Predição de índices financeiros utilizando modelo ARIMA e LSTM: um estudo comparativo

• Autor(a) principal: Alves, Guilherme Salgado [UNIFESP]
• Data de Publicação: 2024
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UNIFESP
• Texto Completo: https://hdl.handle.net/11600/72237
• topic: ARIMA; LSTM; séries temporais; previsão de preços

O mercado de capitais tem como principal objetivo a maximização de retornos financeiros através do ganho de capital. Neste contexto, a aquisição de ativos com valor de mercado inferior ao seu potencial intrínseco, com a subsequente realização de lucros por meio da valorização desses ativos, constitui o objetivo inerente a todos os participantes deste setor da economia. Diversos métodos são utilizados para mensurar e prever os valores de ativos financeiros, e a antecipação dos movimentos de preços no mercado torna-se uma atividade de interesse crítico para investidores e instituições. Ao longo de toda a história do mercado, diversos modelos de previsão foram desenvolvidos com o propósito de melhorar a acurácia dessas antecipações, e com o recente advento da computação, a maioria dos processos consiste em meios e ferramentas computacionais para desenvolver essas atividades. Com isso, é natural surgirem os questionamentos referentes à acurácia, custo e a comparação entre os modelos mais canônicos e os mais atuais. Desta forma, este trabalho visa comparar dois modelos distintos de previsão de preços de ativos: um modelo matemático de séries temporais amplamente conhecido e consolidado no mercado (ARIMA), com um modelo computacional baseado em redes neurais recorrentes, mais recente complexo (LSTM). O projeto busca comparar os desempenhos na previsão de preços de índices financeiros, como as diferenças de complexidade entre os modelos afeta os resultados obtidos. Além disso, será analisada a influência do horizonte de previsão na acurácia dos modelos, os erros apresentados, custo computacional e qual a sua relação com a precisão adicionada.