shares of ABEV3 and lTUB4 also present negative serial autocorrelation of higher orders. Indeed, as the RNN LSTM-U and RNN LSTM-M models have short (1 period) and long (multiple periods) memory, they reported greater predictive power in terms of the various metrics used than the RNN-U and RNN- M that have only short or 1-period memory, in the case of ABEV3 and lTUB4 stocks |
Keywords: | Redes Neurais Random Walk Validação Cruzada Aprendizado Profundo Preço de Ações Neural Networks Random Walk Cross-Validation Deep Learning Stock Price |
metadata.dc.subject.cnpq: | CNPQ::CIENCIAS SOCIAIS APLICADAS::ECONOMIA |
metadata.dc.language: | por |
metadata.dc.publisher.country: | Brasil |
Publisher: | Universidade Estadual de Ponta Grossa |
metadata.dc.publisher.initials: | UEPG |
metadata.dc.publisher.department: | Departamento de Economia |
metadata.dc.publisher.program: | Programa de Pós - Graduação em Economia |
Citation: | PINHEIRO, Thiago José. Modelos de deep learning e previsão de preço de ações: estudos de casos da bolsa brasileira. 2022. Dissertação (Mestrado em Economia). Universidade Estadual de Ponta Grossa. Ponta Grossa. 2022. |
metadata.dc.rights: | Acesso Aberto Attribution-NonCommercial-NoDerivs 3.0 Brazil |
metadata.dc.rights.uri: | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
URI: | http://tede2.uepg.br/jspui/handle/prefix/3672 |
Issue Date: | 30-Mar-2022 |
Appears in Collections: | Programa de Pós-Graduação em Economia |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Thiago José Pinheiro.pdf | dissertação completa em pdf | 5.75 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License