Previsão de Séries Financeiras utilizando Métodos de Clusterizacão e Máquinas de Vetor de Suporte.

• Ano de defesa: 2016
• Autor(a) principal: VILELA, Lucas Faria e Souza
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Programa de Pós-Graduação: Programa de Pós-Graduação: Mestrado - Ciência e Tecnologia da Computação
• Departamento: IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação
• Link de acesso: https://repositorio.unifei.edu.br/jspui/handle/123456789/640

Prever valores futuros de séries temporais financeiras é assunto de estudos e pesquisas há diversas décadas. Muitas propostas, utilizando modelos matemáticos lineares e não lineares, ou utilizando inteligência artificial, já foram formuladas, e os resultados vêm se aprimorando conforme os estudos avançam. As séries temporais se caracterizam por possuírem diferentes contextos com o passar do tempo. Existem períodos de baixa e alta volatilidade, períodos com regime de expansão e de recessão, entre outros. Captar os contextos e tratá-los de forma distinta é desejável, visto que a relação entre os contextos é pequena ou nula. Este trabalho propõe a aplicação de métodos de Clusterizacão na série temporal, de forma a separar as informações da série em seus diversos contextos, chamados neste estudo de clusters. Os métodos K-Means e C-Means foram utilizados para este fim. Após este processo, uma SVM por cluster é treinada com as informações pertinentes apenas ao seu cluster. Desta forma, deseja-se inibir a influência de informações de contextos diferentes dentro de um cluster. Utilizando uma série financeira de um fundo de ações de um banco brasileiro, os resultados mostraram-se positivos e superiores em precisão, quando comparados a uma arquitetura sem tratamento de contexto e a um estudo cujo tratamento de contexto se dá por meio de uma SOM. Tendo o tratamento de contexto se mostrado benéfico em estudos passados, esta proposta vem apresentar que ganhos ainda maiores podem ser obtidos quando a série é previamente processada de forma adequada, trabalhando assim no sentido de melhorar a exatidão do elemento previsor do sistema, a SVM.