Mostrar el registro sencillo del ítem

dc.contributor.advisorBarone, Dante Augusto Coutopt_BR
dc.contributor.authorProchnow, Fabio Albertopt_BR
dc.date.accessioned2013-02-05T01:38:54Zpt_BR
dc.date.issued2013pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/66085pt_BR
dc.description.abstractAs Séries Temporais podem ser percebidas em diversas formas na natureza e até mesmo nos processos industriais. Nos Mercados Financeiros, por exemplo, pode-se ver nitidamente a formação destas séries. Tanto para os investidores do Mercado Forex quando para os do Mercado de Ações, o desafio é prever as variações destas séries e obter o maior lucro possível destes comportamentos. Para isso, foi criada a Análise Técnica, que consiste de fundamentos e ferramentas de análise gráfica para auxiliar os investidores na hora de tomar uma decisão. Ao encontro disso, surgem os métodos clássicos de predição de Séries Temporais como o Naïve, o ARIMA e, nos últimos tempos, as próprias Redes Neurais. Por outro lado, a Programação Genética vem se destacando em inúmeras aplicações práticas e, dentre as possibilidades de uso desta, está a Regressão Simbólica. Por esse motivo, realizaram-se experimentos comparativos entre os métodos mais utilizados para a previsão destas séries e a própria predição por Regressão Simbólica. Para isso, foram coletadas séries referentes aos artigos mais movimentados nos Mercados de Ações e Forex como as ações PETR4 e VALE5 e os pares EURUSD e GBPUSD. Por fim, percebe-se que a Regressão Simbólica pode ser mais um aliado dos investidores na busca pelo lucro e, embora não haja um método perfeito entre os testados, todos eles devem ser utilizados em conjunto de forma a reduzir os riscos na hora de investir.pt_BR
dc.description.abstractThe Time Series can be seen in different ways in the nature or even in the industrial processes. In the Financial Markets, for example, it can be clearly seen the formation of these series. For the investor of the Forex Market as for the investors of the Stock Market the challenge is to forecast the variations of these series in order to acquire the best profit rate from these behaviors. The Technical Analysis was created with this objective and it provides principles and graphical analysis tools to help the investors on their decisions. In this sense, some classical methods to forecast Time Series such as the Naïve method, the ARIMA method and even the Neural Networks are widely used. On the other hand, the Genetic Programming has been very successfully applied to many practical applications and one of its possible uses is the Symbolic Regression. For this reason, some experiments were realized to make a comparison among the classical methods of Time Series forecasting and the prediction using the Symbolic Regression method. In order to do these experiments, some Time Series of the most active articles of the Stock and Forex Markets such as the PETR4 and VALE5 shares and the EURUSD and GBPUSD pairs were gathered. At the end of the tests, it was seen that the Symbolic Regression can be considered another ally of the investors seeking high profit rates and, although there isn’t a perfect method among the ones used in this work, all of them should be used together in order to reduce the risks when it’s time to invest.en
dc.format.mimetypeapplication/pdf
dc.language.isoporpt_BR
dc.rightsOpen Accessen
dc.subjectSistemas : Informaçãopt_BR
dc.subjectGenetic programmingen
dc.subjectTime seriesen
dc.subjectProgramacao geneticapt_BR
dc.subjectForecastingen
dc.subjectTechnical analysisen
dc.subjectFinancial marketsen
dc.titleProgramação genética para predição de séries temporais aplicados a mercados financeirospt_BR
dc.title.alternativeGenetic programming for time series forecasting applied to financial markets en
dc.typeTrabalho de conclusão de graduaçãopt_BR
dc.contributor.advisor-coOliveira, Luiz Otávio Vilas Bôaspt_BR
dc.identifier.nrb000870841pt_BR
dc.degree.grantorUniversidade Federal do Rio Grande do Sulpt_BR
dc.degree.departmentInstituto de Informáticapt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2013pt_BR
dc.degree.graduationCiência da Computação: Ênfase em Ciência da Computação: Bachareladopt_BR
dc.degree.levelgraduaçãopt_BR


Ficheros en el ítem

Thumbnail
   

Este ítem está licenciado en la Creative Commons License

Mostrar el registro sencillo del ítem