Redes neurais recorrentes aplicadas à previsão de preços de ativos da BOVESPA: comparativo de modelos para regressão

Moura, Adriana Miyazaki

Redes neurais recorrentes aplicadas à previsão de preços de ativos da BOVESPA: comparativo de modelos para regressão

dc.contributor.advisor	Braz Junior, Osmar de Oliveira
dc.contributor.author	Moura, Adriana Miyazaki
dc.coverage.spatial	Palhoça - SC	pt_BR
dc.date.accessioned	2020-04-28T22:50:27Z
dc.date.accessioned	2020-11-29T06:33:33Z
dc.date.available	2020-04-28T22:50:27Z
dc.date.available	2020-11-29T06:33:33Z
dc.date.issued	2019	pt_BR
dc.description.abstract	O comportamento das bolsas de valores pode ser melhor compreendido com o auxílio da modelagem matemática. Modelos matemáticos podem ser obtidos através de processamento computacional utilizando aprendizagem de máquina. Um dos ramos da aprendizagem de máquina que desenvolvem uma modelagem empregando algoritmos utilizando grafos com várias camadas é o deep learning, o qual possui arquiteturas específicas para lidar com séries temporais, as chamadas Redes Neurais Recorrentes. No presente trabalho, foram coletados dados dos preços de fechamentos diários de ações da bolsa de valores BOVESPA com o intuito de servir de variáveis independentes para a previsão do Índice BOVESPA. Essas informações foram utilizadas para realizar um comparativo entre as arquiteturas de deep learning: Redes Neurais Recorrentes de Jordan, Redes Neurais Recorrentes de Elman e Redes Neurais Long Short Term Memory (LSTM) em tarefa de regressão. No geral, todas as arquiteturas investigadas apresentaram desempenho satisfatório, medido pelo método dos mínimos quadrados. A arquitetura que apresentou melhor performance, foi a Rede Neural de Jordan. A fim de melhorar o entendimento do comportamento do Índice BOVESPA é sugerida a execução de novas pesquisas, utilizando outras configurações e variáveis para as arquiteturas aqui empregadas.	pt_BR
dc.format.extent	48 f.	pt_BR
dc.identifier.uri	https://repositorio.animaeducacao.com.br/handle/ANIMA/11263
dc.language.iso	pt_BR	pt_BR
dc.relation.ispartof	Matemática Bacharelado - Unisul Virtual	pt_BR
dc.rights	Attribution-NonCommercial-NoDerivs 3.0 Brazil	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/br/	*
dc.subject	Deep Learning	pt_BR
dc.subject	Redes Neurais Recorrentes de Jordan	pt_BR
dc.subject	Redes Neurais Recorrentes de Elman	pt_BR
dc.subject	Long Short Term Memory	pt_BR
dc.title	Redes neurais recorrentes aplicadas à previsão de preços de ativos da BOVESPA: comparativo de modelos para regressão	pt_BR
dc.type	Monografia	pt_BR
local.author.curso	Matemática - UNISUL / Bacharelado	pt_BR
local.author.unidade	UNISUL / Unisul Digital	pt_BR
local.rights.policy	Acesso embargado	pt_BR
local.subject.area	Ciências Exatas e da Terra	pt_BR
local.subject.areaanima	Ciências Humanas	pt_BR