Modelos de deep learning e previsão de preço de ações: estudos de casos da bolsa brasileira.

dc.contributorHigachi, Hermes Yukio
dc.contributor47599057900
dc.contributorhttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4769709A2&tokenCaptchar=03ANYolqsveU2N2R9Aekmkku5AHs4kxaRSXuy3VUhFTuQZEAibfpzWzTuGOkLaPDES5BaJpyXQfpCKxDovIReye9_36UMvs1xl_P6Sk--DMY9o15R7c_Es5CRp2HEW6uiqazFkjknC0KGT967qXXoDbQWi_WRfvE0UlcRfXylY0HgKvD6G7kCapSRgd5DxqcUNYS0HJzVJnAmH9lpXQuqwOIxMkHFLeZB1sZG6QxwkX4PqvHrksfm3_F3hbgY5mcjIGQ-yRcKj6xJJzWNw3X3jZ5x0p35A_AeEQlAQU44hAiSzUEWQCR2vqmugJnZP9Ej0_ln_k_lAkEdVcMdZjEjFjuBLYwDQTy7ZdBIfa-wjSxDE4czk-kYVxtK7MKUoyU-BPZYfksyncPXEwQvqd-9GcVM7zDFF6-ZnGPa-wIcC6VrBORbIURgZfHPihhWN5ytEDMHD0fauzUaIx3S1vaobdPnpEyACTBsD4ykNr-1Wo_Y9n6Ga487Lq9CRLDKyvrK2gOVMBI1vyikMADmzm1S2RJ1uBoccqWmvJFFG5aEINJpnFxQz7BzpM00
dc.contributorPereira Neto, João Basílio
dc.contributor47889802900
dc.contributorhttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4755962Z9&tokenCaptchar=03ANYolqtsVbZa9zsoYro6qBMaXbGNFWJ_q-5gSLYWF1aev881VlPpCRVsKm6nuQNmm7Ho2Ql9cl6bn14dU7dlohBSfRGVnXvs7elraqkb4Hn-kiqHQs3EfP4UmHUNchjVMqTxXNugAhFLb0apxJOMm4jY3lQieqq3nVbGMNEV3-I8M_-53rsLsofF2FCJX-OS3TLIoLHNTLiAh6BZp2lmIqYzqDkbhnI90CPRxOUh34fe_U2ozYna6d8iITvowoJ14Uho0ylQ4ebbzGMGdba9U8JbP0osRM1egCvZzeHHQ_DRzkczEvVfNR5Sc-ruNSc9YOGAly_LxeTZLqFc4JVN0T1i4ZCP_pZY5mFkcDxBxFHYaZ9ESo-b_SeivlFDO4u-ZZ8O-fV3LgiQfrtPXada3I0QwGWUfEDVfoEXd54jokow7i4XprqIQnZQuqm-oSZRtsZDrrluyHGQmPdsUCld4J1hRa9AHCk0CXVDed28h6uWISCB-jnZ2jCCBTqyezC4zC2kgxQkC77WNio3KbXvnx2NMw4Rvh3wpDHC00sVIelu-WjpqdAaucA
dc.contributorMarques Junior, Karlo
dc.contributor06451337609
dc.contributorhttp://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4244621H6&tokenCaptchar=03ANYolqs3lIwezzFWCmpXxypjrF3YTu99EdqwoHgo63pIRRcU1RqjdWq9meSckCc1F08H7xiDpmAi2fKRmnhL_m0uVEfNhvrWVwXXhiNwwqiPZg1MDy1SawMdlCmP6P6f8xoGFVgu9yxeTzwK03HS6ll5RZ-zYjFWO9AyAGhPkrBg7o4VaROIXzzZW5J3NWH5Yxil7i0zyLsA2_j-hEn_WbpD6njuv2fTcjIQbq4QbTYo2hBqe63qcUHih7oLhjSfcCu-08vj3Y7FySoNOAtmyQ4WvY7xtUplRxqAA4hlMuPr-ySbQ9GVl9CVQMAXcIMuenuUDyIxXLmNIxibYiJZ2jYBOfcrbTzMLSe6y2yuLZniWh4yMt5yKYkXKjfHDLGENZp8OMs3NyNLenBoTT5No7K7zkTTwn3OEjJYavPReqyUSMwJc4VcujbI0f2tpQEmRzzgGDKKx7RPSECnSHf8f5oNO0Gd5b6bLdV_pI8T6_7F9EZ25qwDclKBoawlnkHeJC2RjehsQqB-Fh2kF2zPBp63kkYyov6vVlcYIHS8_cx-lP3hsoiScRQ
dc.contributorUniversidade Federal do Paraná
dc.contributorUniversidade Estadual de Ponta Grossa
dc.creatorPinheiro, Thiago José
dc.date2022-07-20T21:47:45Z
dc.date2022-07-20
dc.date2022-07-20T21:47:45Z
dc.date2022-03-30
dc.date.accessioned2023-08-31T23:35:25Z
dc.date.available2023-08-31T23:35:25Z
dc.identifierPINHEIRO, Thiago José. Modelos de deep learning e previsão de preço de ações: estudos de casos da bolsa brasileira. 2022. Dissertação (Mestrado em Economia). Universidade Estadual de Ponta Grossa. Ponta Grossa. 2022.
