Previsão de preços de ações utilizando uma rede neural TImeGAN

• Ano de defesa: 2024
• Autor(a) principal: Vidotto, Mauricio Cruz
• Orientador(a): Oliveira, Pedro Paulo Balbi de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por; eng
• Instituição de defesa: Universidade Presbiteriana Mackenzie
• Palavras-chave em Português: aprendizado de máquina; redes neurais; redes neurais recorrentes; redes adversárias generativas; mercado de capitais; previsão de séries temporais
• Link de acesso: https://dspace.mackenzie.br/handle/10899/39434

Prever o comportamento de ativos no mercado financeiro sempre foi um grande desafio devido à sua imprevisibilidade. Existem muitos fatores que podem influenciar o preço tornando o mercado muito volátil. Com a evolução das técnicas de inteligência artificial, cada vez mais modelos de aprendizado automático são desenvolvidos e utilizados para esta finalidade. Por exemplo, na área financeira, essas técnicas têm sido aplicadas em previsões de mercado de ações, otimização de carteiras, processamento de dados financeiros e estratégias de negociação. Este estudo aborda a utilização de um modelo generativo capaz de aprender com os dados reais e produzir preços como previsões. Foi utilizada a estrutura TimeGAN porque combina a versatilidade das Redes Adversárias Generativas (GAN) não supervisionadas com o controle sobre a dinâmica temporal condicional que é proporcionada pelos modelos autorregressivos supervisionados. A TimeGAN foi especificamente projetada para séries temporais e é normalmente empregada para capturar características temporais complexas dos dados e gerar séries sintéticas. O autoencoder e a rede adversária que compõem o TimeGAN utilizaram redes neurais recorrentes (RNN) do tipo Long Short-Term Memory (LSTM). A metodologia proposta é aplicada a duas série temporais de preços que possuem uma relação de causalidade, demonstrando eficácia do modelo em capturar tendências de preços e volatilidades em gerar séries sintéticas que são úteis para serem utilizadas para predição.