Proposta e avaliação de features para negociação algorítmica em mercado financeiro

Detalhes bibliográficos
Ano de defesa: 2023
Autor(a) principal: Linchen, Newton Paulo
Orientador(a): Galante, Renata de Matos
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Aprendizado de máquina
Séries temporais
Algorítmo
Palavras-chave em Inglês:
Algotrading
Classification
Prediction
Stock markets
Time series
Quadratic discriminant analysis
Link de acesso: http://hdl.handle.net/10183/259164
Resumo: Séries temporais de ativos financeiros de negociação são conhecidas por ter propriedades estocásticas que tornam a previsão uma tentativa quase fútil. Na Economia, a teoria dominante da Hipótese do Mercado Eficiente propõe que qualquer tentativa de prever os preços futuros de um ativo negociável é em vão e não deve ser perseguida. Nas últimas décadas, o surgimento de algoritmos de aprendizado de máquina deu à comunidade de in vestimentos ferramentas interessantes para avançar na pesquisa de previsão. No entanto, entendemos que algoritmos não são suficientes para fazer previsões bem-sucedidas: para construir modelos melhores, o pesquisador deve empregar o desenvolvimento de recur sos, especialmente com o conhecimento e experiência de um praticante e especialista no campo. Neste trabalho, avaliamos o desempenho de um algoritmo de classificação (QDA - Análise Discriminante Quadrática) com a adição de recursos, comparando os resultados com um benchmark (compra e retenção) e um experimento de linha de base. A investigação foi realizada usando o Contrato Futuro do Índice Bovespa (Ibovespa Futuro), fazendo previsões de curto prazo em um ambiente simulado.
id URGS_ba881a42145d0e8885770c6636b3d496
oai_identifier_str oai:www.lume.ufrgs.br:10183/259164
network_acronym_str URGS
network_name_str Biblioteca Digital de Teses e Dissertações da UFRGS
repository_id_str
spelling Linchen, Newton PauloGalante, Renata de Matos2023-06-18T03:52:11Z2023http://hdl.handle.net/10183/259164001171573Séries temporais de ativos financeiros de negociação são conhecidas por ter propriedades estocásticas que tornam a previsão uma tentativa quase fútil. Na Economia, a teoria dominante da Hipótese do Mercado Eficiente propõe que qualquer tentativa de prever os preços futuros de um ativo negociável é em vão e não deve ser perseguida. Nas últimas décadas, o surgimento de algoritmos de aprendizado de máquina deu à comunidade de in vestimentos ferramentas interessantes para avançar na pesquisa de previsão. No entanto, entendemos que algoritmos não são suficientes para fazer previsões bem-sucedidas: para construir modelos melhores, o pesquisador deve empregar o desenvolvimento de recur sos, especialmente com o conhecimento e experiência de um praticante e especialista no campo. Neste trabalho, avaliamos o desempenho de um algoritmo de classificação (QDA - Análise Discriminante Quadrática) com a adição de recursos, comparando os resultados com um benchmark (compra e retenção) e um experimento de linha de base. A investigação foi realizada usando o Contrato Futuro do Índice Bovespa (Ibovespa Futuro), fazendo previsões de curto prazo em um ambiente simulado.Time series of financial trading assets are known to have stochastic properties which turn prediction into an almost futile endeavor. In Economics, the mainstream theory of the Efficient Market Hypothesis proposes that any attempt to predict the future prices of a tradable asset is in vain, and should not be pursued. In the last decades, the advent of machine learning algorithms gave the investing community interesting tools for advanc ing the prediction research. However, we understand that algorithms are not enough to make successful predictions: in order to build better models the researcher should employ feature development, especially with the knowledge and experience of a practitioner and specialist in the field. In this work, we evaluate the performance of a classification algo rithm (QDA - Quadratic Discriminant Analysis) with the addition of features, comparing the results with a benchmark (buy-and-hold) and a baseline experiment. The investigation was carried out using the Bovespa Index Futures Contract (Ibovespa Futuro), by making short-term predictions in a simulated environment.application/pdfengAprendizado de máquinaSéries temporaisAlgorítmoAlgotradingClassificationPredictionStock