Comparativo entre redes neurais recorrentes GRU e LSTM para a predição de instrumentos financeiros

• Autor(a) principal: Mello, Talyson Rodrigues de
• Data de Publicação: 2021
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
• Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/29985
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO; Redes neurais (Computação); Análise de séries temporais; Mercado financeiro; Neural networks (Computer science); Time-series analysis; Money market

Este trabalho visa comparar dois modelos de redes neurais recorrentes, para a predição de cotação de instrumentos financeiros, considerando critérios como coeficiente de determinação e coeficiente de correlação dos dados previstos versus dados reais. Se realizaram a análise comparativa do modelo LSTM (Long short-term memory) e GRU (Gated Recurrent Unit) baseados em uma rede neural recorrente. O trabalho fez a comparação dos dois modelos em uma arquitetura idêntica de rede neural recorrente para ambos os modelos. Foram utilizados algoritmos baseados em Python que usam as bibliotecas Keras, Numpy Pandas e Scikit-learn. A cotação do Índice Ibovespa para o período de 28 de abril de 1993 a 01 de abril de 2021, discriminadas pela cotação diária, serviu como dado de entrada. Os resultados da pesquisa apontaram um desempenho melhor do modelo GRU, o qual utilizando os 200 fechamentos anteriores do índice Ibovespa como previsores, 300 épocas para treinamento e utilizando a função de ativação Relu conseguiu explicar cerca de 98% das variações dos dados reais.