Publicação: Estudo de séries temporais e suas aplicações em econofísica usando redes neurais artificiais
Carregando...
Arquivos
Tipo do documento
Data
Direito de acesso
Coleções
Programa
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
Este trabalho insere-se no campo da Econofísica, e teve como objetivo criar e avaliar a
eficácia de uma Rede Neural Artificial (RNA) com arquitetura Long Short-Term Memory
(LSTM) na previsão de séries temporais de preços de ações do mercado de capitais brasileiro.
Para isso, foram coletados dados históricos diários dos ativos Petrobras (PETR4.SA),
Vale (VALE3.SA) e Itaú (ITUB4.SA) no período de 2005 a 2025. A metodologia envolveu
a utilização de modelos computacionais avançados para analisar sistemas financeiros
complexos e incluiu como parte do pré-processamento dos dados a normalização utilizando
a função(MinMaxScaler) e a estruturação em janelas temporais de 60 dias para alimentar
um modelo LSTM profundo, que possui quatro camadas e regularizado com a técnica
conhecida como Dropout (taxa de 0.2) para prevenir o superajustamento (overfitting). Os
resultados aplicados no conjunto de teste revelaram um desempenho variado: alcançou-se
uma alta precisão para o ativo do setor bancário (Itaú), uma boa capacidade de previsão de
tendência para o setor de petróleo (Petrobras) e uma falha quantitativamente significativa
para o ativo do setor de mineração (Vale), evidenciada por um erro significativo e um
"cluster"no final da época de treinamento somente para o setor da Vale. Conclui-se que,
apesar das redes LSTM apresentarem um grande potencial para a modelagem de séries
temporais financeiras, sua eficácia depende fortemente das características particulares e da
estabilidade de cada ativo, o que reforça a ideia de que o mercado financeiro é um sistema
complexo e não universal.
Abstract
This work falls within the field of Econophysics and aimed to create and evaluate the
effectiveness of an Artificial Neural Network (ANN) with a Long Short-Term Memory
(LSTM) architecture in forecasting time series of stock prices in the Brazilian capital
market. For this purpose, historical daily data were collected for the assets Petrobras
(PETR4.SA), Vale (VALE3.SA), and Itaú (ITUB4.SA) over the period from 2005 to 2025.
The methodology involved the use of advanced computational models to analyze complex
financial systems and included, as part of the data preprocessing, normalization using
the MinMaxScaler function and structuring the data into 60-day time windows to feed
a deep LSTM model. This model consists of four layers and was regularized using the
Dropout technique (with a rate of 0.2) to prevent overfitting. The results on the test set
showed varied performance: high accuracy was achieved for the banking sector asset (Itaú),
good trend forecasting ability for the oil sector asset (Petrobras), and a quantitatively
significant failure for the mining sector asset (Vale), evidenced by a notable error and a
"cluster"at the end of the training epoch, occurring only for the Vale asset. It is concluded
that, although LSTM networks show great potential for modeling financial time series,
their effectiveness strongly depends on the particular characteristics and stability of each
asset. This reinforces the idea that the financial market is a complex and non-universal
system.
Palavras-chave
Séries temporais, Econofísica, Redes Neurais Artificiais
Citação
PESSOA, Diego Renato. Estudo de séries temporais e suas aplicações em econofísica usando redes neurais artificiais. 2025. 38 f. Trabalho de Conclusão de Curso (Graduação em Física Médica) – Universidade Federal de Uberlândia, Uberlândia, 2025.
DOI
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto