O uso de machine learning na análise de crises financeiras
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
Texto Completo: | https://app.uff.br/riuff/handle/1/14130 |
Resumo: | Os Bancos Centrais possuem um papel fundamental na gestão de crises financeira, garantindo a estabilidade e o bom funcionamento do sistema financeiro do país. De modo a auxiliar os decisores a tomar medidas preventivas para diminuir os riscos de crise, os sistemas de alertas devem produzir sinais claros que uma crise econômica é iminente. Dentro desse contexto e com o objetivo de prever eventos relevantes na economia, este trabalho desenvolveu dois modelos de classificação, regressão logística com análise de componentes principais e redes neurais, a partir de uma base dados (Bloomberg e Reuters) com diferentes indicadores econômicos locais e mundiais. Os dois modelos foram comparados em 32 diferentes cenários, variando 4 grupos de atributos (intraday, diária, 5 dias e todos atributos), a presença dos registros referentes a crise de 2008, a comparação entre o desempenho do Brasil e de países emergentes e a utilização de ferramentas para balanceamento de classes. No melhor cenário, com todos os atributos e balanceamento de classes e sem a comparação com países emergentes e sem dados da crise de 2008, dentro de uma amostra de 538 dias, onde 38 eram dias de crise, o modelo de redes neurais conseguiu prever 87% desses dias ao mesmo tempo que foram gerados 66 alarmes falsos, em um cenário. Dentro deste mesmo cenário, o modelo de regressão logística foi capaz de prever 76% dos dias, gerando um total de 80 alarmes falsos. Os resultados mostraram também que os registros da crise de 2008 não interfiram no desempenho dos modelos, por outro lado os dados comparando o Brasil a outros países emergentes gerou um ganho de, aproximadamente, 13% e 19% para a regressão logística e redes neurais, respectivamente. Em relação aos atributos, as variações de 5 dias tiveram maior importância no desempenho, onde 7 dos 10 atributos mais importante eram variações de 5 dias. Os conhecimentos adquiridos ao longo deste trabalho geram a oportunidade para que em trabalhos futuros seja estudado mais a fundo o potencial das redes neurais e analisado outros indicadores econômicos e períodos mais longos, a fim de auxiliar a tomada de decisão da necessidade de intervenção na economia |
id |
UFF-2_c6f34e6c54d2e59912a1ed2fd58a9a3a |
---|---|
oai_identifier_str |
oai:app.uff.br:1/14130 |
network_acronym_str |
UFF-2 |
network_name_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository_id_str |
2120 |
spelling |
O uso de machine learning na análise de crises financeirasCrises financeirasMachine learningRedes neuraisRegressão logísticaAnálise de componentes principaisAprendizado de máquinaCrise financeiraRede neuralRegressão logísticaFinancial crisesNeural networkLogistics regressionPrincipal components analysisOs Bancos Centrais possuem um papel fundamental na gestão de crises financeira, garantindo a estabilidade e o bom funcionamento do sistema financeiro do país. De modo a auxiliar os decisores a tomar medidas preventivas para diminuir os riscos de crise, os sistemas de alertas devem produzir sinais claros que uma crise econômica é iminente. Dentro desse contexto e com o objetivo de prever eventos relevantes na economia, este trabalho desenvolveu dois modelos de classificação, regressão logística com análise de componentes principais e redes neurais, a partir de uma base dados (Bloomberg e Reuters) com diferentes indicadores econômicos locais e mundiais. Os dois modelos foram comparados em 32 diferentes cenários, variando 4 grupos de atributos (intraday, diária, 5 dias e todos atributos), a presença dos registros referentes a crise de 2008, a comparação entre o desempenho do Brasil e de países emergentes e a utilização de ferramentas para balanceamento de classes. No melhor cenário, com todos os atributos e balanceamento de classes e sem a comparação com países emergentes e sem dados da crise de 2008, dentro de uma amostra de 538 dias, onde 38 eram dias de crise, o modelo de redes neurais conseguiu prever 87% desses dias ao mesmo tempo que foram gerados 66 alarmes falsos, em um cenário. Dentro deste mesmo cenário, o modelo de regressão logística foi capaz de prever 76% dos dias, gerando um total de 80 alarmes falsos. Os resultados mostraram também que os registros da crise de 2008 não interfiram no desempenho dos modelos, por outro lado os dados comparando o Brasil a outros países emergentes gerou um ganho de, aproximadamente, 13% e 19% para a regressão logística e redes neurais, respectivamente. Em relação aos atributos, as variações de 5 dias tiveram maior importância no desempenho, onde 7 dos 10 atributos mais importante eram variações de 5 dias. Os conhecimentos adquiridos ao longo deste trabalho geram a oportunidade para que em trabalhos futuros seja estudado mais a fundo o potencial das redes neurais e analisado outros indicadores econômicos e períodos mais longos, a fim de auxiliar a tomada de decisão da necessidade de intervenção na economiaCentral Banks have a crucial role in financial crisis, assuring market stability and proper functioning of the country’s financial system. In order to assist decision makers to take preventive measures to reduce the risk of crises, early warning systems must produce clear signals that an economic crisis is imminent. Within this context, and with the aim of predicting relevant events in the economy, this monograph developed two classification models, logistic regression with principal analysis components and neural networks, from Bloomberg’s and Reuters’s database containing local and global economic indicators. Both models were compared in 32 scenarios, in which they varied in 4 group of features (intraday, daily, 5 days and all features), the presence of the registers from 2008 crises, the comparison between the performance of Brazil and a group of emerging countries and the use of class balancing tools. With a test sample of 538 day, where 38 were related to crisis, the neural network model managed to predict correctly 87% of crisis related days while raising 66 false alarms, in scenario where all features and class balancing tools were used and 