dc.identifierhttp://tede2.uepg.br/jspui/handle/prefix/3672
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8568550
dc.descriptionThe objective of this work is to verify and compare the univariate and multivariate RNN deep learning Recurrent Neural Network models called in this work as RNN-U and RNNM and univariate and multivariate LSTM models called LSTM-U and LSTM-M, considering as a case study the actions of PETR3, PETR4, ITUB4 and ABEV3. Two were the contributions of this study: first, to propose and evaluate by the variance ratio test whether the selected stocks follow a Random Walk stochastic process or the validity of the HME in its weak form; second, to propose and apply the cross-validation technique for time series to assess the predictive power of univariate and multivariate RNN and LSTM models in predicting stock prices. The empirical results of the variance ratio test showed that the returns of shares of PETR3 and PETR4 present negative serial autocorrelation of the first order, while the returns of shares of ABEV3 and lTUB4 also present negative serial autocorrelation of higher orders. Indeed, as the RNN LSTM-U and RNN LSTM-M models have short (1 period) and long (multiple periods) memory, they reported greater predictive power in terms of the various metrics used than the RNN-U and RNN- M that have only short or 1-period memory, in the case of ABEV3 and lTUB4 stocks
dc.descriptionO objetivo deste trabalho tem o intuito de verificar e comparar os modelos de Redes Neurais Recorrentes de aprendizado profundo RNN univariado e multivariado denominados nesse trabalho como RNN-U e RNN-M e modelos LSTM univariado e multivariado denominados LSTM-U e LSTM-M, considerando-se como estudo de caso as ações da PETR3, PETR4, ITUB4 e ABEV3. Duas foram as contribuições deste estudo: primeiro, propor e avaliar pelo teste da razão da variância se as ações selecionadas seguem um processo estocástico Random Walk ou a validade da HME na forma sua forma fraca; segundo, propor e aplicar a técnica de validação cruzada para séries temporais para avaliar o poder preditivo de modelos de RNN e LSTM univariados e multivariados na previsão dos preços de ações. Os resultados empíricos do teste da razão da variância mostraram que os retornos de ações da PETR3 e PETR4 apresentam autocorrelação serial negativa de primeira ordem, enquanto os retornos de ações da ABEV3 e lTUB4 apresentam autocorrelação serial negativa também de ordens superiores. Com efeito, como os modelos RNN LSTM-U e RNN LSTM-M possuem memória curta (1 período) e longa (múltiplos períodos), reportaram maior poder preditivo em termos das várias métricas usadas, do que os modelos RNN-U e RNN-M que possuem apenas memória curta ou de 1 período, no caso de ações da ABEV3 e lTUB4.
dc.languagepor
dc.publisherUniversidade Estadual de Ponta Grossa
dc.publisherBrasil
dc.publisherDepartamento de Economia
dc.publisherPrograma de Pós - Graduação em Economia
dc.publisherUEPG
dc.rightsAcesso Aberto
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/3.0/br/
dc.subjectRedes Neurais
dc.subjectRandom Walk
dc.subjectValidação Cruzada
dc.subjectAprendizado Profundo
dc.subjectPreço de Ações
dc.subjectNeural Networks
dc.subjectRandom Walk
dc.subjectCross-Validation
dc.subjectDeep Learning
dc.subjectStock Price
dc.subjectCNPQ::CIENCIAS SOCIAIS APLICADAS::ECONOMIA
dc.titleModelos de deep learning e previsão de preço de ações: estudos de casos da bolsa brasileira.
dc.typeDissertação


Este ítem pertenece a la siguiente institución