Previsão do índice Bovespa utilizando redes neurais
dc.contributor.advisor | Balbinot, Alexandre | pt_BR |
dc.contributor.author | Müller, Vinícius Guilherme | pt_BR |
dc.date.accessioned | 2019-07-25T02:32:04Z | pt_BR |
dc.date.issued | 2018 | pt_BR |
dc.identifier.uri | http://hdl.handle.net/10183/197358 | pt_BR |
dc.description.abstract | A previsão do mercado de ações tem sido um tema de grande interesse no campo das finanças, da engenharia e da matemática devido ao seu potencial de ganho financeiro. No entanto, a previsão do preço das ações é altamente complexa, pois as séries financeiras possuem altos níveis de ruído, são dinâmicas, não-lineares e caóticas por natureza. Além disso existem muitos fatores como eventos políticos, condições econômicas, expectativas dos investidores e outros fatores ambientais que podem influenciar no preço das ações. O objetivo deste estudo foi desenvolver uma Rede Neural Feedforward para prever as tendências do Índice Bovespa em um horizonte de tempo de uma semana. Foram calculadas 220 diferentes características consistindo em indicadores técnicos, volatilidade e nas cotações do dólar, do petróleo, do ouro, assim como das ações que compõem o índice. As características foram ranqueadas utilizando-se como modelo um Gradient Boosting de Árvores de Decisão em um algoritmo Recursive Feature Elimination. Foram implementadas diferentes redes possuindo diferentes números de neurônios e quantidades variadas das características mais bem classificadas. Foi possível obter uma taxa de acertos de 58,63% para o conjunto de validação e 58,13% para o conjunto de teste para a rede utilizando as 40 características mais bem classificadas pelo ranking. Utilizando-se todas as 220 entradas pré-selecionadas a rede obteve uma taxa de acertos de 51,39%, evidenciando a importância da seleção de características para esse problema. | pt_BR |
dc.description.abstract | Stock market forecasting has been a subject of great interest in the field of finance, engineering and mathematics because of its potential for financial gain. However, stock price prediction is highly complex since financial series have high levels of noise, are dynamic, non-linear and chaotic by nature. In addition, there are many factors such as political events, economic conditions, investor expectations and other environmental factors that may influence stock prices. The objective of this study was to develop a Feedforward Neural Network to predict trends of the Bovespa Index over a one-week time horizon. Different characteristics were calculated, consisting of technical indicators, volatility and the dollar, oil and gold prices, as well as the stocks that make up the index. The features were ranked using a Gradient Boosting of Decision Trees in a Recursive Feature Elimination algorithm. Different networks with different numbers of neurons and varying amounts of the best classified features were implemented. It was possible to obtain an accuracy rate of 58.63% for the validation set and 58.13% for the test set for the network using the 40 best classified features in the ranking. Using all the 220 pre-selected features, the network obtained an accuracy rate of 51.39%, evidencing the importance of the feature selection on this problem. | en |
dc.format.mimetype | application/pdf | pt_BR |
dc.language.iso | por | pt_BR |
dc.rights | Open Access | en |
dc.subject | Stock Market forecasting | en |
dc.subject | Engenharia elétrica | pt_BR |
dc.subject | Gradient Boosting | en |
dc.subject | Recursive Feature Elimination | en |
dc.subject | Financial Time Series | en |
dc.subject | Neural Networks | en |
dc.title | Previsão do índice Bovespa utilizando redes neurais | pt_BR |
dc.type | Trabalho de conclusão de graduação | pt_BR |
dc.identifier.nrb | 001082104 | pt_BR |
dc.degree.grantor | Universidade Federal do Rio Grande do Sul | pt_BR |
dc.degree.department | Escola de Engenharia | pt_BR |
dc.degree.local | Porto Alegre, BR-RS | pt_BR |
dc.degree.date | 2018 | pt_BR |
dc.degree.graduation | Engenharia Elétrica | pt_BR |
dc.degree.level | graduação | pt_BR |
Este item está licenciado na Creative Commons License
-
TCC Engenharias (5789)