| Summary: | Orientador : Luiz Eduardo S. Oliveira === Coorientador : David Menotti === Dissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa: Curitiba, 20/07/2017 === Inclui referências : f. 63-72 === Resumo: As séries temporais financeiras são notoriamente difíceis de analisar e prever dada sua natureza não estacionária e altamente oscilatória. Nesta tese, a eficácia da técnica de decomposição não-paramétrica Ensemble Empirical Mode Decomposition (EEMD) é avaliada como uma técnica de extração de característica de séries temporais provenientes de índices de mercado e taxas de câmbio, características estas usadas na classificação, juntamente com diferentes modelos de aprendizado de máquina, de tendências de curto prazo. Os resultados obtidos em dois datasets de dados financeiros distintos sugerem que os resultados promissores relatados na literatura foram obtidos com a adição, inadvertida, de lookahead bias (viés) proveniente da aplicação desta técnica como parte do pré-processamento das séries temporais. Em contraste com as conclusões encontradas na literatura, nossos resultados indicam que a aplicação do EEMD com o objetivo de gerar uma melhor representação dos dados financeiração, por si só, não é suficiente para melhorar substancialmente a precisão e retorno cumulativo obtidos por modelos preditivos em comparação aos resultados obtidos com a utilização de series temporais de mudanças percentuais. Palavras-chave: Predição de Tendencias, Aprendizado de Máquina, Séries Temporais Financeiras. === Abstract: Financial time series are notoriously difficult to analyse and predict, given their nonstationary, highly oscillatory nature. In this thesis, the effectiveness of the Ensemble Empirical Mode Decomposition (EEMD) is evaluated at generating a representation for market indexes and exchange rates that improves short-term trend prediction for these financial instruments. The results obtained in two different financial datasets suggest that the promising results reported using EEMD on financial time series in other studies were obtained by inadvertently adding look-ahead bias to the testing protocol via pre-processing the entire series with EEMD, which do affect the predictive results. In contrast to conclusions found in the literature, our results indicate that the application of EEMD with the objective of generating a better representation for financial time series is not sufficient, by itself, to substantially improve the accuracy and cumulative return obtained by the same models using the raw data. Keywords: Trend Prediction, Machine Learning, Financial Time Series.
|
|---|
