Mercado de ações brasileiro em alta-frequência: Evidências de sua previsibilidade com modelagem morfológica-linear

Detalhes bibliográficos
Autor(a) principal: ARAÚJO, Ricardo De Andrade
Data de Publicação: 2016
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFPE
Texto Completo: https://repositorio.ufpe.br/handle/123456789/17924
Resumo: Este trabalho apresenta um estudo sobre séries temporais financeiras, em alta-frequência, na tentativa de identificar as características do seu fenômeno gerador e, baseado neste estudo, propor um modelo, composto por uma combinação balanceada entre operadores lineares e operadores não-lineares crescentes e decrescentes, capaz de prever este tipo particular de série temporal. Para o processo de aprendizagem, é proposto um método baseado em gradiente descendente, utilizando ideias do algoritmo de retropropagação do erro (back propagation, BP) e uma abordagem alternativa para superar o problema da não-diferenciabilidade dos operadores não-lineares. Uma análise experimental é conduzida com o modelo proposto, utilizando um conjunto de séries temporais financeiras, em alta-frequência, do mercado de ações Brasileiro: Banco do Brasil SA, Banco Bradesco SA, Brasil Foods SA, BR Malls Participações SA e Companhia Energética Minas Gerais. Nestes experimentos, um conjunto relevante de medidas é utilizado para avaliar o desempenho preditivo do modelo proposto, e os resultados alcançados superam aqueles obtidos utilizando técnicas estatísticas, neurais e híbridas apresentadas na literatura. Também, são realizadas simulações com um sistema de apoio à decisão, baseado em previsão, para compra e venda de ações, tendo em vista demonstrar o desempenho econômico expressivo do modelo proposto no mercado de ações, em alta-frequência.
id UFPE_093de96f4b516f93dc645e7026fc9f29
oai_identifier_str oai:repositorio.ufpe.br:123456789/17924
network_acronym_str UFPE
network_name_str Repositório Institucional da UFPE
repository_id_str 2221
spelling ARAÚJO, Ricardo De Andradehttp://buscatextual.cnpq.br/buscatextual/busca.dohttp://buscatextual.cnpq.br/buscatextual/busca.doMEIRA, Silvio Romero de LemosOLIVEIRA, Adriano Lorena Inácio de2016-09-27T18:39:30Z2016-09-27T18:39:30Z2016-01-01https://repositorio.ufpe.br/handle/123456789/17924Este trabalho apresenta um estudo sobre séries temporais financeiras, em alta-frequência, na tentativa de identificar as características do seu fenômeno gerador e, baseado neste estudo, propor um modelo, composto por uma combinação balanceada entre operadores lineares e operadores não-lineares crescentes e decrescentes, capaz de prever este tipo particular de série temporal. Para o processo de aprendizagem, é proposto um método baseado em gradiente descendente, utilizando ideias do algoritmo de retropropagação do erro (back propagation, BP) e uma abordagem alternativa para superar o problema da não-diferenciabilidade dos operadores não-lineares. Uma análise experimental é conduzida com o modelo proposto, utilizando um conjunto de séries temporais financeiras, em alta-frequência, do mercado de ações Brasileiro: Banco do Brasil SA, Banco Bradesco SA, Brasil Foods SA, BR Malls Participações SA e Companhia Energética Minas Gerais. Nestes experimentos, um conjunto relevante de medidas é utilizado para avaliar o desempenho preditivo do modelo proposto, e os resultados alcançados superam aqueles obtidos utilizando técnicas estatísticas, neurais e híbridas apresentadas na literatura. Também, são realizadas simulações com um sistema de apoio à decisão, baseado em previsão, para compra e venda de ações, tendo em vista demonstrar o desempenho econômico expressivo do modelo proposto no mercado de ações, em alta-frequência.CNPQThis work presents a study about high-frequency financial time series to identify the characteristics of their generator phenomenon and, based on such study, to propose a model, composed of a balanced combination of linear operators and increasing and decreasing nonlinear operators, able to predict this kind of time series. For the learning process, it is proposed a descent gradient-based method, using ideas from the back propagation (BP) algorithm and a systematic approach to overcome the problem of nondifferentiability of nonlinear operators. An experimental analysis is conducted with the proposed model, using a set of highfrequency financial time series of the Brazilian stock market: Banco do Brasil SA, Banco Bradesco SA, Brasil Foods SA, BR Malls Participações SA and Companhia Energética Minas Gerais. In these experiments, a relevant set of measures are used to assess the prediction performance of the proposed model, and the achieved results overcome those obtained by statistical, neural and hybrid techniques presented in the literature. Also, it is performed simulations with a prediction-based decision support system, for buy and sale of stocks, to demonstrate the significant economic performance of the proposed model in real high-frequency stock marketporUniversidade Federal de PernambucoPrograma de Pos Graduacao em Ciencia da ComputacaoUFPEBrasilAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessNeurônio Artificial. Aprendizagem Baseada em Gradiente Descendente. Mercado de Ações Brasileiro em Alta-Frequência. Previsão de Séries Temporais. Sistema de Apoio a Decisão.Artificial Neuron. Descent Gradient-based Learning. High-Frequency Brazilian Stock Market. Time Series Prediction. Decision Support System.Mercado de ações brasileiro em alta-frequência: Evidências de sua previsibilidade com modelagem morfológica-linearinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisdoutoradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPETHUMBNAILRicardoDeAndradeAraujo.pdf.jpgRicardoDeAndradeAraujo.pdf.jpgGenerated Thumbnailimage/jpeg1249https://repositorio.ufpe.br/bitstream/123456789/17924/5/RicardoDeAndradeAraujo.pdf.jpgbdbbfb0307a3bf9de63235f0ddc029c0MD55ORIGINALRicardoDeAndradeAraujo.pdfRicardoDeAndradeAraujo.pdfapplication/pdf2136922https://repositorio.ufpe.br/bitstream/123456789/17924/1/RicardoDeAndradeAraujo.pdf3bf9d638152b4cc1870ed7c533772faeMD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81232https://repositorio.ufpe.br/bitstream/123456789/17924/2/license_rdf66e71c371cc565284e70f40736c94386MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82311https://repositorio.ufpe.br/bitstream/123456789/17924/3/license.txt4b8a02c7f2818eaf00dcf2260dd5eb08MD53TEXTRicardoDeAndradeAraujo.pdf.txtRicardoDeAndradeAraujo.pdf.txtExtracted texttext/plain305578https://repositorio.ufpe.br/bitstream/123456789/17924/4/RicardoDeAndradeAraujo.pdf.txt407b2c69e8071c8224ccbead32e34d1aMD54123456789/179242019-10-25 08:15:58.38oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212019-10-25T11:15:58Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false
dc.title.pt_BR.fl_str_mv Mercado de ações brasileiro em alta-frequência: Evidências de sua previsibilidade com modelagem morfológica-linear
title Mercado de ações brasileiro em alta-frequência: Evidências de sua previsibilidade com modelagem morfológica-linear
spellingShingle Mercado de ações brasileiro em alta-frequência: Evidências de sua previsibilidade com modelagem morfológica-linear
ARAÚJO, Ricardo De Andrade
Neurônio Artificial. Aprendizagem Baseada em Gradiente Descendente. Mercado de Ações Brasileiro em Alta-Frequência. Previsão de Séries Temporais. Sistema de Apoio a Decisão.
Artificial Neuron. Descent Gradient-based Learning. High-Frequency Brazilian Stock Market. Time Series Prediction. Decision Support System.
title_short Mercado de ações brasileiro em alta-frequência: Evidências de sua previsibilidade com modelagem morfológica-linear
title_full Mercado de ações brasileiro em alta-frequência: Evidências de sua previsibilidade com modelagem morfológica-linear
title_fullStr Mercado de ações brasileiro em alta-frequência: Evidências de sua previsibilidade com modelagem morfológica-linear
title_full_unstemmed Mercado de ações brasileiro em alta-frequência: Evidências de sua previsibilidade com modelagem morfológica-linear
title_sort Mercado de ações brasileiro em alta-frequência: Evidências de sua previsibilidade com modelagem morfológica-linear
author ARAÚJO, Ricardo De Andrade
author_facet ARAÚJO, Ricardo De Andrade
author_role author
dc.contributor.authorLattes.pt_BR.fl_str_mv http://buscatextual.cnpq.br/buscatextual/busca.do
dc.contributor.advisorLattes.pt_BR.fl_str_mv http://buscatextual.cnpq.br/buscatextual/busca.do
dc.contributor.author.fl_str_mv ARAÚJO, Ricardo De Andrade
dc.contributor.advisor1.fl_str_mv MEIRA, Silvio Romero de Lemos
dc.contributor.advisor-co1.fl_str_mv OLIVEIRA, Adriano Lorena Inácio de
contributor_str_mv MEIRA, Silvio Romero de Lemos
OLIVEIRA, Adriano Lorena Inácio de
dc.subject.por.fl_str_mv Neurônio Artificial. Aprendizagem Baseada em Gradiente Descendente. Mercado de Ações Brasileiro em Alta-Frequência. Previsão de Séries Temporais. Sistema de Apoio a Decisão.
