Previsão de séries temporais com aprendizagem profunda : uma aplicação para taxa de câmbio = Time series forecast with deep learning: an application for exchange rate

Detalhes bibliográficos
Autor(a) principal: Makika, Henri, 1986-
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/7346
Resumo: Orientadores: João Marcos Travassos Romano, Rosângela Ballin
id UNICAMP-30_6e651c59dea71333d9bf6d7c5f358a50
oai_identifier_str oai::1259464
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Previsão de séries temporais com aprendizagem profunda : uma aplicação para taxa de câmbio = Time series forecast with deep learning: an application for exchange rateTime series forecast with deep learning : an application for exchange rateRedes neurais recorrentesProcessamento de sinaisTeoria da estimativaAprendizado profundoMemória de longo e curto prazoRecurrent neural networksSignal processingEstimation theoryDeep learningLong short-term memoryOrientadores: João Marcos Travassos Romano, Rosângela BallinDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de ComputaçãoResumo: O estudo de previsão de séries temporais tem tido grande interesse na área econômica e financeira. Vários problemas da análise econômica são baseados na tarefa de previsão de séries temporais, ou seja, identificar as características do processo no ponto futuro. Nos últimos anos, modelos de aprendizado de máquinas desempenharam um papel importante na abordagem e solução de problemas complexos, entre outros, a previsão de séries temporais. Modelos de redes neurais recorrente (com realimentação) e não-recorrente (feedforward ou sem realimentação), têm-se mostrado uma alternativa valiosa em relação aos modelos lineares tradicionais. Algumas séries temporais exibem características ou fatos estilizados complexos, como tendência, não-linearidade, longa memória, em que modelos de redes neurais são capazes de incorporar na modelagem. A presente dissertação de mestrado centra-se na possibilidade de prever as taxas de câmbio. É realizada uma investigação empírica sobre até que ponto os modelos de redes neurais podem melhorar a previsibilidade das taxas de câmbio em comparação com os modelos lineares tradicionais. Duas famílias de modelos são empregadas: modelos lineares (ARIMA e ARFIMA) e modelos não-lineares (MLP, LSTM e GRU). Mostramos suas fundamentações teóricas, as arquiteturas montadas como os algoritmos de treinamento e implementação computacional. Os resultados das previsões são comparados com base em métricas da magnitude do erro (MAE, MSE, RMSE) e da acurácia que nada mais é a probabilidade de detectar a direção correta do valor previsto. Utilizamos as séries das taxas de câmbio diárias de Real/Dólar e Euro/Dólar de dezembro de 2003 a maio de 2021. As previsões são realizadas para um horizonte temporal de 1 e 7 passos à frente. Os resultados indicaram que os modelos lineares têm mostrados o desempenho relativamente inferior aos modelos não-lineares tanto para previsão 1 passo à frente como para previsão 7 passos à frente. Além disso, quando comparamos os modelos de redes neurais, a estrutura do modelo GRU fornece o melhor desempenho de previsão tanto para medida da magnitude como para acuráciaAbstract: The study of time series forecasting has been a great interest in the economic and financial area. Several problems of economic analysis are based on the task of time series, forecasting that is, to identify the characteristics of the process in the future point. In recent years, machine learning models have played an important role in approaching and solving complex problems, among others, time series forecasting. Recurrent and non-recurrent neural network models have proved to be a valuable alternative to traditional linear models. Some time series exhibit complex stylized features or facts, such as trend, nonlinearity, long memory, which recurrent neural networks are able to incorporate into modeling. This master’s thesis focuses on the possibility of predicting exchange rates. An empirical investigation is carried out on the extent to which neural network models can improve the predictability of exchange rates compared to traditional linear models. Two families of models are used: linear models (ARIMA and ARFIMA) and non-linear models (MLP, LSTM and GRU). We show its theoretical foundations, the architectures assembled as the training algorithms and computational implementation. The results of the predictions are compared based on metrics of the magnitude of the error (MAE, MSE, RMSE) and the accuracy, which is nothing more than the probability of detecting the correct direction of the predicted value. We use the Real/Dollar and Euro/Dollar daily exchange rate series, from December 2003 to May 2021. Forecasts are performed for a time horizon of 1 and 7 steps ahead. The results indicated that linear models have shown relatively inferior performance to nonlinear models for both 1-step-ahead and 7-step-ahead forecasts. In addition, among the neural networks structures, the stucture of the GRU model provides the best prediction performance for both magnitude and accuracy measurementsMestradoTelecomunicações e TelemáticaMestre em Engenharia ElétricaCAPES88887.554908/2020-00[s.n.]Romano, João Marcos Travassos, 1960-Ballini, Rosangela, 1969-Torezzan, CristianoAttux, Romis Ribeiro de FaissolUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de ComputaçãoPrograma de Pós-Graduação em Engenharia ElétricaUNIVERSIDADE ESTADUAL DE CAMPINASMakika, Henri, 1986-20222022-12-15T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (94 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/7346MAKIKA, Henri. Previsão de séries temporais com aprendizagem profunda: uma aplicação para taxa de câmbio = Time series forecast with deep learning: an application for exchange rate. 2022. 1 recurso online (94 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/7346. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1259464Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2023-02-06T14:56:51Zoai::1259464Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2023-02-06T14:56:51Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Previsão de séries temporais com aprendizagem profunda : uma aplicação para taxa de câmbio = Time series forecast with deep learning: an application for exchange rate
Time series forecast with deep learning : an application for exchange rate
title Previsão de séries temporais com aprendizagem profunda : uma aplicação para taxa de câmbio = Time series forecast with deep learning: an application for exchange rate
spellingShingle Previsão de séries temporais com aprendizagem profunda : uma aplicação para taxa de câmbio = Time series forecast with deep learning: an application for exchange rate
Makika, Henri, 1986-
Redes neurais recorrentes
Processamento de sinais
Teoria da estimativa
Aprendizado profundo
Memória de longo e curto prazo
Recurrent neural networks
Signal processing
Estimation theory
Deep learning
Long short-term memory
title_short Previsão de séries temporais com aprendizagem profunda : uma aplicação para taxa de câmbio = Time series forecast with deep learning: an application for exchange rate
title_full Previsão de séries temporais com aprendizagem profunda : uma aplicação para taxa de câmbio = Time series forecast with deep learning: an application for exchange rate
title_fullStr Previsão de séries temporais com aprendizagem profunda : uma aplicação para taxa de câmbio = Time series forecast with deep learning: an application for exchange rate
title_full_unstemmed Previsão de séries temporais com aprendizagem profunda : uma aplicação para taxa de câmbio = Time series forecast with deep learning: an application for exchange rate
title_sort Previsão de séries temporais com aprendizagem profunda : uma aplicação para taxa de câmbio = Time series forecast with deep learning: an application for exchange rate
author Makika, Henri, 1986-
author_facet Makika, Henri, 1986-
author_role author
dc.contributor.none.fl_str_mv Romano, João Marcos Travassos, 1960-
Ballini, Rosangela, 1969-
Torezzan, Cristiano
Attux, Romis Ribeiro de Faissol
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação
Programa de Pós-Graduação em Engenharia Elétrica
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Makika, Henri, 1986-
dc.subject.por.fl_str_mv Redes neurais recorrentes
Processamento de sinais
Teoria da estimativa
Aprendizado profundo
Memória de longo e curto prazo
Recurrent neural networks
Signal processing
Estimation theory
Deep learning
Long short-term memory
topic Redes neurais recorrentes
Processamento de sinais
Teoria da estimativa
Aprendizado profundo
Memória de longo e curto prazo
Recurrent neural networks
Signal processing
Estimation theory
Deep learning
Long short-term memory
description Orientadores: João Marcos Travassos Romano, Rosângela Ballin
publishDate 2022
dc.date.none.fl_str_mv 2022
2022-12-15T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/7346
MAKIKA, Henri. Previsão de séries temporais com aprendizagem profunda: uma aplicação para taxa de câmbio = Time series forecast with deep learning: an application for exchange rate. 2022. 1 recurso online (94 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/7346. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/7346
identifier_str_mv MAKIKA, Henri. Previsão de séries temporais com aprendizagem profunda: uma aplicação para taxa de câmbio = Time series forecast with deep learning: an application for exchange rate. 2022. 1 recurso online (94 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/7346. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1259464
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (94 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189186689826816

Registros relacionados