Análise de algoritmos de machine learning e redes neurais para previsão de preços de ações do IBOVESPA
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional do FGV (FGV Repositório Digital) |
Texto Completo: | https://hdl.handle.net/10438/33230 |
Resumo: | O foco deste trabalho consiste em utilizar uma variedade de modelos de machine learning e de redes neurais para investigar a conjectura, que encontra respaldo em outras áreas do conhecimento, que no tocante também à previsão de preços de ações é possível encontrar uma especificação ARIMA, portanto mais parcimoniosa, com melhor performance para períodos mais longos. O experimento foca em cinco ações do IBOVESPA (BBAS3, FLRY3, RENT3, VALE3, SLCE3), que representam setores diferentes da economia, durante o período de 3 de março de 2010 a 30 de janeiro de 2022, o que confere robustez ao experimento. De fato, ao buscar compreender quais algoritmos oferecem melhores resultados e com a maior precisão possível, pode-se adiantar que modelos ARIMA específicos foram os que performaram melhor no geral, segundo os critérios RMSE e MAE. Por outro lado, o exercício também inova ao usar modelos de aprendizado de máquina para estimar preços usando preços de dias anteriores ao invés de retornos para o mercado acionário brasileiro. Além disso, propõe um modelo híbrido de rede neural LSTM-GRU para tentar melhorar a previsão dos preços das ações. |
id |
FGV_11e52d27c9adc3eddb4f978a6634f992 |
---|---|
oai_identifier_str |
oai:repositorio.fgv.br:10438/33230 |
network_acronym_str |
FGV |
network_name_str |
Repositório Institucional do FGV (FGV Repositório Digital) |
repository_id_str |
3974 |
spelling |
Bluvol, Leonardo MizrahyEscolas::EPGEVarejão Neto, Edmilson de SiqueiraAraújo, Gustavo Silva deCavalcanti, Ricardo de Oliveira2023-02-10T19:39:13Z2023-02-10T19:39:13Z2022-12https://hdl.handle.net/10438/33230O foco deste trabalho consiste em utilizar uma variedade de modelos de machine learning e de redes neurais para investigar a conjectura, que encontra respaldo em outras áreas do conhecimento, que no tocante também à previsão de preços de ações é possível encontrar uma especificação ARIMA, portanto mais parcimoniosa, com melhor performance para períodos mais longos. O experimento foca em cinco ações do IBOVESPA (BBAS3, FLRY3, RENT3, VALE3, SLCE3), que representam setores diferentes da economia, durante o período de 3 de março de 2010 a 30 de janeiro de 2022, o que confere robustez ao experimento. De fato, ao buscar compreender quais algoritmos oferecem melhores resultados e com a maior precisão possível, pode-se adiantar que modelos ARIMA específicos foram os que performaram melhor no geral, segundo os critérios RMSE e MAE. Por outro lado, o exercício também inova ao usar modelos de aprendizado de máquina para estimar preços usando preços de dias anteriores ao invés de retornos para o mercado acionário brasileiro. Além disso, propõe um modelo híbrido de rede neural LSTM-GRU para tentar melhorar a previsão dos preços das ações.The focus of this work is to use a variety of machine learning models and neural networks to investigate the conjecture, which finds support in other areas of knowledge, that it is also possible to find an ARIMA specification with regard to stock price forecasting, therefore more parsimonious, with better performance for longer periods. The experiment focuses on five IBOVESPA stocks (BBAS3, FLRY3, RENT3, VALE3, SLCE3), which represent different sectors of the economy, during the period from March 3, 2010 to January 30, 2022, which gives robustness to the experiment. In fact, when trying to understand which algorithms offer the best results and with the greatest possible precision, it can be said that specific ARIMA models performed best in