Redes Neuronais LSTM em Python : previsão do S&P500

Detalhes bibliográficos
Autor(a) principal: Silva, André Filipe Ferreira Lourenço da
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10451/61679
Resumo: Tese de Mestrado, Matemática Financeira, 2023, Universidade de Lisboa, Faculdade de Ciências
id RCAP_4d9b4bd932f2c4818b6771ceb0670b69
oai_identifier_str oai:repositorio.ul.pt:10451/61679
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Redes Neuronais LSTM em Python : previsão do S&P500Redes NeuronaisLSTMTuningHidden layersRMSETeses de mestrado - 2023Domínio/Área Científica::Ciências Naturais::MatemáticasTese de Mestrado, Matemática Financeira, 2023, Universidade de Lisboa, Faculdade de CiênciasNesta dissertação, iremos explorar um pouco do universo que são os algoritmos Deep Learning, para series temporais. Em particular, através do algoritmo LSTM (Long Short-Term Memory), foi desenvolvido um modelo capaz de prever o S&P500, com resultados significativos, no período de análise desde 1 de janeiro 2020 até 31 de dezembro de 2022. A linguagem de programação Python foi escolhida para implementar o código, dado que disponibiliza uma grande quantidade algoritmos pré-definidos em bibliotecas que facilitam tanto a escrita, como a leitura e interpretação do código. Além disto, foram escolhidos vários indicadores fundamentais, macroeconómicos e técnicos, com expectativa de que o modelo LSTM consiga captar relações entre eles. Após serem abordados os conceitos chave para compreensão da análise, exploramos de forma detalhada a metodologia, raciocino e técnicas usadas no tratamento de dados, desenvolvimento, treino e tuning dos hiperparâmetros do modelo LSTM. De seguida, passamos à análise de sensibilidade, onde é avaliada a relevância de cada indicador e parâmetro para o resultado do modelo, realizando ajustes caso necessário e por fim comparamos o modelo final com o modelo Naive. Concluímos esta dissertação respondendo a algumas questões e interpretando os resultados do algoritmo do ponto de vista económico.We will explore in this dissertation, a small part of the universe of Deep Learning algorithms for time series data. Using the LSTM (Long Short-Term Memory) algorithm, we will create a model capable of predicting the S&P500 with significant results. The data period analysed spans from January 1, 2020, to December 31, 2022. The Python programming language was chosen to implement the code because it provides a vast number of predefined algorithms in libraries make it easier, both code writing, reading and interpretation. We have selected several fundamental, macroeconomic, and technical indicators, with the expectation that the LSTM model could capture relationships between them. Frist we will address the key concepts necessary for understanding the analysis and them explore in detail the methodology, reasoning, and techniques used in data preprocessing, model training, and tuning of LSTM model hyperparameters. We then proceed to the sensitivity analysis, where we assess the relevance of each indicator and parameter to the model's outcome, adjusting if necessary and finally, we compare our final model to the Naive model. Then we conclude this dissertation by answering some questions and interpreting the model results from an economic perspective.Mendes, Diana E. AldeaRepositório da Universidade de LisboaSilva, André Filipe Ferreira Lourenço da2024-01-09T17:57:54Z202320232023-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10451/61679porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2024-01-15T01:19:03Zoai:repositorio.ul.pt:10451/61679Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T01:44:36.729083Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Redes Neuronais LSTM em Python : previsão do S&P500
title Redes Neuronais LSTM em Python : previsão do S&P500
spellingShingle Redes Neuronais LSTM em Python : previsão do S&P500
Silva, André Filipe Ferreira Lourenço da
Redes Neuronais
LSTM
Tuning
Hidden layers
RMSE
Teses de mestrado - 2023
Domínio/Área Científica::Ciências Naturais::Matemáticas
title_short Redes Neuronais LSTM em Python : previsão do S&P500
title_full Redes Neuronais LSTM em Python : previsão do S&P500
title_fullStr Redes Neuronais LSTM em Python : previsão do S&P500
title_full_unstemmed Redes Neuronais LSTM em Python : previsão do S&P500
title_sort Redes Neuronais LSTM em Python : previsão do S&P500
author Silva, André Filipe Ferreira Lourenço da
author_facet Silva, André Filipe Ferreira Lourenço da
author_role author
dc.contributor.none.fl_str_mv Mendes, Diana E. Aldea
Repositório da Universidade de Lisboa
dc.contributor.author.fl_str_mv Silva, André Filipe Ferreira Lourenço da
dc.subject.por.fl_str_mv Redes Neuronais
LSTM
Tuning
Hidden layers
RMSE
Teses de mestrado - 2023
Domínio/Área Científica::Ciências Naturais::Matemáticas
topic Redes Neuronais
LSTM
Tuning
Hidden layers
RMSE
Teses de mestrado - 2023
Domínio/Área Científica::Ciências Naturais::Matemáticas
description Tese de Mestrado, Matemática Financeira, 2023, Universidade de Lisboa, Faculdade de Ciências
publishDate 2023
dc.date.none.fl_str_mv 2023
2023
2023-01-01T00:00:00Z
2024-01-09T17:57:54Z
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 http://hdl.handle.net/10451/61679
url http://hdl.handle.net/10451/61679
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.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799136941578387456

Registros relacionados