Previsão de Séries Financeiras utilizando Métodos de Clusterizacão e Máquinas de Vetor de Suporte.

• Main Author: VILELA, Lucas Faria e Souza
• Language: Portuguese
• Published: 2016
• Online Access: http://repositorio.unifei.edu.br:8080/xmlui/handle/123456789/640

Submitted by repositorio repositorio ([e-mail]) on 2017-01-31T17:03:38Z No. of bitstreams: 1 dissertacao_vilela_2016.pdf: 1612279 bytes, checksum: 33f1756bcdf4d1c2c4ecc3eb5de176e6 (MD5) === Made available in DSpace on 2017-01-31T17:03:38Z (GMT). No. of bitstreams: 1 dissertacao_vilela_2016.pdf: 1612279 bytes, checksum: 33f1756bcdf4d1c2c4ecc3eb5de176e6 (MD5) Previous issue date: 2016-09 === Prever valores futuros de séries temporais financeiras é assunto de estudos e pesquisas há diversas décadas. Muitas propostas, utilizando modelos matemáticos lineares e não lineares, ou utilizando inteligência artificial, já foram formuladas, e os resultados vêm se aprimorando conforme os estudos avançam. As séries temporais se caracterizam por possuírem diferentes contextos com o passar do tempo. Existem períodos de baixa e alta volatilidade, períodos com regime de expansão e de recessão, entre outros. Captar os contextos e tratá-los de forma distinta é desejável, visto que a relação entre os contextos é pequena ou nula. Este trabalho propõe a aplicação de métodos de Clusterizacão na série temporal, de forma a separar as informações da série em seus diversos contextos, chamados neste estudo de clusters. Os métodos K-Means e C-Means foram utilizados para este fim. Após este processo, uma SVM por cluster é treinada com as informações pertinentes apenas ao seu cluster. Desta forma, deseja-se inibir a influência de informações de contextos diferentes dentro de um cluster. Utilizando uma série financeira de um fundo de ações de um banco brasileiro, os resultados mostraram-se positivos e superiores em precisão, quando comparados a uma arquitetura sem tratamento de contexto e a um estudo cujo tratamento de contexto se dá por meio de uma SOM. Tendo o tratamento de contexto se mostrado benéfico em estudos passados, esta proposta vem apresentar que ganhos ainda maiores podem ser obtidos quando a série é previamente processada de forma adequada, trabalhando assim no sentido de melhorar a exatidão do elemento previsor do sistema, a SVM.