Navegando por Palavras-chave "Hurst Coefficient"

Agora exibindo 1 - 1 de 1
  • Imagem de Miniatura
    Item
    Acesso aberto (Open Access)
    Redes neurais artificiais para predição do preço de vale3 na bolsa de valores brasileira.
    (Universidade Federal de São Paulo, 2021-08-06) Barros, Gustavo Cavalcante de [UNIFESP]; Martins, Tiago Dias [UNIFESP]; http://lattes.cnpq.br/4325081860304693
    O trabalho aqui apresentado tem por objetivo caracterizar um modelo estatístico-preditivo de redes neurais artificiais, cuja finalidade está na obtenção probabilística de preços futuros, utilizando-se de dados passados, do ativo financeiro VALE3, na bolsa de valores brasileira. A escolha para utilização dessas redes neurais é assentada no fato de que, essas, conseguem classificar e agrupar uma grande quantidade e complexidade de dados amostrais. Para realizar a análise dos prováveis futuros preços do ativo, fora demarcado uma amostragem do ativo de maior peso da Bolsa de Valores Brasileira na data de 25/01/2021. O primeiro impasse para estabelecer o método preditivo é conseguir desmentir, utilizando-se do chamado “Coeficiente de Hurst”, a teoria financeira “Random Walk”, onde afirma que os preços evoluem de forma aleatória, não podendo ser previstos. Posteriormente, com a teoria “Random Walk” desmentida, tornou-se probabilisticamente possível realizar a previsão dos preços futuros dos ativos com o auxílio de redes neurais, estabelecendo-se um horizonte de, no máximo, uma semana de operação, isto é, 5 dias. Utilizando-se do software MATLAB e variando-se as camadas internas das redes neurais, variáveis de entrada e funções de ativação, pode-se obter diferentes resultados de eficiência das predições e, para verificar o desempenho dos preços preditos com os preços reais, serão utilizados medidores de desempenho, como por exemplo o coeficiente de determinação (R²) e o Erro Médio Quadrático (EMQ). Após a realização de todos os testes, permutando-se entre as funções de ativação, com a faixa de neurônios ocultos de 5 à 35, variando-se de 5 em 5, foi possível identificar que a melhor configuração de rede neural obtida, isto é, aquela que possuía menor erro de resultado previsto versus resultado real, foi a que possuía o algoritmo de otimização “trainlm”, função de ativação da 1ª camada “tansig” e função de saída “purelin”, havendo 35 neurônios em sua camada oculta. Essa configuração foi posteriormente utilizada para realizar as simulações do preço de VALE3 nos períodos entre 2 de janeiro de 2017 a 1 de janeiro de 2019, onde obteve-se um resultado excelente do erro em simulações do preço em d+1 de apenas 1,50% e, utilizando-se como modelo de gatilhos de compra e venda do ativo, foi atingida uma rentabilidade de 5,5% líquidos ao mês, durante o período estudado.