Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Sobreiro, Vinicius Amorim | - |
Autor(es): dc.creator | Henrique, Bruno Miranda | - |
Data de aceite: dc.date.accessioned | 2024-07-22T11:27:09Z | - |
Data de disponibilização: dc.date.available | 2024-07-22T11:27:09Z | - |
Data de envio: dc.date.issued | 2019-06-04 | - |
Data de envio: dc.date.issued | 2019-06-04 | - |
Data de envio: dc.date.issued | 2019-06-04 | - |
Data de envio: dc.date.issued | 2018-12-12 | - |
Fonte completa do material: dc.identifier | http://repositorio.unb.br/handle/10482/34702 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/780666 | - |
Descrição: dc.description | Dissertação (mestrado)—Universidade de Brasília, Faculdade de Economia, Administração e Contabilidade, Programa de Pós-Graduação em Administração, 2018. | - |
Descrição: dc.description | A predição da direção de ativos do mercado financeiro encontra aplicações em investimentos, gestão de riscos e especulação. Sistemas preditivos capazes de auxiliar a tomada de decisão dos gestores financeiros, ou mesmo automatizar operações, podem gerar grandes lucros e portanto são objetos de intensa pesquisa. Contudo a predição dos mercados financeiros é tida como um formidável desafio, dadas as características não-lineares, não-estacionárias e de natureza caótica dos preços. Neste contexto, sistemas de aprendizagem de máquina encontram larga aplicação pela possibilidade de captura das características dos mercados por meio do treinamento sobre uma base histórica de cotações. Após o referido treino, os modelos de aprendizagem de máquina podem ser aplicados para reconhecer padrões que relacionam os valores das variáveis de entrada à direção dos preços de índices de mercado ou ações individuais. Portanto, os modelos de aprendizagem de máquina podem ser aplicados a variáveis selecionadas para predizer a direção de preços e índices. No entanto, os trabalhos geralmente focam num determinado mercado financeiro, com destaque para os de países desenvolvidos. Aplica-se, nesta Dissertação, Artificial Neural Network (ANN), Support Vector Machine (SVM), Random Forest (RF) e Naive-Bayes (NB) na predição da direção de preços de mercados e ativos de países desenvolvidos e em desenvolvimento. Além disso, também são realizadas predições para o dia seguinte, visando auferir as capacidades dos modelos para uso na construção de estratégias lucrativas. Como variáveis de entrada, são considerados indicadores da Análise Técnica (AT), usados em suas respectivas formas de valores contínuos e como indicadores discretos de tendência. Os resultados apontam que os modelos SVM, RF e NB obtêm as predições mais acuradas sobre a direção dos preços do dia atual, sem distinções significativas de desempenho entre si. Além disso, dentre os tipos de variáveis preditivas utilizadas, os indicadores discretos de tendência da AT proporcionam os melhores resultados para o dia atual, conforme descrito neste trabalho. Quanto às predições referentes ao dia seguinte, não há diferença significativa entre os desempenhos dos classificadores, todos com acurácia próxima à de um modelo aleatório de predição. Não são encontradas evidências de diferenças entre as predições sobre mercados desenvolvidos ou em desenvolvimento, tampouco entre ações ou índices de mercado. | - |
Descrição: dc.description | Directional prediction of securities from financial markets finds applications in investing, risk management and speculation. Predictive systems capable of supporting financial managers' decision making, or even automate operations, can generate big profits and therefore are objects of intense research. However, financial markets prediction is considered a formidable challenge, given non-linear characteristics, non- stationarity and chaotic nature of prices. In this context, machine learning systems are largely applicable due to the possibilities of capturing market characteristics by means of training with a historical quotes database. After training, machine learning models can be used in the recognition of patterns relating input variables to direction of stock prices or market indexes. Therefore, machine learning models can be applied to selected variables to predict prices or indexes direction. Nevertheless, most works focus on a single financial market, mainly in developed countries. This Dissertation applies Artificial Neural Network (ANN), Support Vector Machine (SVM), Random Forest (RF) and Naive-Bayes (NB) in price direction prediction of markets and securities of developed and developing countries. It also computes next day predictions, assessing models capabilities in building profitable strategies. As input variables, Technical Analysis (AT) indicators are considered, used as continuous values and discrete tendency indications. Results point that SVM, RF and NB predict the current day price direction more accurately, without differences in performance. Moreover, discrete trend AT indicators lead to the best results for the current day price direction. About the next day price direction, there are no differences between classifiers' performances, all having accuracy similar to a random prediction model. Evidences of differences in predictions on developed and developing markets are not found, as well as on the usage of stock prices or market indexes. | - |
Descrição: dc.description | La predicción del comportamiento de activos del mercado financiero tiene aplicaciones en inversiones, en gestión de riesgos y en especulación. Sistemas predictivos que pueden ayudar en la toma de decisión de los gestores financieros o automatizar operaciones son capaces de generar grandes lucros y, por lo tanto, son objetos de muchas investigaciones. Sin embargo, a causa de las características no lineales, no estacionarias y de naturaleza caótica de los precios, se considera un gran desafío hacer la predicción de los mercados financieros. En ese contexto, sistemas de aprendizaje de máquinas poseen gran aplicabilidad en virtud de la posibilidad de obtención de las características de los mercados por medio de entrenamiento sobre una base histórica de cotizaciones. Tras ese entrenamiento, se pueden aplicar los modelos de aprendizaje de máquina para reconocer los patrones que asocian los valores de las variables de entrada al comportamiento de los precios de índice de mercado o acciones individuales. Por lo tanto, se pueden ulilizar los modelos de aprendizaje de máquina a las variables seleccionadas para predecir el comportamiento de precios e índices. No obstante, los trabajos en general enfocan algunos mercados financieros, con destaque para los de los países desarrollados. Se aplica en esa disertación Artificial Neural Network (ANN), Support Vector Machine (SVM), Random Forest (RF) y Native-Bayes (NB) en la predicción del comportamiento de precios de mercado y activos de países desarrollados y en desarrollo. Además, se realizan predicciones para el día siguiente, con fines de evaluar las capacidades de los modelos para uso en la construcción de estrategias lucrativas. Como variables de entrada, se consideran los indicadores del Análisis Técnico (AT), usados en sus respectivas formas de valores continuos y como indicadores discretos de tendencia. Los resultados muestran que los modelos SVM, RF y NB obtienen las predicciones más exactas acerca del comportamiento de los precios del día actual, sin distinciones significativas de desempeño entre ellos. Además de eso, entre los tipos de variables predictivas utilizadas, los indicadores discretos de tendencia de la AT proporcionan los mejores resultados para el día actual, de acuerdo con lo que fue descripto en este trabajo. Acerca de las predicciones del día siguiente, no hay diferencia significativa entre los desempeños de los clasificadores, todos con precisión próxima a la de un modelo aleatorio de predicción. No se encontraron evidencias de distinciones entre predicciones sobre mercados desarrollados o en desarrollo, tampoco entre acciones o índices de mercado. | - |
Formato: dc.format | application/pdf | - |
Direitos: dc.rights | Acesso Aberto | - |
Direitos: dc.rights | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. | - |
Palavras-chave: dc.subject | Mercado financeiro | - |
Palavras-chave: dc.subject | Tomada de decisão | - |
Palavras-chave: dc.subject | Aprendizagem de máquina | - |
Palavras-chave: dc.subject | Ações (Finanças) | - |
Título: dc.title | Predição da direção dos preços de ativos do mercado financeiro usando aprendizagem de máquina | - |
Aparece nas coleções: | Repositório Institucional – UNB |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: