Previsão de séries temporais financeiras por meio de redes neurais dinâmicas e processos de transformação de dados: uma abordagem empírico-comparativa

• Main Author: Costa, Alexandre Fructuoso da [UNESP]
• Other Authors: Universidade Estadual Paulista (UNESP)
• Format: Others
• Language: Portuguese
• Published: Universidade Estadual Paulista (UNESP) 2014
• Subjects: Análise de séries temporais; Redes neurais (Computação); Mercado financeiro; Estatística; Inteligencia artificial; Time-series analysis - Data processing; Neural networks (Computer science); Money market; Statistics; Artificial intelligence
• Online Access: http://hdl.handle.net/11449/92999

Made available in DSpace on 2014-06-11T19:26:16Z (GMT). No. of bitstreams: 0 Previous issue date: 2012-12-21Bitstream added on 2014-06-13T19:13:20Z : No. of bitstreams: 1 costa_af_me_bauru.pdf: 1184483 bytes, checksum: 1783e7ab1d2b2b0b7dab05babd2093e8 (MD5) === Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) === Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) === A previsão de séries temporais financeiras é uma das questões mais pesquisadas no campo das finanças, sobretudo, no que diz respeito ao mercado acionário e à análise de riscos. Para tanto, essas pesquisas envolvem desde modelos estatísticos e econométricos até modelos de inteligência artificial, como as redes neurais dinâmicas. Nesse sentido este estudo tem o propósito de desenvolver e aplicar dois modelos de redes neurais artificiais dinâmicas, a rede neural focada atrasada no tempo - FTDNN (focused time delay neural network) e a rede neural auto regressiva com entradas exógenas - NARX (nonlinear autoregressive network with exogenous inputs) para previsão de séries temporais financeiras, tendo como padrão de referência de desempenho mínimo um modelo estatístico tradicional do tipo ARMA-GARCH. Essa abordagem camparativa também considera três modalidades diferentes de transformação de dados na fase pré-processamento das redes: as diferenças de primeira ordem, os retornos logarítmicos e a transformação Box-Cox, buscando analisar o impacto de cada uma delas no desempenho preditivo das redes neurais. Também propõe uma abordagem neural para o processo de reversão dos dados previstos e uma métrica de erro capaz de verificar o desempenho preditivo das redes neurais e sua capacidade de captar tendências de curto prazo e eficiência negocial. Em sentido amplo, os resultados obtidos indicam que a rede NARX apresenta melhor desempenho preditivo que a rede FTDNN, sobretudo, no que diz respeito à captura de tendências; que a transformações de dados podem melhorar o nível de acurácia das previsões em ambas as redes e que a transformação por retornos logarítimos gera os melhores desempenhos. Quanto ao processo de reversão dos dados previstos para a escala da série original, o método neural proposto foi bem sucedido apenas para a transformação Box-cox === Financial time-series forescasting is one of the most researched issues in finances, mainly with regard to the stock market and risk analysis. Therefore, these studies involve from statistical and econometric models up to artificial intelligence models, such as dynamic neural networks. In this sense, this study aims to develop and apply two models of dynamic artificial neural networks, FTDNN (focused time delay neural network) and NARX (nonlinear autoregressive network with exagenous inputs) for financial time series forescasting, with a traditional statistical model such as ARMAGARCH as the benchmark for minimum performance. The comparative approach also considers three diferent types of data transformation in the pre-processing phase of the networks: first order differences, logarithmics returns and Box-Cox transformation, and tries to analyze the impact of each on the predictive performance of the neural networks. It also proposes a neural approach to the process of reversing the predicted data set, and an error metric that could be able to verify the predictive performance of neural networks and its ability to capture short-term trends and negotiation efficiency. In a bropad sense, the reults indicate that the NARX network network performs beter than the FTDNN, especially with regard to capturing trends; that data transformations may improve the forescasting accuracy in both networks, and that the logarithmics returns transformation generates the best prediction performance. Regarding the process of reversing the predicted data for the scale of the original series, the neural method proposed succeeded only for Box-Cox transformation