Por favor, use este identificador para citar o enlazar este ítem:
https://repositorio.ufjf.br/jspui/handle/ufjf/19224Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| hugomonteirodepinho.pdf | 1.24 MB | Adobe PDF | Visualizar/Abrir |
| Clase: | Trabalho de Conclusão de Curso |
| Título : | Investigação da capacidade preditiva de Redes Neurais Recorrentes “Long Short-Term Memory” (LSTM) para os preços de fechamento do Mini Índice de 2022 a 2024 |
| Autor(es): | Pinho, Hugo Monteiro de |
| Orientador: | Coimbra, Paulo César |
| Miembros Examinadores: | Mattos, Rogerio Silva de |
| Resumo: | Uma das estratégias utilizadas por operadores e investidores do mercado financeiro para maximizar os rendimentos de suas carteiras é a previsão dos preços futuros dos ativos, seja com base na análise histórica dos preços ou nos fundamentos das empresas. Neste estudo, avaliamos a capacidade preditiva de uma rede neural do tipo LSTM na previsão dos preços de fechamento do Mini Índice Bovespa, testando quatro modelos distintos. O primeiro, mais simples, considera apenas o preço de fechamento como variável. O segundo incorpora mais informações de preço. O terceiro inclui as informações de preço e um único indicador técnico. Por fim, o quarto e mais complexo modelo combina dados de preço com múltiplos indicadores técnicos. A comparação entre os modelos permite avaliar a eficácia do uso de diferentes conjuntos de variáveis na previsão do comportamento do mercado. |
| Resumen : | One of the strategies used by financial market traders and investors to maximize portfolio returns is forecasting future asset prices, either based on historical price analysis or company fundamentals. In this study, we assess the predictive capability of an LSTM neural network in forecasting the closing prices of the Mini Bovespa Index, testing four different models. The first and simplest model considers only the closing price as a variable. The second incorporates additional price-related information. The third includes price data along with a single technical indicator. Finally, the fourth and most complex model combines price data with multiple technical indicators. Comparing these models allows us to evaluate the effectiveness of different variable sets in predicting market behavior. |
| Palabras clave : | Previsão Rede Neural Bovespa Mercado Financeiro Forecasting Neural Network Bovespa Financial Market |
| CNPq: | CNPQ::CIENCIAS SOCIAIS APLICADAS::ECONOMIA |
| Idioma: | por |
| País: | Brasil |
| Editorial : | Universidade Federal de Juiz de Fora (UFJF) |
| Sigla de la Instituición: | UFJF |
| Departamento: | Faculdade de Economia |
| Clase de Acesso: | Acesso Aberto Attribution-NoDerivs 3.0 Brazil |
| Licenças Creative Commons: | http://creativecommons.org/licenses/by-nd/3.0/br/ |
| URI : | https://repositorio.ufjf.br/jspui/handle/ufjf/19224 |
| Fecha de publicación : | 11-mar-2025 |
| Aparece en las colecciones: | Ciências Econômicas - Campus JF - TCC Graduação |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons
