Mercado de ações brasileiro em alta-frequência: Evidências de sua previsibilidade com modelagem morfológica-linear
Autor(a) principal: | |
---|---|
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 |