2008’s market crash records and the comparison with emerging countries were left off. Within the same scenario, the logistics regression model was able to predict 76% with 80 false alarms. The results also showed that 2008’s crisis records did not interfere in the performance of the models. On the other hand, the data from the comparison between Brazil and the emerging group generated a gain of, approximately, 13% and 19% to the logistic regression and neural networks, respectively. Regarding the features, the 5 days fluctuation had greater importance in both model’s performance, where 7 out 10 attributes were 5 days. The knowledge acquired, open the doors so that in future works to study the potential of neural networks and to the analysis of other economic indicators and longer periods of time, in order to assist on the need for intervention in the economySilva, Antonio Carlos Magalhães daPereira, Paulo Roberto Pfeil GomesRego, Ricardo BordeauxCoelho, Felipe da Motta Alves2020-06-26T16:53:19Z2020-06-26T16:53:19Z2019info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfhttps://app.uff.br/riuff/handle/1/14130http://creativecommons.org/licenses/by-nc-nd/3.0/br/CC-BY-SAinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2022-10-07T19:13:13Zoai:app.uff.br:1/14130Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202024-08-19T10:58:13.349869Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false |
dc.title.none.fl_str_mv |
O uso de machine learning na análise de crises financeiras |
title |
O uso de machine learning na análise de crises financeiras |
spellingShingle |
O uso de machine learning na análise de crises financeiras Coelho, Felipe da Motta Alves Crises financeiras Machine learning Redes neurais Regressão logística Análise de componentes principais Aprendizado de máquina Crise financeira Rede neural Regressão logística Financial crises Neural network Logistics regression Principal components analysis |
title_short |
O uso de machine learning na análise de crises financeiras |
title_full |
O uso de machine learning na análise de crises financeiras |
title_fullStr |
O uso de machine learning na análise de crises financeiras |
title_full_unstemmed |
O uso de machine learning na análise de crises financeiras |
title_sort |
O uso de machine learning na análise de crises financeiras |
author |
Coelho, Felipe da Motta Alves |
author_facet |
Coelho, Felipe da Motta Alves |
author_role |
author |
dc.contributor.none.fl_str_mv |
Silva, Antonio Carlos Magalhães da Pereira, Paulo Roberto Pfeil Gomes Rego, Ricardo Bordeaux |
dc.contributor.author.fl_str_mv |
Coelho, Felipe da Motta Alves |
dc.subject.por.fl_str_mv |
Crises financeiras Machine learning Redes neurais Regressão logística Análise de componentes principais Aprendizado de máquina Crise financeira Rede neural Regressão logística Financial crises Neural network Logistics regression Principal components analysis |
topic |
Crises financeiras Machine learning Redes neurais Regressão logística Análise de componentes principais Aprendizado de máquina Crise financeira Rede neural Regressão logística Financial crises Neural network Logistics regression Principal components analysis |
description |
Os Bancos Centrais possuem um papel fundamental na gestão de crises financeira, garantindo a estabilidade e o bom funcionamento do sistema financeiro do país. De modo a auxiliar os decisores a tomar medidas preventivas para diminuir os riscos de crise, os sistemas de alertas devem produzir sinais claros que uma crise econômica é iminente. Dentro desse contexto e com o objetivo de prever eventos relevantes na economia, este trabalho desenvolveu dois modelos de classificação, regressão logística com análise de componentes principais e redes neurais, a partir de uma base dados (Bloomberg e Reuters) com diferentes indicadores econômicos locais e mundiais. Os dois modelos foram comparados em 32 diferentes cenários, variando 4 grupos de atributos (intraday, diária, 5 dias e todos atributos), a presença dos registros referentes a crise de 2008, a comparação entre o desempenho do Brasil e de países emergentes e a utilização de ferramentas para balanceamento de classes. No melhor cenário, com todos os atributos e balanceamento de classes e sem a comparação com países emergentes e sem dados da crise de 2008, dentro de uma amostra de 538 dias, onde 38 eram dias de crise, o modelo de redes neurais conseguiu prever 87% desses dias ao mesmo tempo que foram gerados 66 alarmes falsos, em um cenário. Dentro deste mesmo cenário, o modelo de regressão logística foi capaz de prever 76% dos dias, gerando um total de 80 alarmes falsos. Os resultados mostraram também que os registros da crise de 2008 não interfiram no desempenho dos modelos, por outro lado os dados comparando o Brasil a outros países emergentes gerou um ganho de, aproximadamente, 13% e 19% para a regressão logística e redes neurais, respectivamente. Em relação aos atributos, as variações de 5 dias tiveram maior importância no desempenho, onde 7 dos 10 atributos mais importante eram variações de 5 dias. Os conhecimentos adquiridos ao longo deste trabalho geram a oportunidade para que em trabalhos futuros seja estudado mais a fundo o potencial das redes neurais e analisado outros indicadores econômicos e períodos mais longos, a fim de auxiliar a tomada de decisão da necessidade de intervenção na economia |
publishDate |
2019 |
dc.date.none.fl_str_mv |
2019 2020-06-26T16:53:19Z 2020-06-26T16:53:19Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://app.uff.br/riuff/handle/1/14130 |
url |
https://app.uff.br/riuff/handle/1/14130 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ CC-BY-SA info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ CC-BY-SA |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF) instname:Universidade Federal Fluminense (UFF) instacron:UFF |
instname_str |
Universidade Federal Fluminense (UFF) |
instacron_str |
UFF |
institution |
UFF |
reponame_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
collection |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository.name.fl_str_mv |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF) |
repository.mail.fl_str_mv |
riuff@id.uff.br |
_version_ |
1811823622155665408 |