marketsTime seriesQuadratic discriminant analysisProposta e avaliação de features para negociação algorítmica em mercado financeiroinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPrograma de Pós-Graduação em ComputaçãoPorto Alegre, BR-RS2022mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001171573.pdf.txt001171573.pdf.txtExtracted Texttext/plain171675http://www.lume.ufrgs.br/bitstream/10183/259164/2/001171573.pdf.txtc66fc54ebebaa70790dfaa6e629522fbMD52ORIGINAL001171573.pdfTexto completoapplication/pdf5527436http://www.lume.ufrgs.br/bitstream/10183/259164/1/001171573.pdf653da473773d5ae6247596d63cf8ef29MD5110183/2591642023-06-19 03:27:45.815605oai:www.lume.ufrgs.br:10183/259164Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532023-06-19T06:27:45Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Proposta e avaliação de features para negociação algorítmica em mercado financeiro
title Proposta e avaliação de features para negociação algorítmica em mercado financeiro
spellingShingle Proposta e avaliação de features para negociação algorítmica em mercado financeiro
Linchen, Newton Paulo
Aprendizado de máquina
Séries temporais
Algorítmo
Algotrading
Classification
Prediction
Stock markets
Time series
Quadratic discriminant analysis
title_short Proposta e avaliação de features para negociação algorítmica em mercado financeiro
title_full Proposta e avaliação de features para negociação algorítmica em mercado financeiro
title_fullStr Proposta e avaliação de features para negociação algorítmica em mercado financeiro
title_full_unstemmed Proposta e avaliação de features para negociação algorítmica em mercado financeiro
title_sort Proposta e avaliação de features para negociação algorítmica em mercado financeiro
author Linchen, Newton Paulo
author_facet Linchen, Newton Paulo
author_role author
dc.contributor.author.fl_str_mv Linchen, Newton Paulo
dc.contributor.advisor1.fl_str_mv Galante, Renata de Matos
contributor_str_mv Galante, Renata de Matos
dc.subject.por.fl_str_mv Aprendizado de máquina
Séries temporais
Algorítmo
topic Aprendizado de máquina
Séries temporais
Algorítmo
Algotrading
Classification
Prediction
Stock markets
Time series
Quadratic discriminant analysis
dc.subject.eng.fl_str_mv Algotrading
Classification
Prediction
Stock markets
Time series
Quadratic discriminant analysis
description Séries temporais de ativos financeiros de negociação são conhecidas por ter propriedades estocásticas que tornam a previsão uma tentativa quase fútil. Na Economia, a teoria dominante da Hipótese do Mercado Eficiente propõe que qualquer tentativa de prever os preços futuros de um ativo negociável é em vão e não deve ser perseguida. Nas últimas décadas, o surgimento de algoritmos de aprendizado de máquina deu à comunidade de in vestimentos ferramentas interessantes para avançar na pesquisa de previsão. No entanto, entendemos que algoritmos não são suficientes para fazer previsões bem-sucedidas: para construir modelos melhores, o pesquisador deve empregar o desenvolvimento de recur sos, especialmente com o conhecimento e experiência de um praticante e especialista no campo. Neste trabalho, avaliamos o desempenho de um algoritmo de classificação (QDA - Análise Discriminante Quadrática) com a adição de recursos, comparando os resultados com um benchmark (compra e retenção) e um experimento de linha de base. A investigação foi realizada usando o Contrato Futuro do Índice Bovespa (Ibovespa Futuro), fazendo previsões de curto prazo em um ambiente simulado.
publishDate 2023
dc.date.accessioned.fl_str_mv 2023-06-18T03:52:11Z
dc.date.issued.fl_str_mv 2023
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.uri.fl_str_mv http://hdl.handle.net/10183/259164
dc.identifier.nrb.pt_BR.fl_str_mv 001171573
url http://hdl.handle.net/10183/259164
identifier_str_mv 001171573
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Biblioteca Digital de Teses e Dissertações da UFRGS
collection Biblioteca Digital de Teses e Dissertações da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/259164/2/001171573.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/259164/1/001171573.pdf
bitstream.checksum.fl_str_mv c66fc54ebebaa70790dfaa6e629522fb
653da473773d5ae6247596d63cf8ef29
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv lume@ufrgs.br||lume@ufrgs.br
_version_ 1831316158330961920

Registros relacionados