Predição do mercado financeiro com uma arquitetura de extração de contexto baseada em decomposição de series temporais

Detalhes bibliográficos
Ano de defesa: 2022
Autor(a) principal: Oliveira, Guilherme Albertini de
Orientador(a): Rodrigues, Paulo Sérgio Silva
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Centro Universitário FEI, São Bernardo do Campo
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Machine learning
Bolsa de valores
Predição
Circuitos neurais
Link de acesso: https://repositorio.fei.edu.br/handle/FEI/4605
https://doi.org/10.31414/EE.2022.D.131531
Resumo: O mercadodeaçõesdoBrasilseencontraemumagrandealta.Duranteapandemiada COVID-19,abolsabrasileirateveumcrescimentonaquantidadedepessoasfísicasde92,1% entreosanos2019e2020.Estefatosedeveadiversosfatores,dosquaisosprincipaisestão:a disseminação domercadodeaçõesviaredessociais,propagandasemcomunidadesdevídeose a baixadataxadejurosdopaísnesteperíodo.Destemodo,comaaltadenegociadoresnabolsa, a buscaporalgoritmosquereduzemorisconasoperaçõesdeativos,visandomaximizarolucro obtido nacompraevendadepapeis,tambémcresce.Muitostrabalhossugeremautilizaçãode métodosde machinelearning paraaprediçãodevaloresnabolsa.Contudo,obterresultados assertivoscomaaltavolatilidade,enão-linearidadedassériestemporaisdabolsa,aindaéum desafio. Sendoassim,estetrabalhopropõeumanovametodologiaparamodelarmatematica- mente osdadosfinanceirosdabolsadevalores,utilizandoredesneuraisrecorrentes,técnicas de decomposiçãodesériestemporais,correlaçãoentrebolsaseativosearquiteturasdeextração de contextos.Comaarquiteturapropostatambémfoipossívelfazeraprediçãodepontosde reversãodequedaparaaltaoudealtaparabaixa,dosvaloresdeumadeterminadaação.Como resultado,osmelhoresalgoritmosparaaregressãoforamosquefizeramautilizaçãoderedes Long Short-TermMemory (LSTM)e DiscreteWaveletTransform (DWT),comesemutilização de extraçãodecontextos,amboscom0.9de RootMeanSquaredError (RMSE). Porém,estes algoritmossão,emmédia,38%melhorquandotreinadosomentenabolsabrasileira.Paraaclas- sificação osmelhoresalgoritmosforamosquefizeramautilizaçãodeLSTMjuntamentecom DWT,e EchoStateNetwork (ESN) comDWT,com35%e34.6%de f1-score, respectivamente. Porfim,foipossívelobservarque,emgeral,ametodologiapropostatemmelhoresresultadosem relaçãoàsmétricasestatísticas,quandocomparadocomalgoritmostradicionaisquenãofazem o usodatécnicadeextraçãodecontextoparasériestemporais
id FEI_2a1c4be60a67f636a867601374e18d8d
oai_identifier_str oai:repositorio.fei.edu.br:FEI/4605
network_acronym_str FEI
network_name_str Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)
repository_id_str
spelling Oliveira, Guilherme Albertini deRodrigues, Paulo Sérgio Silva2022-10-09T18:54:49Z2022-10-09T18:54:49Z2022OLIVEIRA, Guilherme Albertini de. <b> Predição do mercado financeiro com uma arquitetura de extração de contexto baseada em decomposição de series temporais. </b> 2022. 112 f. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2022. Disponível em: https://doi.org/10.31414/EE.2022.D.131531.https://repositorio.fei.edu.br/handle/FEI/4605https://doi.org/10.31414/EE.2022.D.131531O mercadodeaçõesdoBrasilseencontraemumagrandealta.Duranteapandemiada COVID-19,abolsabrasileirateveumcrescimentonaquantidadedepessoasfísicasde92,1% entreosanos2019e2020.Estefatosedeveadiversosfatores,dosquaisosprincipaisestão:a disseminação domercadodeaçõesviaredessociais,propagandasemcomunidadesdevídeose a baixadataxadejurosdopaísnesteperíodo.Destemodo,comaaltadenegociadoresnabolsa, a buscaporalgoritmosquereduzemorisconasoperaçõesdeativos,visandomaximizarolucro