Predição do mercado financeiro com uma arquitetura de extração de contexto baseada em decomposição de series temporais

• Ano de defesa: 2022
• Autor(a) principal: Oliveira, Guilherme Albertini de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Centro Universitário FEI, São Bernardo do Campo
• Palavras-chave em Português: Machine learning; Bolsa de valores; Predição; Circuitos neurais
• Link de acesso: https://repositorio.fei.edu.br/handle/FEI/4605; https://doi.org/10.31414/EE.2022.D.131531

O mercadodeaçõesdoBrasilseencontraemumagrandealta.Duranteapandemiada COVID-19,abolsabrasileirateveumcrescimentonaquantidadedepessoasfísicasde92,1% entreosanos2019e2020.Estefatosedeveadiversosfatores,dosquaisosprincipaisestão:a disseminação domercadodeaçõesviaredessociais,propagandasemcomunidadesdevídeose a baixadataxadejurosdopaísnesteperíodo.Destemodo,comaaltadenegociadoresnabolsa, a buscaporalgoritmosquereduzemorisconasoperaçõesdeativos,visandomaximizarolucro obtido nacompraevendadepapeis,tambémcresce.Muitostrabalhossugeremautilizaçãode métodosde machinelearning paraaprediçãodevaloresnabolsa.Contudo,obterresultados assertivoscomaaltavolatilidade,enão-linearidadedassériestemporaisdabolsa,aindaéum desafio. Sendoassim,estetrabalhopropõeumanovametodologiaparamodelarmatematica- mente osdadosfinanceirosdabolsadevalores,utilizandoredesneuraisrecorrentes,técnicas de decomposiçãodesériestemporais,correlaçãoentrebolsaseativosearquiteturasdeextração de contextos.Comaarquiteturapropostatambémfoipossívelfazeraprediçãodepontosde reversãodequedaparaaltaoudealtaparabaixa,dosvaloresdeumadeterminadaação.Como resultado,osmelhoresalgoritmosparaaregressãoforamosquefizeramautilizaçãoderedes Long Short-TermMemory (LSTM)e DiscreteWaveletTransform (DWT),comesemutilização de extraçãodecontextos,amboscom0.9de RootMeanSquaredError (RMSE). Porém,estes algoritmossão,emmédia,38%melhorquandotreinadosomentenabolsabrasileira.Paraaclas- sificação osmelhoresalgoritmosforamosquefizeramautilizaçãodeLSTMjuntamentecom DWT,e EchoStateNetwork (ESN) comDWT,com35%e34.6%de f1-score, respectivamente. Porfim,foipossívelobservarque,emgeral,ametodologiapropostatemmelhoresresultadosem relaçãoàsmétricasestatísticas,quandocomparadocomalgoritmostradicionaisquenãofazem o usodatécnicadeextraçãodecontextoparasériestemporais