Redes neurais recorrentes e expoente de Lyapunov aplicados a séries temporais financeiras

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorLopes, Heitor Silvério-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4045818083957064-
Autor(es): dc.contributorLopes, Heitor Silvério-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4045818083957064-
Autor(es): dc.contributorLazzaretti, André Eugênio-
Autor(es): dc.contributorhttp://lattes.cnpq.br/7649611874688878-
Autor(es): dc.contributorManffra, Elisangela Ferretti-
Autor(es): dc.contributorhttps://orcid.org/0000-0003-1178-0367-
Autor(es): dc.contributorhttp://lattes.cnpq.br/2072276467214521-
Autor(es): dc.creatorConti, Jean Pierre Jarrier-
Data de aceite: dc.date.accessioned2022-02-21T21:54:38Z-
Data de disponibilização: dc.date.available2022-02-21T21:54:38Z-
Data de envio: dc.date.issued2019-11-18-
Data de envio: dc.date.issued2019-11-18-
Data de envio: dc.date.issued2019-08-29-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/4569-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/663432-
Descrição: dc.descriptionThe study of financial market asset pricing is considered one of the most relevant subjects in this segment. The possibility to obtain profit during the intraday oscillations turned the predictability problem relevant to this arear. Although economists, academics and industry professionals have different views about the possibility of predicting prices, some recent studies consider that there is some degree of the predictability in financial series. This evidence considers the prices series as a chaotic and non-linear system where, at least, short term predictability may takes place. In this way, Machine Learning and Deep Learning methods have been used together as decision support systems to forecast the movement direction of prices. In this work, the problem of predicting the next minute is addressed from the classification perspective. Five assets of the Brazilian Stock Exchange were chosen based on the ticks’ liquidity in the period. A three-class supervision method was applied and ten technical indicators were used as attributes for the assets chosen. Two data sets were constructed: one using the continuous value of the indicators, and other using discretized values. Using Support Vector Machine, Random Forest, MLP and LSTM three methods were applied to the classification process. The first method compares the results between the continuous and the discretized data sets. Using the classifier that presented the best result, the second experiment added four attributes using the Lyapunov exponent calculation. The objective of this experiment was to investigate if the attributes could contribute to improve the classification of all assets. Finally, a final experiment used the calculation of the maximum Lyapunov exponent as a training control for the classifier. The objective, in this case, was to exclude portions of the series where the value of the Lyapunov exponent indicated chaos. The result showed that although indicator discretization contributed positively for most classifiers, LSTM networks showed a significant improvement in continuous data sets with superior performance in most cases. In general, it was concluded that each asset benefited from a set of specific methods. The experiments demonstrated that there is no general method that presents an optimal performance for all assets in the defined period studied.-
Descrição: dc.descriptionO estudo da formação de preço em ativos do mercado financeiro é considerado um dos tópicos mais desafiadores deste setor. A possibilidade de auferir lucro durante as oscilações intra-diárias torna a previsibilidade um dos problemas mais relevante para este segmento. Embora economistas, acadêmicos e profissionais da área tenham opiniões divergentes quanto à possibilidade de se prever preços, estudos recentes consideram existir algum grau de previsibilidade em séries financeiras. Este indício considera as séries de preços como um sistema não linear e caótico; onde neste caso, ao menos uma previsibilidade de curto prazo poderia ser obtida. Dentro deste contexto, métodos de Aprendizagem de Máquina e Aprendizagem Profunda, aliado a sistemas de apoio a tomada de decisão têm sido utilizados buscando prever a direção dos movimentos. Neste trabalho, o problema da previsão de direção do próximo minuto é abordado a partir da perspectiva de uma tarefa de classificação. Para tal, cinco ativos da Bolsa de Valores Brasileira foram escolhidos utilizando como premissa a liquidez dos ticks no período. Um método de supervisão de três classes foi aplicado e dez indicadores técnicos foram utilizados como atributos para os ativos escolhidos. Dois conjuntos de dados foram construídos onde no primeiro, o valor contínuo dos indicadores foi mantido enquanto no segundo todos os valores foram discretizados. Utilizando Máquinas de Vetores de Suporte, Floresta Aleatória, MLP e LSTM três métodos foram aplicados ao processo de classificação. O primeiro método comparou os resultados entre o conjunto contínuo e o conjunto criado através de indicadores discretizados. Mantendo apenas o classificador que apresentou o melhor resultado o segundo experimento acrescentou quatro atributos utilizando como cálculo o expoente de Lyapunov da série. O objetivo deste experimento foi investigar se os atributos poderiam contribuir para a melhora da classificação de todos os ativos. Por fim, um experimento final utilizou o cálculo do máximo expoente de Lyapunov como controle de treinamento para o classificador. O objetivo neste caso foi excluir trechos das séries onde o valor do expoente de Lyapunov indicasse presença de caos. Os resultados mostraram que embora a discretização dos indicadores tenha contribuído para a maioria dos classificadores, redes LSTM apresentaram um desempenho melhor nos conjuntos de dados contínuos na maioria dos ativos abordados. Em linhas gerais foi possível concluir que cada ativo se beneficiou de um conjunto de parâmetros específicos. Os experimentos demonstraram não haver um método que apresente um desempenho ideal para todos os ativos escolhidos no período definido.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCuritiba-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherPrograma de Pós-Graduação em Engenharia Elétrica e Informática Industrial-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectAnálise de séries temporais-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectEspeculação (Finanças)-
Palavras-chave: dc.subjectInvestimentos de capital-
Palavras-chave: dc.subjectLiapunov, Funções de-
Palavras-chave: dc.subjectEngenharia elétrica-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectTime-series analysis-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectSpeculation-
Palavras-chave: dc.subjectCapital investments-
Palavras-chave: dc.subjectLyapunov functions-
Palavras-chave: dc.subjectElectric engineering-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS::ENGENHARIA ELETRICA-
Palavras-chave: dc.subjectEngenharia Elétrica-
Título: dc.titleRedes neurais recorrentes e expoente de Lyapunov aplicados a séries temporais financeiras-
Título: dc.titleRecurrent neural networks and Lyapunov exponent applied to financial time series-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.