Artificial Neuron. Descent Gradient-based Learning. High-Frequency Brazilian Stock Market. Time Series Prediction. Decision Support System.
topic Neurônio Artificial. Aprendizagem Baseada em Gradiente Descendente. Mercado de Ações Brasileiro em Alta-Frequência. Previsão de Séries Temporais. Sistema de Apoio a Decisão.
Artificial Neuron. Descent Gradient-based Learning. High-Frequency Brazilian Stock Market. Time Series Prediction. Decision Support System.
description Este trabalho apresenta um estudo sobre séries temporais financeiras, em alta-frequência, na tentativa de identificar as características do seu fenômeno gerador e, baseado neste estudo, propor um modelo, composto por uma combinação balanceada entre operadores lineares e operadores não-lineares crescentes e decrescentes, capaz de prever este tipo particular de série temporal. Para o processo de aprendizagem, é proposto um método baseado em gradiente descendente, utilizando ideias do algoritmo de retropropagação do erro (back propagation, BP) e uma abordagem alternativa para superar o problema da não-diferenciabilidade dos operadores não-lineares. Uma análise experimental é conduzida com o modelo proposto, utilizando um conjunto de séries temporais financeiras, em alta-frequência, do mercado de ações Brasileiro: Banco do Brasil SA, Banco Bradesco SA, Brasil Foods SA, BR Malls Participações SA e Companhia Energética Minas Gerais. Nestes experimentos, um conjunto relevante de medidas é utilizado para avaliar o desempenho preditivo do modelo proposto, e os resultados alcançados superam aqueles obtidos utilizando técnicas estatísticas, neurais e híbridas apresentadas na literatura. Também, são realizadas simulações com um sistema de apoio à decisão, baseado em previsão, para compra e venda de ações, tendo em vista demonstrar o desempenho econômico expressivo do modelo proposto no mercado de ações, em alta-frequência.
publishDate 2016
dc.date.accessioned.fl_str_mv 2016-09-27T18:39:30Z
dc.date.available.fl_str_mv 2016-09-27T18:39:30Z
dc.date.issued.fl_str_mv 2016-01-01
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufpe.br/handle/123456789/17924
url https://repositorio.ufpe.br/handle/123456789/17924
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Pernambuco
dc.publisher.program.fl_str_mv Programa de Pos Graduacao em Ciencia da Computacao
dc.publisher.initials.fl_str_mv UFPE
dc.publisher.country.fl_str_mv Brasil
publisher.none.fl_str_mv Universidade Federal de Pernambuco
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPE
instname:Universidade Federal de Pernambuco (UFPE)
instacron:UFPE
instname_str Universidade Federal de Pernambuco (UFPE)
instacron_str UFPE
institution UFPE
reponame_str Repositório Institucional da UFPE
collection Repositório Institucional da UFPE
bitstream.url.fl_str_mv https://repositorio.ufpe.br/bitstream/123456789/17924/5/RicardoDeAndradeAraujo.pdf.jpg
https://repositorio.ufpe.br/bitstream/123456789/17924/1/RicardoDeAndradeAraujo.pdf
https://repositorio.ufpe.br/bitstream/123456789/17924/2/license_rdf
https://repositorio.ufpe.br/bitstream/123456789/17924/3/license.txt
https://repositorio.ufpe.br/bitstream/123456789/17924/4/RicardoDeAndradeAraujo.pdf.txt
bitstream.checksum.fl_str_mv bdbbfb0307a3bf9de63235f0ddc029c0
3bf9d638152b4cc1870ed7c533772fae
66e71c371cc565284e70f40736c94386
4b8a02c7f2818eaf00dcf2260dd5eb08
407b2c69e8071c8224ccbead32e34d1a
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)
repository.mail.fl_str_mv attena@ufpe.br
_version_ 1802310904456413184