Previsões financeiras através de sistemas neuronebulosos.

• Ano de defesa: 2002
• Autor(a) principal: Gomes, Daniel de Souza
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Fuzzy Logic; Lógica Fuzzy; Neural Networks; Redes neurais
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-03102024-103838/

Esta dissertação investiga o uso de sistema neuronebuloso como uma ferramenta de previsão. Especificamente um sistema neuronebuloso para predizer tendência dos índices do mercado de ações. A arquitetura e o procedimento de aprendizado fundamentado com o ANFIS, (Adaptative Network Based Fuzzy Inference Systems). Através de um procedimento híbrido de aprendizado, a proposta ANFIS pode ser formalizada através de um mapeamento de entrada e saída conhecimento humano (na forma de regras nebulosas If-then). Dentre os pesquisadores desta área destacam-se Jang, Nauck e Vuorimaa, que criaram respectivamente os modelos ANFIS, NEFCLASS e FSOM. Todos esses modelos são sistemas adaptativos, como as redes neurais, e são interpretáveis através de regras da lógica fuzzy. O ANFIS suporta funções de ativação, triangular, gaussiana e forma de sino, como funções de pertinência. O algoritmo de retropropagação é usado para sintonizar os parâmetros da função de ativação. A métrica de precisão é comparada com os métodos tradicionais de previsão, análise por regressão linear múltipla. Finalmente, modelos de probabilidade são utilizados para corrigir o cálculo. Enquanto uma breve introdução, para lógica nebulosa, sistemas baseados em conhecimento, e redes neurais, e um modelo de previsão neuronebuloso é apresentado. Pesquisas determinam que na pratica o uso de sistemas neuronebulosa como o melhor modelo para previsão. Os controles destes parâmetros seguem métodos onde são aplicadas as trocas de parâmetros como função de ativação, sigmóide ou hiperbólica e as funções de custo MSE (Erro Quadrático Médio) e MAD (Desvio Médio Absoluto).