Please use this identifier to cite or link to this item: https://repositorio.ufrn.br/jspui/handle/123456789/28650
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorCanuto, Anne Magaly de Paula-
dc.contributor.authorSantos Júnior, José Gilmar Alves-
dc.date.accessioned2020-03-23T23:40:44Z-
dc.date.available2020-03-23T23:40:44Z-
dc.date.issued2015-09-15-
dc.identifier.citationSANTOS JÚNIOR, José Gilmar Alves. Um estudo sobre aprendizado de máquina aplicado à modelagem de retornos de ações. 2015. 124f. Dissertação (Mestrado em Sistemas e Computação) - Centro de Ciências Exatas e da Terra, Universidade Federal do Rio Grande do Norte, Natal, 2015.pt_BR
dc.identifier.urihttps://repositorio.ufrn.br/jspui/handle/123456789/28650-
dc.description.abstractStock prices behavior has been subject of research for over a century, and artificial intelligence techniques has been applied to forecast returns since the 1980s. In the present research, we examine the performance of support vector machines to forecast Brazilian stock returns and predictions intervals: based on past values of stock returns and volatilities, both extracted from prices series, we want to figure out if there is some gain over traditional statistical models. Our findings are based on analysis of linear, support vector and hybrid models applied to weekly, daily and intraday data. The empirical evidence suggests that (a) hybrid models performs better on forecasting volatilities series; (b) linear models performs better on forecasting stock returns expected values and prediction intervals; and (c) the approach of treating time series dynamics as a function may lead to results like the ones we’ve got (far bellow the best possible) if the time series is nonlinear with large additive noise.pt_BR
dc.languagept_BRpt_BR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectMáquinas de vetores de suportept_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectMercado de açõespt_BR
dc.subjectSéries temporais financeiraspt_BR
dc.titleUm estudo sobre aprendizado de máquina aplicado à modelagem de retornos de açõespt_BR
dc.typemasterThesispt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.programPROGRAMA DE PÓS-GRADUAÇÃO EM SISTEMAS E COMPUTAÇÃOpt_BR
dc.contributor.authorLatteshttp://lattes.cnpq.br/7853114632882996pt_BR
dc.contributor.advisor-co1Araújo, João Medeiros de-
dc.contributor.advisor-co1ID322.710.264-15pt_BR
dc.contributor.referees1Thomé, Antônio Carlos Gay-
dc.contributor.referees2Prudêncio, Ricardo Bastos Cavalcante-
dc.description.resumoO comportamento do preço de ações tem sido objeto de estudo há mais de um século, e as primeiras aplicações de inteligência artificial na previsão de retornos datam da década de 1980. Neste trabalho, foi realizado um estudo sobre a aplicação de máquinas de vetores de suporte na previsão de aspectos da distribuição de probabilidade de taxas de retorno futuras dos preços de ações do mercado brasileiro: com base em valores anteriores das taxas de retorno e volatilidades, ambas extraídas dos preços, deseja-se verificar se a sua utilização é vantajosa em relação a modelos estatísticos mais simples. Através da comparação do desempenho de diversos modelos (lineares, não lineares baseados em máquinas de vetores de suporte e híbridos) em séries temporais com amostragens semanal, diária e intraday de dez minutos, foi evidenciado que: (a) modelos híbridos geram previsões mais precisas do que os demais nas séries de volatilidades; (b) a aplicação de máquinas de vetores de suporte na previsão de valores esperados e intervalos de previsão para taxas de retorno não leva a ganhos em relação a modelos lineares; e (c) a abordagem de tratar a evolução de séries temporais como função pode levar a resultados similares aos alcançados (e muito aquém do melhor possível), caso as séries sejam não lineares contaminadas por ruído aditivo de grande magnitude.pt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAOpt_BR
Appears in Collections:PPGSC - Mestrado em Sistemas e Computação

Files in This Item:
File Description SizeFormat 
Estudosobreaprendizado_SantosJunior_2015.pdf1,7 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons