Previsão de séries temporais financeiras por meio de redes neurais dinâmicas e processos de transformação de dados: uma abordagem empírico-comparativa

• Autor(a) principal: Costa, Alexandre Fructuoso da [UNESP]
• Data de Publicação: 2012
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/92999
• topic: Análise de séries temporais; Redes neurais (Computação); Mercado financeiro; Estatística; Inteligencia artificial; Time-series analysis - Data processing; Neural networks (Computer science); Money market; Statistics; Artificial intelligence

A previsão de séries temporais financeiras é uma das questões mais pesquisadas no campo das finanças, sobretudo, no que diz respeito ao mercado acionário e à análise de riscos. Para tanto, essas pesquisas envolvem desde modelos estatísticos e econométricos até modelos de inteligência artificial, como as redes neurais dinâmicas. Nesse sentido este estudo tem o propósito de desenvolver e aplicar dois modelos de redes neurais artificiais dinâmicas, a rede neural focada atrasada no tempo - FTDNN (focused time delay neural network) e a rede neural auto regressiva com entradas exógenas - NARX (nonlinear autoregressive network with exogenous inputs) para previsão de séries temporais financeiras, tendo como padrão de referência de desempenho mínimo um modelo estatístico tradicional do tipo ARMA-GARCH. Essa abordagem camparativa também considera três modalidades diferentes de transformação de dados na fase pré-processamento das redes: as diferenças de primeira ordem, os retornos logarítmicos e a transformação Box-Cox, buscando analisar o impacto de cada uma delas no desempenho preditivo das redes neurais. Também propõe uma abordagem neural para o processo de reversão dos dados previstos e uma métrica de erro capaz de verificar o desempenho preditivo das redes neurais e sua capacidade de captar tendências de curto prazo e eficiência negocial. Em sentido amplo, os resultados obtidos indicam que a rede NARX apresenta melhor desempenho preditivo que a rede FTDNN, sobretudo, no que diz respeito à captura de tendências; que a transformações de dados podem melhorar o nível de acurácia das previsões em ambas as redes e que a transformação por retornos logarítimos gera os melhores desempenhos. Quanto ao processo de reversão dos dados previstos para a escala da série original, o método neural proposto foi bem sucedido apenas para a transformação Box-cox