Redes neurais aplicadas ao reconhecimento e classificação de padrões em séries financeiras
Autor(a) principal: | |
---|---|
Data de Publicação: | 2002 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da USP |
Texto Completo: | https://www.teses.usp.br/teses/disponiveis/92/92131/tde-16022022-152120/ |
Resumo: | Neste trabalho avaliamos a habilidade de um modelo conexionista no reconhecimento de possíveis padrões apresentados em séries financeiras. Através da abordagem de um problema de divisão em classes, utilizamos uma rede multicamada do tipo Êeed-6orward tendo como algoritmo de aprendizado back-propagation otimizado pelo método gradiente conjugado escalonado. Tomando como entrada os retornos diários das séries de lbovespa, Telemar PN e Petrobrás PN em períodos semanais, diversas topologias coram treinadas, variando pelo número de unidades ocultas e o número de iterações no critério de parada, gerando como saída ordens de compra e venda dadas pela previsão do movimento do preço do ativo para a semana seguinte. As arquiteturas treinadas foram avaliadas com base na taxa de classificação e lucratividade, e os resultados obtidos confirmaram a validação do modelo proposto. |
id |
USP_f4257340bc073d82f03fed8c4a42b273 |
---|---|
oai_identifier_str |
oai:teses.usp.br:tde-16022022-152120 |
network_acronym_str |
USP |
network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
repository_id_str |
2721 |
spelling |
Redes neurais aplicadas ao reconhecimento e classificação de padrões em séries financeirasNeural networks applied to the recognition and classification of patterns in financial seriesFinançasFinanceFinancial marketsMercado financeiroNeural networksRedes neuraisNeste trabalho avaliamos a habilidade de um modelo conexionista no reconhecimento de possíveis padrões apresentados em séries financeiras. Através da abordagem de um problema de divisão em classes, utilizamos uma rede multicamada do tipo Êeed-6orward tendo como algoritmo de aprendizado back-propagation otimizado pelo método gradiente conjugado escalonado. Tomando como entrada os retornos diários das séries de lbovespa, Telemar PN e Petrobrás PN em períodos semanais, diversas topologias coram treinadas, variando pelo número de unidades ocultas e o número de iterações no critério de parada, gerando como saída ordens de compra e venda dadas pela previsão do movimento do preço do ativo para a semana seguinte. As arquiteturas treinadas foram avaliadas com base na taxa de classificação e lucratividade, e os resultados obtidos confirmaram a validação do modelo proposto.This work presents the performance valuation of a conexionist model for the pattern recognition of financial series. We adopted the approach of classification problem for a back-propagation feed-forward multi-layer network optimized by the scaled conjugated gradient method, applied to the lbovespa, Telemar PN and Petrobrás PN daily retums series, grouped in weekly periods, as input. Several topologies were trained with different number of hidden units and iterations, which was the stop criterion. The output was the buy or self predicted order of the specinic asset for next week. We evaluated the trained architectures based on the classification and pronitability values. The results provided the validation of the proposed modal.Biblioteca Digitais de Teses e Dissertações da USPDreifus, Henrique VonOliveira, Sandra Maria Capuano de2002-07-11info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/92/92131/tde-16022022-152120/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2022-02-16T17:55:02Zoai:teses.usp.br:tde-16022022-152120Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212022-02-16T17:55:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
dc.title.none.fl_str_mv |
Redes neurais aplicadas ao reconhecimento e classificação de padrões em séries financeiras Neural networks applied to the recognition and classification of patterns in financial series |
title |
Redes neurais aplicadas ao reconhecimento e classificação de padrões em séries financeiras |
spellingShingle |
Redes neurais aplicadas ao reconhecimento e classificação de padrões em séries financeiras Oliveira, Sandra Maria Capuano de Finanças Finance Financial markets Mercado financeiro Neural networks Redes neurais |
title_short |
Redes neurais aplicadas ao reconhecimento e classificação de padrões em séries financeiras |
title_full |
Redes neurais aplicadas ao reconhecimento e classificação de padrões em séries financeiras |
title_fullStr |
Redes neurais aplicadas ao reconhecimento e classificação de padrões em séries financeiras |
title_full_unstemmed |
Redes neurais aplicadas ao reconhecimento e classificação de padrões em séries financeiras |
title_sort |
Redes neurais aplicadas ao reconhecimento e classificação de padrões em séries financeiras |
author |
Oliveira, Sandra Maria Capuano de |
author_facet |
Oliveira, Sandra Maria Capuano de |
author_role |
author |
dc.contributor.none.fl_str_mv |
Dreifus, Henrique Von |
dc.contributor.author.fl_str_mv |
Oliveira, Sandra Maria Capuano de |
dc.subject.por.fl_str_mv |
Finanças Finance Financial markets Mercado financeiro Neural networks Redes neurais |
topic |
Finanças Finance Financial markets Mercado financeiro Neural networks Redes neurais |
description |
Neste trabalho avaliamos a habilidade de um modelo conexionista no reconhecimento de possíveis padrões apresentados em séries financeiras. Através da abordagem de um problema de divisão em classes, utilizamos uma rede multicamada do tipo Êeed-6orward tendo como algoritmo de aprendizado back-propagation otimizado pelo método gradiente conjugado escalonado. Tomando como entrada os retornos diários das séries de lbovespa, Telemar PN e Petrobrás PN em períodos semanais, diversas topologias coram treinadas, variando pelo número de unidades ocultas e o número de iterações no critério de parada, gerando como saída ordens de compra e venda dadas pela previsão do movimento do preço do ativo para a semana seguinte. As arquiteturas treinadas foram avaliadas com base na taxa de classificação e lucratividade, e os resultados obtidos confirmaram a validação do modelo proposto. |
publishDate |
2002 |
dc.date.none.fl_str_mv |
2002-07-11 |
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://www.teses.usp.br/teses/disponiveis/92/92131/tde-16022022-152120/ |
url |
https://www.teses.usp.br/teses/disponiveis/92/92131/tde-16022022-152120/ |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
|
dc.rights.driver.fl_str_mv |
Liberar o conteúdo para acesso público. info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Liberar o conteúdo para acesso público. |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.coverage.none.fl_str_mv |
|
dc.publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
instname_str |
Universidade de São Paulo (USP) |
instacron_str |
USP |
institution |
USP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
collection |
Biblioteca Digital de Teses e Dissertações da USP |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
_version_ |
1809090760696397824 |