Por favor, use este identificador para citar o enlazar este ítem:
https://repositorio.ufu.br/handle/123456789/28218
ORCID: | http://orcid.org/0000-0003-3562-2638 |
Tipo de documento: | Dissertação |
Tipo de acceso: | Acesso Aberto |
Título: | Um modelo preditivo de cotação de ações de empresas estatais brasileiras utilizando redes neurais artificiais no ambiente MATLAB |
Título (s) alternativo (s): | A predictive model of stock prices of Brazilian state-owned companies using artificial neural networks in the MATLAB environment |
Autor: | Alves, João Victor da Silva |
Primer orientador: | Penedo, Antonio Sergio Torres |
Primer coorientador: | Barboza, Flávio Luiz de Moraes |
Primer miembro de la banca: | Lopes, José Eduardo Ferreira |
Segundo miembro de la banca: | Fernandes, Ricardo Augusto Souza |
Resumen: | Prever acertadamente o comportamento do mercado financeiro é um objetivo perseguido por investidores, gestores e pesquisadores. Modelos preditivos corretos e confiáveis visam auxiliar a tomada de decisões, buscando a minimização de perdas e a geração de ganhos nas transações financeiras intrínsecas às atividades relacionadas às bolsas de valores. Nesse contexto, a utilização de modelos baseados em redes neurais artificiais (RNA) tem aumentado significativamente na última década. Visto que as RNA são capazes de aprender e armazenar conhecimento experimental, sua aplicação na área de finanças pode prever o comportamento de ações no mercado financeiro. Dessa maneira, o objetivo deste trabalho é elaborar um modelo que utilize RNA para a previsão dos preços máximos e mínimos de ações de mercado de algumas grandes empresas estatais brasileiras atuais previamente selecionadas, no período de 2013 a 2017. Para alcançar tal objetivo, foram utilizados dados históricos de ações negociadas na bolsa de valores oficial brasileira (atualmente denominada B3), os quais se tornaram variáveis de entrada para as RNA utilizadas na construção do modelo preditivo proposto. As arquiteturas escolhidas para a construção do modelo preditivo foram a MLP (Multilayer Perceptron) e a LSTM (Long Short-Term Memory). Os resultados apresentados pelo modelo baseado em RNA do tipo MLP foram comparados com soluções obtidas por meio de RNA do tipo LSTM, as quais têm sido amplamente utilizadas em pesquisas cientificas que objetivam desenvolver modelos preditivos para a área de finanças e diversas outras. Na análise comparativa, os resultados das RNA do tipo LSTM foram mais acertados e confiáveis quando confrontados com as soluções apresentadas pelas RNA do tipo MLP. Dessa forma, foi possível concluir que as RNA com arquitetura LSTM e suas atuais otimizações, são possíveis opções para a construção de modelos para a previsão do comportamento do mercado de ações. Notadamente, o produto tecnológico construído a partir desta pesquisa disponibiliza um modelo preditivo baseado em RNA, possibilitando a escolha da arquitetura do tipo MLP ou recorrente do tipo LSTM. |
Abstract: | Properly predicting financial market behavior is a goal pursued by investors, managers and researchers. Correct and reliable predictive models aim to assist decision making, seeking to minimize losses and generate gains in financial transactions intrinsic to stock market activities. In this context, the use of models based on artificial neural networks (ANN) has increased significantly in the last decade. Since ANN are capable of learning and storing experimental knowledge, their application in finance can predict stock market behavior. Thus, the aim of this dissertation is to develop a model that uses ANN to forecast the maximum and minimum market share prices of some of the currently selected large state-owned brazilian companies, from 2013 to 2017. To achieve this objective, historical stock data were traded on the official Brazilian stock exchange (currently called B3), which became input variables for the RNAs used in the construction of the proposed predictive model. The architectures chosen to build the predictive model were MLP (Multilayer Perceptron) and LSTM (Long Short-Term Memory). The results presented by the MLP RNA-based model have been compared with LSTM RNA-based solutions, which have been widely used in scientific research aimed at developing predictive models for finance and several others. In the comparative analysis, LSTM RNA results were more accurate and reliable when compared to MLP RNA solutions. Thus, it was possible to conclude that RNA with LSTM architecture and its current optimizations are possible options for the construction of models to predict stock market behavior. Notably, the technological product built from this research provides an RNA-based predictive model, enabling the choice of MLP or recurrent LSTM architecture. |
Palabras clave: | Redes Neurais Artificiais LSTM Modelo preditivo Previsão de preços de açõe Artificial Neural Networks Predictive model Stock Price Forecast |
Área (s) del CNPq: | CNPQ::CIENCIAS SOCIAIS APLICADAS::ADMINISTRACAO::ADMINISTRACAO PUBLICA::ORGANIZACOES PUBLICAS CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO::COMPUTABILIDADE E MODELOS DE COMPUTACAO |
Idioma: | por |
País: | Brasil |
Editora: | Universidade Federal de Uberlândia |
Programa: | Programa de Pós-graduação em Gestão Organizacional (Mestrado Profissional) |
Cita: | ALVES, João Victor da Silva. Um modelo preditivo de cotação de ações de empresas estatais brasileiras utilizando redes neurais artificiais no ambiente MATLAB. 2019. 138 f. Dissertação (Mestrado em Gestão Organizacional) - Universidade Federal de Uberlândia, Uberlândia, 2019. DOI http://doi.org/10.14393/ufu.di.2019.2475. |
Identificador del documento: | http://doi.org/10.14393/ufu.di.2019.2475 |
URI: | https://repositorio.ufu.br/handle/123456789/28218 |
Fecha de defensa: | 4-nov-2019 |
Aparece en las colecciones: | DISSERTAÇÃO - Gestão Organizacional (Mestrado Profissional) |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
ModeloPreditivoCotacao.pdf | 4.34 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.