Estudo comparativo de redes neurais artificiais para previsão de séries temporais financeiras david Gabriel de Barros Franco



Baixar 397.24 Kb.
Página1/7
Encontro01.11.2016
Tamanho397.24 Kb.
  1   2   3   4   5   6   7
ESTUDO COMPARATIVO DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE SÉRIES TEMPORAIS FINANCEIRAS
David Gabriel de Barros Franco

Pontifícia Universidade Católica do Paraná

david.barros@pucpr.br
Maria Teresinha Arns Steiner

Pontifícia Universidade Católica do Paraná

maria.steiner@pucpr.br

Resumo

Este trabalho visa comparar Redes Neurais Artificiais (RNAs), especificamente o Perceptron de Múltiplas Camadas, a Rede Alimentada Adiante Focada Atrasada no Tempo, a Rede Neural de Base Radial e a Rede de Camada Recorrente, para previsão de séries temporais financeiras, notadamente o valor futuro de ações do mercado de capitais. Fez-se uso do software MATLAB para as simulações. Foi realizado um experimento visando testar as redes em várias situações, principalmente no que diz respeito ao número de neurônios na camada oculta e às variações dos pesos iniciais. Para as simulações foram escolhidas as 10 ações de maior peso na composição do Índice Bovespa: Vale (VALE5), Petrobras (PETR4), Itaú-Unibanco (ITUB4), Bradesco (BBDC4), Vale (VALE3), AMBEV (ABEV3), Petrobras (PETR3), Itausa (ITSA4), Banco do Brasil (BBAS3) e BM&FBOVESPA (BVMF3). Os dados de entrada da rede foram as cotações históricas das ações escolhidas. A análise dos resultados foi realizada através da comparação entre os valores previstos pelas RNAs com os valores reais do histórico, medida pelo erro quadrático médio. Tais resultados se apresentaram bastante satisfatórios e os erros mínimos, da ordem de 10-11, se deram para a rede neural de Camada Recorrente.

Palavras-chave: Redes Neurais Artificiais. Previsão de Séries Temporais. Mercado de Ações.

Abstract

This study aim to compare Artificial Neural Networks (ANNs), namely the Multilayer Perceptron, the Focused Time Lagged Feedforward Network, the Radial Basis Function network and Layer-Recurrent Neural network for forecasting financial time series, notably the future value of shares of the capital market. It was made use of MATLAB software for simulations. An experiment was performed aiming to evaluate the networks in various situations, especially with regard to the number of neurons in the hidden layer and the variation of the initial weights. For the simulations were chosen ten shares of the largest weight in the Bovespa index: Vale (VALE5), Petrobras (PETR4), Itaú-Unibanco (ITUB4), Bradesco (BBDC4), Vale (VALE3), AMBEV (ABEV3), Petrobras (PETR3), Itausa (ITSA4), Banco do Brasil (BBAS3) e BM&FBOVESPA (BVMF3). The input of the network were the historical prices of the chosen actions. The analysis was performed by comparing the values ​​predicted by the ANNs with the real historical values, measured by the mean square error. These results are presented very satisfactory and the minimum errors, of the order of 10-11, was given by the Layer-Recurrent neural network.

Key-words: Artificial Neural Networks. Time Series Forecasting. Stock Market.

  1. introdução


Atualmente o mercado de ações movimenta um gigantesco volume financeiro. De acordo com dados do World Federation of Exchanges [16], o valor capitalizado do mercado de ações (excluindo fundos de investimento coletivo, opções e futuros) em janeiro de 2014 era de aproximadamente US$ 55 trilhões. Esse valor representa o elevado potencial de financiamento para as empresas que possuem ações listadas em tais mercados.

Porém, existem riscos relacionados ao mercado de ações. Segundo Assaf Neto [1], os riscos associados ao investimento em ações são principalmente: “risco da empresa captadora dos recursos e risco do mercado”. Ainda segundo o autor, “o risco da empresa é aquele associado às decisões financeiras, em que são avaliados os aspectos de atratividade econômica do negócio”. Já o risco de mercado “diz respeito às variações imprevistas no comportamento do mercado, determinadas, principalmente, por mudanças ocorridas na economia”.

Este trabalho busca um método para minimizar o risco associado ao mercado financeiro para, por meio da análise das cotações passadas de uma ação, tentar prever seu comportamento futuro, diminuindo as incertezas para o investidor.

A partir do Erro Quadrático Médio (Mean Square Error) se poderá comparar a eficácia de cada uma das redes neurais para a previsão de séries temporais financeiras e sugerir qual delas é mais eficaz.



Para o presente trabalho, foram utilizadas as 10 ações de maior participação na composição do Índice Bovespa (Ibovespa). Tal participação é calculada pelo índice de negociabilidade, conforme a equação (1), que busca a representatividade desse título em termos de número de negócios e volume financeiro, ajustado ao tamanho da amostra [2].


(1)




onde é o número de negócios com a ação no mercado à vista, é o número total de negócios no mercado à vista, é o volume financeiro gerado pelos negócios com a ação no mercado à vista, é o volume financeiro total do mercado à vista (todos considerando o lote-padrão de negociação), é o número de pregões em que o ativo foi negociado e é o número de pregões total do período analisado.

As ações escolhidas, e suas respectivas participações no Ibovespa, foram:


VALE5 (8,464%) – Vale S.A., setor de mineração;

PETR4 (7,603%) – Petróleo Brasileiro S.A., setor de petróleo, gás e energia;

ITUB4 (7,064%) – Itaú Unibanco Holding S.A., setor bancário.

BBDC4 (5,537%) – Banco Bradesco S.A., setor bancário.

VALE3 (4,209%) – Vale S.A., setor de mineração;

ABEV3 (4,065%) – AMBEV S.A., setor de bebidas.

PETR3 (3,759%) – Petróleo Brasileiro S.A., setor de petróleo, gás e energia;

ITSA4 (2,896%) – Itausa Investimentos Itaú S.A., gestão de participações societárias.

BBAS3 (2,473%) – Banco do Brasil S.A., setor bancário.

BVMF3 (2,405%) – BM&FBOVESPA S.A., setor financeiro.
Este trabalho está organizado da seguinte forma: na seção 2 são apresentadas as redes neurais aqui utilizadas; na seção 3 são discutidos os resultados; e na seção 5 as conclusões.


  1. Baixar 397.24 Kb.

    Compartilhe com seus amigos:
  1   2   3   4   5   6   7




©bemvin.org 2020
enviar mensagem

    Página principal
Prefeitura municipal
santa catarina
Universidade federal
prefeitura municipal
pregão presencial
universidade federal
outras providências
processo seletivo
catarina prefeitura
minas gerais
secretaria municipal
CÂmara municipal
ensino fundamental
ensino médio
concurso público
catarina município
Dispõe sobre
reunião ordinária
Serviço público
câmara municipal
público federal
Processo seletivo
processo licitatório
educaçÃo universidade
seletivo simplificado
Secretaria municipal
sessão ordinária
ensino superior
Relatório técnico
Universidade estadual
Conselho municipal
técnico científico
direitos humanos
científico período
espírito santo
pregão eletrônico
Curriculum vitae
Sequência didática
Quarta feira
prefeito municipal
distrito federal
conselho municipal
língua portuguesa
nossa senhora
educaçÃo secretaria
segunda feira
Pregão presencial
recursos humanos
Terça feira
educaçÃO ciência
agricultura familiar