general, according to the RMSE and MAE criteria. On the other hand, the exercise also innovates by using machine learning models to estimate prices using prices from previous days instead of returns for the Brazilian stock market. Furthermore, it proposes a hybrid LSTM-GRU neural network model to try to improve stock price prediction.porMachine learningNeural networksBrazilian stocksRedes neuraisARIMALSTMAções brasileirasSVRGRUEconomiaMercado de ações - PreçosAprendizado do computador - ModelosRedes neurais (Computação)Previsão com Metodologia de Box-JenkinsAnálise de algoritmos de machine learning e redes neurais para previsão de preços de ações do IBOVESPAinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional do FGV (FGV Repositório Digital)instname:Fundação Getulio Vargas (FGV)instacron:FGVORIGINALLeonardo Bluvol- Tese Definitiva2.pdfLeonardo Bluvol- Tese Definitiva2.pdfPDFapplication/pdf1447355https://repositorio.fgv.br/bitstreams/029268a3-2733-4101-a3ce-8b9fee169a33/download7f5a0c891c7a942de1773610a0fa43b7MD55LICENSElicense.txtlicense.txttext/plain; charset=utf-84707https://repositorio.fgv.br/bitstreams/abd31f53-195d-472a-b7ce-1c9b3f8683dd/downloaddfb340242cced38a6cca06c627998fa1MD52TEXTLeonardo Bluvol- Tese Definitiva.pdf.txtLeonardo Bluvol- Tese Definitiva.pdf.txtExtracted texttext/plain58899https://repositorio.fgv.br/bitstreams/50394dee-8dae-4428-9843-53a7c7b836be/downloade688222158e47b61b4fea99fa0e98d94MD53Leonardo Bluvol- Tese Definitiva2.pdf.txtLeonardo Bluvol- Tese Definitiva2.pdf.txtExtracted texttext/plain60794https://repositorio.fgv.br/bitstreams/b48675e6-39c0-46d8-8e61-7d57ed5acea9/download259beface20195993690a1fc09c5e56fMD58THUMBNAILLeonardo Bluvol- Tese Definitiva.pdf.jpgLeonardo Bluvol- Tese Definitiva.pdf.jpgGenerated Thumbnailimage/jpeg1393https://repositorio.fgv.br/bitstreams/1452d50c-df3a-477a-89ed-f2f9712cddc1/download10ee50f5ceb1c23028a3b2d943afedafMD54Leonardo Bluvol- Tese Definitiva2.pdf.jpgLeonardo Bluvol- Tese Definitiva2.pdf.jpgGenerated Thumbnailimage/jpeg2603https://repositorio.fgv.br/bitstreams/d9a4797b-c71e-47bb-9896-c87fd8df9aa8/download18cb29776f4c23145c38e80224e5825eMD5910438/332302024-06-27 16:02:33.105open.accessoai:repositorio.fgv.br:10438/33230https://repositorio.fgv.brRepositório InstitucionalPRIhttp://bibliotecadigital.fgv.br/dspace-oai/requestopendoar:39742024-06-27T16:02:33Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV)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 |
dc.title.por.fl_str_mv |
Análise de algoritmos de machine learning e redes neurais para previsão de preços de ações do IBOVESPA |
title |
Análise de algoritmos de machine learning e redes neurais para previsão de preços de ações do IBOVESPA |
spellingShingle |
Análise de algoritmos de machine learning e redes neurais para previsão de preços de ações do IBOVESPA Bluvol, Leonardo Mizrahy Machine learning Neural networks Brazilian stocks Redes neurais ARIMA LSTM Ações brasileiras SVR GRU Economia Mercado de ações - Preços Aprendizado do computador - Modelos Redes neurais (Computação) Previsão com Metodologia de Box-Jenkins |
title_short |
Análise de algoritmos de machine learning e redes neurais para previsão de preços de ações do IBOVESPA |
title_full |
Análise de algoritmos de machine learning e redes neurais para previsão de preços de ações do IBOVESPA |
title_fullStr |
Análise de algoritmos de machine learning e redes neurais para previsão de preços de ações do IBOVESPA |
title_full_unstemmed |
Análise de algoritmos de machine learning e redes neurais para previsão de preços de ações do IBOVESPA |
title_sort |
Análise de algoritmos de machine learning e redes neurais para previsão de preços de ações do IBOVESPA |
author |
Bluvol, Leonardo Mizrahy |
author_facet |
