Previsão de sucessões cronológicas econômico-financeiras por meio de redes neurais artificiais recorrentes de tempo real e de processos ARMA-GARCH: um estudo comparativo quanto à eficiência de previsão

Detalhes bibliográficos
Autor(a) principal: Oliveira, Mauri Aparecido de
Data de Publicação: 2004
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/12/12139/tde-07122021-095621/
Resumo: O principal objetivo desse trabalho é estudar o processamento de séries temporais para a realização de previsão utilizando redes neurais artificiais e os modelos ARIMA-GARCH. Com relação as redes neurais foram estudados os algoritmos de processamento temporal utilizando redes neurais alimentadas adiante e as redes recorrentes. Sendo que nas redes recorrentes o algoritmo utilizado para análise da série temporal foi o algoritmo de aprendizagem recorrente em tempo real (RTRL). Para os modelos ARIMA foi utilizada a metodologia desenvolvida por Box e Jenkins. Foram utilizadas as séries temporais de retornos diários do IBOVESPA, Petrobrás, Nasdaq, IBM e saca de 60Kg de soja como exemplo de aplicação das metodologias
id USP_fe4cc58e0eecc6ed6ca9f3f83c526c4b
oai_identifier_str oai:teses.usp.br:tde-07122021-095621
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling Previsão de sucessões cronológicas econômico-financeiras por meio de redes neurais artificiais recorrentes de tempo real e de processos ARMA-GARCH: um estudo comparativo quanto à eficiência de previsãoForecasting economic-financial chronological successions using real-time recurrent artificial neural networks and ARMA-GARCH processes: a comparative efficiency studyAnálise de séries temporaisEconometriaEconometricsNeural networksPrediction (time series analysis)Previsão (análise de séries temporais)Redes neuraisTime series analysisO principal objetivo desse trabalho é estudar o processamento de séries temporais para a realização de previsão utilizando redes neurais artificiais e os modelos ARIMA-GARCH. Com relação as redes neurais foram estudados os algoritmos de processamento temporal utilizando redes neurais alimentadas adiante e as redes recorrentes. Sendo que nas redes recorrentes o algoritmo utilizado para análise da série temporal foi o algoritmo de aprendizagem recorrente em tempo real (RTRL). Para os modelos ARIMA foi utilizada a metodologia desenvolvida por Box e Jenkins. Foram utilizadas as séries temporais de retornos diários do IBOVESPA, Petrobrás, Nasdaq, IBM e saca de 60Kg de soja como exemplo de aplicação das metodologiasThe main objective of this dissertation is the time series processing to perform forecasting using artificial neural networks and ARIMA models. Regarding to neural networks to perform time series processing my studies focused feedforward and recurrent networks. The main recurrent algorithm applied to time series analysis were real time recurrent learning (RTRL). The Box and Jenkins methodology was applied to ARIMA analysis. As an application example we analyzed the following daily returns time series: IBOVESPA, Petrobras, Nasdaq, IBM, 60Kg soybean bagBiblioteca Digitais de Teses e Dissertações da USPSiqueira, Jose de OliveiraOliveira, Mauri Aparecido de2004-01-19info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/12/12139/tde-07122021-095621/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/openAccesspor2021-12-09T20:05:20Zoai:teses.usp.br:tde-07122021-095621Biblioteca 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:27212021-12-09T20:05:20Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Previsão de sucessões cronológicas econômico-financeiras por meio de redes neurais artificiais recorrentes de tempo real e de processos ARMA-GARCH: um estudo comparativo quanto à eficiência de previsão
Forecasting economic-financial chronological successions using real-time recurrent artificial neural networks and ARMA-GARCH processes: a comparative efficiency study
title Previsão de sucessões cronológicas econômico-financeiras por meio de redes neurais artificiais recorrentes de tempo real e de processos ARMA-GARCH: um estudo comparativo quanto à eficiência de previsão
spellingShingle Previsão de sucessões cronológicas econômico-financeiras por meio de redes neurais artificiais recorrentes de tempo real e de processos ARMA-GARCH: um estudo comparativo quanto à eficiência de previsão
Oliveira, Mauri Aparecido de
Análise de séries temporais
Econometria
Econometrics
Neural networks
Prediction (time series analysis)
Previsão (análise de séries temporais)
Redes neurais
Time series analysis
title_short Previsão de sucessões cronológicas econômico-financeiras por meio de redes neurais artificiais recorrentes de tempo real e de processos ARMA-GARCH: um estudo comparativo quanto à eficiência de previsão
title_full Previsão de sucessões cronológicas econômico-financeiras por meio de redes neurais artificiais recorrentes de tempo real e de processos ARMA-GARCH: um estudo comparativo quanto à eficiência de previsão
title_fullStr Previsão de sucessões cronológicas econômico-financeiras por meio de redes neurais artificiais recorrentes de tempo real e de processos ARMA-GARCH: um estudo comparativo quanto à eficiência de previsão
title_full_unstemmed Previsão de sucessões cronológicas econômico-financeiras por meio de redes neurais artificiais recorrentes de tempo real e de processos ARMA-GARCH: um estudo comparativo quanto à eficiência de previsão
title_sort Previsão de sucessões cronológicas econômico-financeiras por meio de redes neurais artificiais recorrentes de tempo real e de processos ARMA-GARCH: um estudo comparativo quanto à eficiência de previsão
author Oliveira, Mauri Aparecido de
author_facet Oliveira, Mauri Aparecido de
author_role author
dc.contributor.none.fl_str_mv Siqueira, Jose de Oliveira
dc.contributor.author.fl_str_mv Oliveira, Mauri Aparecido de
dc.subject.por.fl_str_mv Análise de séries temporais
Econometria
Econometrics
Neural networks
Prediction (time series analysis)
Previsão (análise de séries temporais)
Redes neurais
Time series analysis
topic Análise de séries temporais
Econometria
Econometrics
Neural networks
Prediction (time series analysis)
Previsão (análise de séries temporais)
Redes neurais
Time series analysis
description O principal objetivo desse trabalho é estudar o processamento de séries temporais para a realização de previsão utilizando redes neurais artificiais e os modelos ARIMA-GARCH. Com relação as redes neurais foram estudados os algoritmos de processamento temporal utilizando redes neurais alimentadas adiante e as redes recorrentes. Sendo que nas redes recorrentes o algoritmo utilizado para análise da série temporal foi o algoritmo de aprendizagem recorrente em tempo real (RTRL). Para os modelos ARIMA foi utilizada a metodologia desenvolvida por Box e Jenkins. Foram utilizadas as séries temporais de retornos diários do IBOVESPA, Petrobrás, Nasdaq, IBM e saca de 60Kg de soja como exemplo de aplicação das metodologias
publishDate 2004
dc.date.none.fl_str_mv 2004-01-19
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/12/12139/tde-07122021-095621/
url https://www.teses.usp.br/teses/disponiveis/12/12139/tde-07122021-095621/
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_ 1809090493910351872

Registros relacionados