obtido nacompraevendadepapeis,tambémcresce.Muitostrabalhossugeremautilizaçãode métodosde machinelearning paraaprediçãodevaloresnabolsa.Contudo,obterresultados assertivoscomaaltavolatilidade,enão-linearidadedassériestemporaisdabolsa,aindaéum desafio. Sendoassim,estetrabalhopropõeumanovametodologiaparamodelarmatematica- mente osdadosfinanceirosdabolsadevalores,utilizandoredesneuraisrecorrentes,técnicas de decomposiçãodesériestemporais,correlaçãoentrebolsaseativosearquiteturasdeextração de contextos.Comaarquiteturapropostatambémfoipossívelfazeraprediçãodepontosde reversãodequedaparaaltaoudealtaparabaixa,dosvaloresdeumadeterminadaação.Como resultado,osmelhoresalgoritmosparaaregressãoforamosquefizeramautilizaçãoderedes Long Short-TermMemory (LSTM)e DiscreteWaveletTransform (DWT),comesemutilização de extraçãodecontextos,amboscom0.9de RootMeanSquaredError (RMSE). Porém,estes algoritmossão,emmédia,38%melhorquandotreinadosomentenabolsabrasileira.Paraaclas- sificação osmelhoresalgoritmosforamosquefizeramautilizaçãodeLSTMjuntamentecom DWT,e EchoStateNetwork (ESN) comDWT,com35%e34.6%de f1-score, respectivamente. Porfim,foipossívelobservarque,emgeral,ametodologiapropostatemmelhoresresultadosem relaçãoàsmétricasestatísticas,quandocomparadocomalgoritmostradicionaisquenãofazem o usodatécnicadeextraçãodecontextoparasériestemporaisThe Brazilianstockmarkethasbeengrowinginafastpace.Ithasincreased92,1%from 2019 to2020,inquantityofinvestors.Thisishappeningduetomultiplefactors,however,twoof themainreasonsisrelatedtothespreadofinformationaboutthestockmarketinthesocialme- dia, propagandainvideocommunitiesandthedecreaseoftheinterestrateofthecountry.These factorscontributetoahighernumberofinvestorsinthestockmarket,andhence,thesearchfor algorithmsthatreducetheriskoftradingstocksalsogrows.Manypaperssuggesttheuseof machinelearningtopredictthestockmarket.However,itisstillachallengetoobtainresults withgoodaccuracy,duetonon-linearityandnon-stationarity,ofthestockdataseries.There- fore,thisworkproposesabrandnewmethodologytomathematicallypredictfinancialdatafrom thestockmarket,usingrecurrentneuralnetworks,timeseriesdecompositiontechniques,corre- lation betweendifferentstockmarketsandstocksandacontextextractionarchitecture.Withthe proposedarchitectureitisalsopossibletopredictreversalpoints,fromdowntrendtouptrend, or fromuptrendtodowntrend,onthetimeseriesofastock.Asresult,thebestalgorithmforthe regressionwastheoneusing Long Short-TermMemory (LSTM)and DiscreteWaveletTransform (DWT),withandwithoutcontextextraction,bothevaluetedwith0.9ofRMSE.Howeverthese algorithmsare,inaverage,38%betterwhentrainedusingonlybrazillianstockmarket.Forthe classification thebestalgorithmsweretheonesusingLSTMwithDWT,e EchoStateNetwork (ESN) withDWT,bothusingcontextextraction,with35%and34.6%off1-score,respectively. In conclusion,itwaspossibletoobservethat,ingeneral,theproposedmethodologyshowed betterresults,relatingtostatisticsmetrics,whencomparedtotradicionalalgorithmsthatdonot use timeseriescontextextractiontechniqueCoordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES porpt_BRCentro Universitário FEI, São Bernardo do CampoMachine learningBolsa de valoresPrediçãoCircuitos neuraisPredição do mercado financeiro com uma arquitetura de extração de contexto baseada em decomposição de series temporaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisProcessamento de Sinais e Imagensreponame:Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)instname:Centro Universitário da Fundação