Bluvol, Leonardo Mizrahy |
author_role |
author |
dc.contributor.unidadefgv.por.fl_str_mv |
Escolas::EPGE |
dc.contributor.member.none.fl_str_mv |
Varejão Neto, Edmilson de Siqueira Araújo, Gustavo Silva de |
dc.contributor.author.fl_str_mv |
Bluvol, Leonardo Mizrahy |
dc.contributor.advisor1.fl_str_mv |
Cavalcanti, Ricardo de Oliveira |
contributor_str_mv |
Cavalcanti, Ricardo de Oliveira |
dc.subject.eng.fl_str_mv |
Machine learning Neural networks Brazilian stocks |
topic |
Machine learning Neural networks Brazilian stocks Redes neurais ARIMA LSTM Ações brasileiras SVR GRU Economia Mercado de ações - Preços Aprendizado do computador - Modelos Redes neurais (Computação) Previsão com Metodologia de Box-Jenkins |
dc.subject.por.fl_str_mv |
Redes neurais ARIMA LSTM Ações brasileiras SVR GRU |
dc.subject.area.eng.fl_str_mv |
Economia |
dc.subject.bibliodata.por.fl_str_mv |
Mercado de ações - Preços Aprendizado do computador - Modelos Redes neurais (Computação) Previsão com Metodologia de Box-Jenkins |
description |
O foco deste trabalho consiste em utilizar uma variedade de modelos de machine learning e de redes neurais para investigar a conjectura, que encontra respaldo em outras áreas do conhecimento, que no tocante também à previsão de preços de ações é possível encontrar uma especificação ARIMA, portanto mais parcimoniosa, com melhor performance para períodos mais longos. O experimento foca em cinco ações do IBOVESPA (BBAS3, FLRY3, RENT3, VALE3, SLCE3), que representam setores diferentes da economia, durante o período de 3 de março de 2010 a 30 de janeiro de 2022, o que confere robustez ao experimento. De fato, ao buscar compreender quais algoritmos oferecem melhores resultados e com a maior precisão possível, pode-se adiantar que modelos ARIMA específicos foram os que performaram melhor no geral, segundo os critérios RMSE e MAE. Por outro lado, o exercício também inova ao usar modelos de aprendizado de máquina para estimar preços usando preços de dias anteriores ao invés de retornos para o mercado acionário brasileiro. Além disso, propõe um modelo híbrido de rede neural LSTM-GRU para tentar melhorar a previsão dos preços das ações. |
publishDate |
2022 |
dc.date.issued.fl_str_mv |
2022-12 |
dc.date.accessioned.fl_str_mv |
2023-02-10T19:39:13Z |
dc.date.available.fl_str_mv |
2023-02-10T19:39:13Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/10438/33230 |
url |
https://hdl.handle.net/10438/33230 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional do FGV (FGV Repositório Digital) instname:Fundação Getulio Vargas (FGV) instacron:FGV |
instname_str |
Fundação Getulio Vargas (FGV) |
instacron_str |
FGV |
institution |
FGV |
reponame_str |
Repositório Institucional do FGV (FGV Repositório Digital) |
collection |
Repositório Institucional do FGV (FGV Repositório Digital) |
bitstream.url.fl_str_mv |
https://repositorio.fgv.br/bitstreams/029268a3-2733-4101-a3ce-8b9fee169a33/download https://repositorio.fgv.br/bitstreams/abd31f53-195d-472a-b7ce-1c9b3f8683dd/download https://repositorio.fgv.br/bitstreams/50394dee-8dae-4428-9843-53a7c7b836be/download https://repositorio.fgv.br/bitstreams/b48675e6-39c0-46d8-8e61-7d57ed5acea9/download https://repositorio.fgv.br/bitstreams/1452d50c-df3a-477a-89ed-f2f9712cddc1/download https://repositorio.fgv.br/bitstreams/d9a4797b-c71e-47bb-9896-c87fd8df9aa8/download |
bitstream.checksum.fl_str_mv |
7f5a0c891c7a942de1773610a0fa43b7 dfb340242cced38a6cca06c627998fa1 e688222158e47b61b4fea99fa0e98d94 259beface20195993690a1fc09c5e56f 10ee50f5ceb1c23028a3b2d943afedaf 18cb29776f4c23145c38e80224e5825e |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional do FGV (FGV Repositório Digital) - Fundação Getulio Vargas (FGV) |
repository.mail.fl_str_mv |
|
_version_ |
1810023610941702144 |