Redes neurais LSTM e modelo GARCH: uma abordagem conjunta para previsão de retornos
Autor(a) principal: | |
---|---|
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 |