Educacional Inaciana (FEI)instacron:FEIinfo:eu-repo/semantics/openAccessORIGINALfulltext.pdfapplication/pdf5548563https://repositorio.fei.edu.br/bitstreams/f15cc4f3-03ce-4f70-8fc5-f92437710d90/download9f76a6d52960976f916eeb1325a52363MD51trueAnonymousREADTEXTfulltext.pdf.txtfulltext.pdf.txtExtracted texttext/plain102739https://repositorio.fei.edu.br/bitstreams/ae709dfc-25f7-47a0-b89f-14a552e90d19/downloada2ff6491788f9048bab18f0c1116844bMD54falseAnonymousREADTHUMBNAILfulltext.pdf.jpgfulltext.pdf.jpgGenerated Thumbnailimage/jpeg2597https://repositorio.fei.edu.br/bitstreams/b39f852e-ca6c-4cb2-b183-5706c23e6e25/download932460a2019833c7443e0ce9cf3f53afMD55falseAnonymousREADFEI/46052025-04-07 23:04:12.116open.accessoai:repositorio.fei.edu.br:FEI/4605https://repositorio.fei.edu.brBiblioteca Digital de Teses e Dissertaçõeshttp://sofia.fei.edu.br/pergamum/biblioteca/PRIhttps://repositorio-api.fei.edu.br/server/oai/requestcfernandes@fei.edu.bropendoar:2025-04-07T23:04:12Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI) - Centro Universitário da Fundação Educacional Inaciana (FEI)false
dc.title.pt_BR.fl_str_mv Predição do mercado financeiro com uma arquitetura de extração de contexto baseada em decomposição de series temporais
title Predição do mercado financeiro com uma arquitetura de extração de contexto baseada em decomposição de series temporais
spellingShingle Predição do mercado financeiro com uma arquitetura de extração de contexto baseada em decomposição de series temporais
Oliveira, Guilherme Albertini de
Machine learning
Bolsa de valores
Predição
Circuitos neurais
title_short Predição do mercado financeiro com uma arquitetura de extração de contexto baseada em decomposição de series temporais
title_full Predição do mercado financeiro com uma arquitetura de extração de contexto baseada em decomposição de series temporais
title_fullStr Predição do mercado financeiro com uma arquitetura de extração de contexto baseada em decomposição de series temporais
title_full_unstemmed Predição do mercado financeiro com uma arquitetura de extração de contexto baseada em decomposição de series temporais
title_sort Predição do mercado financeiro com uma arquitetura de extração de contexto baseada em decomposição de series temporais
author Oliveira, Guilherme Albertini de
author_facet Oliveira, Guilherme Albertini de
author_role author
dc.contributor.author.fl_str_mv Oliveira, Guilherme Albertini de
dc.contributor.advisor1.fl_str_mv Rodrigues, Paulo Sérgio Silva
contributor_str_mv Rodrigues, Paulo Sérgio Silva
dc.subject.por.fl_str_mv Machine learning
Bolsa de valores
Predição
Circuitos neurais
topic Machine learning
Bolsa de valores
Predição
Circuitos neurais
description O mercadodeaçõesdoBrasilseencontraemumagrandealta.Duranteapandemiada COVID-19,abolsabrasileirateveumcrescimentonaquantidadedepessoasfísicasde92,1% entreosanos2019e2020.Estefatosedeveadiversosfatores,dosquaisosprincipaisestão:a disseminação domercadodeaçõesviaredessociais,propagandasemcomunidadesdevídeose a baixadataxadejurosdopaísnesteperíodo.Destemodo,comaaltadenegociadoresnabolsa, a buscaporalgoritmosquereduzemorisconasoperaçõesdeativos,visandomaximizarolucro obtido nacompraevendadepapeis,tambémcresce.Muitostrabalhossugeremautilizaçãode métodosde machinelearning paraaprediçãodevaloresnabolsa.Contudo,obterresultados assertivoscomaaltavolatilidade,enão-linearidadedassériestemporaisdabolsa,aindaéum desafio. Sendoassim,estetrabalhopropõeumanovametodologiaparamodelarmatematica- mente