Aprendizado supervisionado para modelagem da tendência do preço intradiário de ações brasileiras baseado em multifractalidade e causalidade

• Ano de defesa: 2021
• Autor(a) principal: Frias, Frederico Alexandre de Sousa
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Ações; Algoritmos genéticos; Análise de séries temporais; Aprendizado computacional; Bolsa de valores; Causalidade; Causality; Computational learning; Dynamical systems; Fractais; Fractals; Genetic algorithms; Sistemas dinâmicos; Stock exchange; Stocks; Time series analysis
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/100/100132/tde-18052021-222755/

Com a intensa atividade provocada pelos algoritmos de negociação, há cada vez mais informações referentes à evolução temporal da oferta e da demanda de uma ação. Os dados em alta frequência fornecem um panorama quantitativo para a criação de mercado e execução de operações. Compreender e modelar a dinâmica de um instrumento financeiro é de extrema importância para uma gestão mais eficiente de portfólio, de alocação de recursos bem como de risco. Este trabalho, portanto, tem como principal motivação propor um modelo híbrido não paramétrico capaz de caracterizar a tendência de queda ou de subida do preço de uma dada ação, utilizando, para tal, uma carteira de ativos integrantes do índice Bovespa com forte relação causal com o ativo modelado. A combinação do método de máquina de vetor de suporte com um algoritmo genético otimizou o classificador binário, produzindo resultados com uma acurácia superior em comparação com o algoritmo de aprendizado de máquina supervisionado puro. Além disso, a análise do comportamento histórico da estrutura fractal apresentada pela série temporal da ação alvo corroborou com os resultados obtidos na predição da dinâmica do movimento no período de tempo estudado