Use este identificador para citar ou linkar para este item:
https://repositorio.ufu.br/handle/123456789/39852| ORCID: |  http://orcid.org/0009-0002-4707-2872 |
| Tipo do documento: | Trabalho de Conclusão de Curso |
| Tipo de acesso: | Acesso Aberto |
| Título: | Previsão de preços de ações no setor bancário brasileiro por meio do uso de redes neurais recorrentes de tipo LSTM |
| Autor(es): | Morais, Marcos Antenor de Souza |
| Primeiro orientador: | Barboza, Flávio Luiz de Moraes |
| Segundo membro da banca: | Domingos, Jean Carlos |
| Terceiro membro da banca: | Giarola, Eduardo |
| Quarto membro da banca: | Garruti, Daniel Vitor Tartari |
| Resumo: | A partir da concepção da Hipótese dos Mercados Adaptativos (HMA), estudos aplicando técnicas de aprendizado de máquina surgiram para identificar como é possível obter ganhos financeiros acima da média a partir de previsões. O objetivo deste estudo é realizar previsões com modelos baseados em redes neurais de tipo Long Short-Term Memory (LSTM) a respeito do preço de fechamento de 5 dos principais bancos em atividade no mercado brasileiro, utilizando variáveis macroeconômicas e indicadores do sistema CAMELS. Os resultados demonstraram que, de forma geral, os modelos propostos não foram capazes de generalizar novos dados e produzir previsões melhores do que o modelo teórico do Random Walk (RW). Testes de Diebold-Mariano foram realizados comparando as métricas produzidas pelos modelos LSTM em relação àquelas produzidas pelo modelo teórico. Devido a significância estatística verificada, há indícios de que os ativos analisados seguem a teoria da eficiência de mercado. No entanto, cenários específicos demonstraram que o modelo foi capaz de produzir previsões superiores às do modelo Random Walk, abrindo caminhos e oportunidades para que novos estudos possam ser desenvolvidos a fim de aprofundar as discussões. |
| Abstract: | From the conception of the Adaptive Markets Hypothesis (AMH), studies applying machine learning techniques have emerged to identify how it is possible to achieve financial gains through predictions. The aim of this study is to make predictions with models based on Long Short-Term Memory (LSTM) neural networks regarding the closing price of five major banks operating in the Brazilian market, using macroeconomic variables and indicators from the CAMELS system. The results demonstrated that, overall, the proposed models were unable to generalize new data and produce better forecasts than the theoretical Random Walk (RW) model. Diebold-Mariano tests were conducted comparing the metrics produced by the LSTM models to those produced by the theoretical model. Due to the observed statistical significance, there are indications that the analyzed assets follow the efficient market theory. However, specific scenarios showed that the model was able to produce superior forecasts to the Random Walk model, opening paths and opportunities for new studies to deepen the discussions. |
| Palavras-chave: | Previsão de preços Machine learning LSTM Setor bancário brasileiro |
| Área(s) do CNPq: | CNPQ::CIENCIAS SOCIAIS APLICADAS |
| Idioma: | por |
| País: | Brasil |
| Editora: | Universidade Federal de Uberlândia |
| Referência: | MORAIS, Marcos Antenor de Souza. Previsão de preços de ações no setor bancário brasileiro por meio do uso de redes neurais recorrentes de tipo LSTM. 2023. 48 f. Trabalho de Conclusão de Curso (Graduação em Gestão da Informação) – Universidade Federal de Uberlândia, Uberlândia, 2023. |
| URI: | https://repositorio.ufu.br/handle/123456789/39852 |
| Data de defesa: | 4-Dez-2023 |
| Aparece nas coleções: | TCC - Gestão da Informação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| PrevisãoPreçosAções.pdf | 14.93 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
