Please use this identifier to cite or link to this item:
https://repositorio.ufjf.br/jspui/handle/ufjf/15606Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| brunocassaragomes.pdf | PDF/A | 2.05 MB | Adobe PDF |  View/Open |
| Type: | Trabalho de Conclusão de Curso |
| Title: | Antecipação dos movimentos de preços de ações através de redes neurais artificiais |
| Author: | Gomes, Bruno Cassará |
| First Advisor: | Mattos, Rogério Silva de |
| Referee Member: | Coimbra, Paulo César |
| Resumo: | A pesquisa tem como contexto o aumento de pessoas investindo suas poupanças como forma de atingir algum objetivo, seja o lucro ou a defesa contra alguma perda de patrimônio. Por consequência, as Redes Neurais Artificiais (NRAs) são empregadas cada vez mais nos mercados financeiros e estudadas em âmbito acadêmico como uma ferramenta para previsão de preço de ativos. Dadas as inúmeras possibilidades que a arquitetura de RNAs pode ter e a grande quantidade de ativos que podem ser previstos, a pesquisa possui como objetivo verificar a capacidade de RNAs em prever o movimento do preço da ação VALE3, bem como avaliar sua acuracidade. Para esse fim, foram construídas duas RNAs do tipo Percepetron e um módulo agregador, os quais formam um ensemble. Após 20 experimentos sensibilizando a arquitetura das RNAs, o ensemble vencedor apresenta taxa de acurácia global de 57,89%, superior a ambas RNAs individualmente, além de apresentar maior acuracidade em momentos de descida, o que favorece posições de hedge. |
| Abstract: | The context of the research is the increase in the number of people investing their savings to gain some profit or hedge their portfolio. Consequently, Artificial Neural Networks (ANNs) are used in financial markets and studied to predict the asset's price. As there are a lot of possibilities for the architecture of ANNs and a high number of assets, the research aims to verify the capacity of ANNs to predict the movement of the price of the stock VALE3 and measure their accuracy. To achieve this aim, two ANNs and one aggregator module are constructed, which form the ensemble. After 20 experiments changing the architecture of ANNs, the best ensemble has a global accuracy equal to 57,89%, higher than both ANNs. It is more accurate to predict down movements than up movements, and the situation is better to hedge. |
| Keywords: | Ensemble Redes neurais artificiais Artificial neural networks Séries temporais financeiras Financial time series |
| CNPq: | CNPQ::CIENCIAS SOCIAIS APLICADAS::ECONOMIA |
| Language: | por |
| Country: | Brasil |
| Publisher: | Universidade Federal de Juiz de Fora (UFJF) |
| Institution Initials: | UFJF |
| Department: | Faculdade de Economia |
| Access Type: | Acesso Aberto |
| Creative Commons License: | http://creativecommons.org/licenses/by/3.0/br/ |
| URI: | https://repositorio.ufjf.br/jspui/handle/ufjf/15606 |
| Issue Date: | 13-Jul-2023 |
| Appears in Collections: | Ciências Econômicas - Campus JF - TCC Graduação |
This item is licensed under a Creative Commons License
