Previsão de preços de ações no período intradiário por meio de focused time lagged feedforward networks

• Ano de defesa: 2015
• Autor(a) principal: Schmidt, Paulo André
• Orientador(a): Valiati, Joao Francisco
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Vale do Rio dos Sinos
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação Aplicada
• Departamento: Escola Politécnica
• País: Brasil
• Palavras-chave em Português: Redes neurais artificiais; FTLFN; Intradiário; Análise técnica; Bolsa de valores
• Palavras-chave em Inglês: Artificial neural networks; Intraday; Technical analysis; Stock market
• Área do conhecimento CNPq: ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação
• Link de acesso: http://www.repositorio.jesuita.org.br/handle/UNISINOS/4867

A previsão de preços de ações é um assunto de grande interesse tanto por parte de agentes de mercado quanto da comunidade científica e acadêmica. Ao mesmo tempo, o problema é considerado como um dos mais desafiadores no tratamento de séries temporais, dada sua natureza altamente dinâmica. Uma ampla gama de estudos propõe-se a abordar o tema. Alguns com resultados bastante promissores fazem uso de Redes Neurais Artificiais (RNAs) do tipo Focused Time Lagged FeedForward Network (FTLFN), as quais apresentam mecanismos de memória capazes de detectar padrões temporais. Em muitos casos, no entanto, as capacidades da rede neural não são devidamente exploradas, limitando-se a testes com um conjunto mínimo de parâmetros. Além disso, a maioria dos estudos de previsões de preços de ações possui como foco períodos de baixa frequência, como dias ou meses. Contudo, devido à facilidade de acesso à informação nas últimas décadas e à automatização das negociações em bolsas de valores, estas são realizadas cada vez mais sob horizontes de curto prazo, como horas, minutos ou segundos. Existe, portanto, a necessidade de se expandir o conhecimento em relação a previsões dentro deste cenário. Neste sentido, este trabalho tem como objetivo uma investigação das reais potencialidades de previsão das FTLFNs sobre preços de ações no período intradiário. Sua memória de curto prazo e tamanho de camada oculta são explorados de forma ampla e aprofundada, através dos quais se buscou identificar o impacto das diferentes configurações nos resultados de acurácia dentro do contexto considerado. Na tentativa de oferecer suporte a melhores previsões, analisa-se também a influência de indicadores da Análise Técnica sobre o modelo. De forma mais geral, procura-se ampliar o entendimento a respeito tanto das capacidades de previsão das redes do tipo FTLFN como de sua empregabilidade em séries temporais financeiras intradiárias, ainda pouco exploradas na literatura. Os resultados obtidos mostram que, assim como investidores humanos, também as FTLFNs são capazes de se beneficiar enormemente de padrões formados pelos históricos dos sinais de entrada, a fim de prover previsões de maior qualidade dentro do contexto proposto neste trabalho. O mesmo não pode ser afirmado a respeito dos indicadores da Análise Técnica escolhidos, uma vez que em sua grande maioria aumentam os erros de previsão. As evidências apresentadas baseiam-se em experimentações sobre diferentes conjuntos de sinais, oferecendo robustez às conclusões alcançadas e permitindo que a metodologia e os resultados sirvam como base para futuras pesquisas relacionadas a previsões dentro de cenários de alta frequência.