osdadosfinanceirosdabolsadevalores,utilizandoredesneuraisrecorrentes,técnicas de decomposiçãodesériestemporais,correlaçãoentrebolsaseativosearquiteturasdeextração de contextos.Comaarquiteturapropostatambémfoipossívelfazeraprediçãodepontosde reversãodequedaparaaltaoudealtaparabaixa,dosvaloresdeumadeterminadaação.Como resultado,osmelhoresalgoritmosparaaregressãoforamosquefizeramautilizaçãoderedes Long Short-TermMemory (LSTM)e DiscreteWaveletTransform (DWT),comesemutilização de extraçãodecontextos,amboscom0.9de RootMeanSquaredError (RMSE). Porém,estes algoritmossão,emmédia,38%melhorquandotreinadosomentenabolsabrasileira.Paraaclas- sificação osmelhoresalgoritmosforamosquefizeramautilizaçãodeLSTMjuntamentecom DWT,e EchoStateNetwork (ESN) comDWT,com35%e34.6%de f1-score, respectivamente. Porfim,foipossívelobservarque,emgeral,ametodologiapropostatemmelhoresresultadosem relaçãoàsmétricasestatísticas,quandocomparadocomalgoritmostradicionaisquenãofazem o usodatécnicadeextraçãodecontextoparasériestemporais
publishDate 2022
dc.date.accessioned.fl_str_mv 2022-10-09T18:54:49Z
dc.date.available.fl_str_mv 2022-10-09T18:54:49Z
dc.date.issued.fl_str_mv 2022
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv OLIVEIRA, Guilherme Albertini de. <b> Predição do mercado financeiro com uma arquitetura de extração de contexto baseada em decomposição de series temporais. </b> 2022. 112 f. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2022. Disponível em: https://doi.org/10.31414/EE.2022.D.131531.
dc.identifier.uri.fl_str_mv https://repositorio.fei.edu.br/handle/FEI/4605
dc.identifier.doi.none.fl_str_mv https://doi.org/10.31414/EE.2022.D.131531
identifier_str_mv OLIVEIRA, Guilherme Albertini de. <b> Predição do mercado financeiro com uma arquitetura de extração de contexto baseada em decomposição de series temporais. </b> 2022. 112 f. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2022. Disponível em: https://doi.org/10.31414/EE.2022.D.131531.
url https://repositorio.fei.edu.br/handle/FEI/4605
https://doi.org/10.31414/EE.2022.D.131531
dc.language.iso.fl_str_mv por
pt_BR
language por
language_invalid_str_mv pt_BR
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.coverage.area.none.fl_str_mv Processamento de Sinais e Imagens
dc.publisher.none.fl_str_mv Centro Universitário FEI, São Bernardo do Campo
publisher.none.fl_str_mv Centro Universitário FEI, São Bernardo do Campo
dc.source.none.fl_str_mv reponame:Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)
instname:Centro Universitário da Fundação Educacional Inaciana (FEI)
instacron:FEI
instname_str Centro Universitário da Fundação Educacional Inaciana (FEI)
instacron_str FEI
institution FEI
reponame_str Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)
collection Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI)
bitstream.url.fl_str_mv https://repositorio.fei.edu.br/bitstreams/f15cc4f3-03ce-4f70-8fc5-f92437710d90/download
https://repositorio.fei.edu.br/bitstreams/ae709dfc-25f7-47a0-b89f-14a552e90d19/download
https://repositorio.fei.edu.br/bitstreams/b39f852e-ca6c-4cb2-b183-5706c23e6e25/download
bitstream.checksum.fl_str_mv 9f76a6d52960976f916eeb1325a52363
a2ff6491788f9048bab18f0c1116844b
932460a2019833c7443e0ce9cf3f53af
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório do Conhecimento Institucional do Centro Universitário da Fundação Educacional Inaciana (FEI) - Centro Universitário da Fundação Educacional Inaciana (FEI)
repository.mail.fl_str_mv cfernandes@fei.edu.br
_version_ 1856221263887859712

Registros relacionados