Detalhes bibliográficos
Ano de defesa: |
2012 |
Autor(a) principal: |
Costa, Alexandre Fructuoso da [UNESP] |
Orientador(a): |
Não Informado pela instituição |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Universidade Estadual Paulista (Unesp)
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: |
|
Link de acesso: |
http://hdl.handle.net/11449/92999
|
Resumo: |
A previsão de séries temporais financeiras é uma das questões mais pesquisadas no campo das finanças, sobretudo, no que diz respeito ao mercado acionário e à análise de riscos. Para tanto, essas pesquisas envolvem desde modelos estatísticos e econométricos até modelos de inteligência artificial, como as redes neurais dinâmicas. Nesse sentido este estudo tem o propósito de desenvolver e aplicar dois modelos de redes neurais artificiais dinâmicas, a rede neural focada atrasada no tempo - FTDNN (focused time delay neural network) e a rede neural auto regressiva com entradas exógenas - NARX (nonlinear autoregressive network with exogenous inputs) para previsão de séries temporais financeiras, tendo como padrão de referência de desempenho mínimo um modelo estatístico tradicional do tipo ARMA-GARCH. Essa abordagem camparativa também considera três modalidades diferentes de transformação de dados na fase pré-processamento das redes: as diferenças de primeira ordem, os retornos logarítmicos e a transformação Box-Cox, buscando analisar o impacto de cada uma delas no desempenho preditivo das redes neurais. Também propõe uma abordagem neural para o processo de reversão dos dados previstos e uma métrica de erro capaz de verificar o desempenho preditivo das redes neurais e sua capacidade de captar tendências de curto prazo e eficiência negocial. Em sentido amplo, os resultados obtidos indicam que a rede NARX apresenta melhor desempenho preditivo que a rede FTDNN, sobretudo, no que diz respeito à captura de tendências; que a transformações de dados podem melhorar o nível de acurácia das previsões em ambas as redes e que a transformação por retornos logarítimos gera os melhores desempenhos. Quanto ao processo de reversão dos dados previstos para a escala da série original, o método neural proposto foi bem sucedido apenas para a transformação Box-cox |