Redes neurais LSTM e modelo GARCH: uma abordagem conjunta para previsão de retornos

Detalhes bibliográficos
Autor(a) principal: Contarini, Gabriel
Data de Publicação: 2020
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFRJ
Texto Completo: http://hdl.handle.net/11422/14800
Resumo: A ideia principal do trabalho é analisar a performance de previsão do retorno de ações, particularmente da ação PETR3. Primeiramente, para prever os retornos futuros, foi usado um tipo de rede neural chamada de redes neurais recorrentes, especificamente neurônios do tipo LSTM. Depois são estimados modelos GARCHs para a série e são usados suas variâncias condicionais como novos inputs para as redes neurais, transformando assim um problema de regressão univariado em um problema multivariado usando os mesmos dados iniciais. As redes neurais LSTM, em geral, apresentaram melhores resultados em comparação ao próprio GARCH e as redes neurais com GARCH como input.
id UFRJ_ccb1926db094a8cfa1a1da9870de569d
oai_identifier_str oai:pantheon.ufrj.br:11422/14800
network_acronym_str UFRJ
network_name_str Repositório Institucional da UFRJ
repository_id_str
spelling Redes neurais LSTM e modelo GARCH: uma abordagem conjunta para previsão de retornosRedes neurais aritifciaisRedes neurais recorrentesModelo GARCHArtificial neural networksRecurrent neural networksGARCH ModelCNPQ::CIENCIAS SOCIAIS APLICADAS::ECONOMIAA ideia principal do trabalho é analisar a performance de previsão do retorno de ações, particularmente da ação PETR3. Primeiramente, para prever os retornos futuros, foi usado um tipo de rede neural chamada de redes neurais recorrentes, especificamente neurônios do tipo LSTM. Depois são estimados modelos GARCHs para a série e são usados suas variâncias condicionais como novos inputs para as redes neurais, transformando assim um problema de regressão univariado em um problema multivariado usando os mesmos dados iniciais. As redes neurais LSTM, em geral, apresentaram melhores resultados em comparação ao próprio GARCH e as redes neurais com GARCH como input.Universidade Federal do Rio de JaneiroBrasilInstituto de EconomiaUFRJSchommer, Susanhttp://lattes.cnpq.br/6580812800890001Contarini, Gabriel2021-08-17T17:15:58Z2023-12-21T03:08:06Z2020-08info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisCONTARINI, Gabriel. Redes neurais LSTM e modelo GARCH: uma abordagem conjunta para previsão de retornos. 2020. 40 f. Trabalho de Conclusão de Curso (Bacharelado em Ciências Econômicas) - Instituto de Economia, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2020.http://hdl.handle.net/11422/14800porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRJinstname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJ2023-12-21T03:08:06Zoai:pantheon.ufrj.br:11422/14800Repositório InstitucionalPUBhttp://www.pantheon.ufrj.br/oai/requestpantheon@sibi.ufrj.bropendoar:2023-12-21T03:08:06Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)false
dc.title.none.fl_str_mv Redes neurais LSTM e modelo GARCH: uma abordagem conjunta para previsão de retornos
title Redes neurais LSTM e modelo GARCH: uma abordagem conjunta para previsão de retornos
spellingShingle Redes neurais LSTM e modelo GARCH: uma abordagem conjunta para previsão de retornos
Contarini, Gabriel
Redes neurais aritifciais
Redes neurais recorrentes
Modelo GARCH
Artificial neural networks
Recurrent neural networks
GARCH Model
CNPQ::CIENCIAS SOCIAIS APLICADAS::ECONOMIA
title_short Redes neurais LSTM e modelo GARCH: uma abordagem conjunta para previsão de retornos
title_full Redes neurais LSTM e modelo GARCH: uma abordagem conjunta para previsão de retornos
title_fullStr Redes neurais LSTM e modelo GARCH: uma abordagem conjunta para previsão de retornos
title_full_unstemmed Redes neurais LSTM e modelo GARCH: uma abordagem conjunta para previsão de retornos
title_sort Redes neurais LSTM e modelo GARCH: uma abordagem conjunta para previsão de retornos
author Contarini, Gabriel
author_facet Contarini, Gabriel
author_role author
dc.contributor.none.fl_str_mv Schommer, Susan
http://lattes.cnpq.br/6580812800890001
dc.contributor.author.fl_str_mv Contarini, Gabriel
dc.subject.por.fl_str_mv Redes neurais aritifciais
Redes neurais recorrentes
Modelo GARCH
Artificial neural networks
Recurrent neural networks
GARCH Model
CNPQ::CIENCIAS SOCIAIS APLICADAS::ECONOMIA
topic Redes neurais aritifciais
Redes neurais recorrentes
Modelo GARCH
Artificial neural networks
Recurrent neural networks
GARCH Model
CNPQ::CIENCIAS SOCIAIS APLICADAS::ECONOMIA
description A ideia principal do trabalho é analisar a performance de previsão do retorno de ações, particularmente da ação PETR3. Primeiramente, para prever os retornos futuros, foi usado um tipo de rede neural chamada de redes neurais recorrentes, especificamente neurônios do tipo LSTM. Depois são estimados modelos GARCHs para a série e são usados suas variâncias condicionais como novos inputs para as redes neurais, transformando assim um problema de regressão univariado em um problema multivariado usando os mesmos dados iniciais. As redes neurais LSTM, em geral, apresentaram melhores resultados em comparação ao próprio GARCH e as redes neurais com GARCH como input.
publishDate 2020
dc.date.none.fl_str_mv 2020-08
2021-08-17T17:15:58Z
2023-12-21T03:08:06Z
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 CONTARINI, Gabriel. Redes neurais LSTM e modelo GARCH: uma abordagem conjunta para previsão de retornos. 2020. 40 f. Trabalho de Conclusão de Curso (Bacharelado em Ciências Econômicas) - Instituto de Economia, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2020.
http://hdl.handle.net/11422/14800
identifier_str_mv CONTARINI, Gabriel. Redes neurais LSTM e modelo GARCH: uma abordagem conjunta para previsão de retornos. 2020. 40 f. Trabalho de Conclusão de Curso (Bacharelado em Ciências Econômicas) - Instituto de Economia, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2020.
url http://hdl.handle.net/11422/14800
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.publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
Brasil
Instituto de Economia
UFRJ
publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
Brasil
Instituto de Economia
UFRJ
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRJ
instname:Universidade Federal do Rio de Janeiro (UFRJ)
instacron:UFRJ
instname_str Universidade Federal do Rio de Janeiro (UFRJ)
instacron_str UFRJ
institution UFRJ
reponame_str Repositório Institucional da UFRJ
collection Repositório Institucional da UFRJ
repository.name.fl_str_mv Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)
repository.mail.fl_str_mv pantheon@sibi.ufrj.br
_version_ 1815456015713304576