Agosto 2014 vol. 1 num. 1 - XVII Simpósio de Pesquisa Operacional e Logística da Marinha

Artigo - Open Access.

Idioma principal

ESTUDO COMPARATIVO DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE SÉRIES TEMPORAIS FINANCEIRAS

Franco, David Gabriel de Barros ; Steiner, Maria Teresinha Arns ;

Artigo:

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 BMAndamp;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.

Artigo:

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 BMAndamp;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.

Download (PDF)

Palavras-chave: Redes Neurais Artificiais, Previsão de Séries Temporais, Mercado de Ações, Artificial Neural Networks,

Palavras-chave:

DOI: 10.5151/marine-spolm2014-126345

Referências bibliográficas
  • [1] ASSAF NETO, Alexandre. Mercado financeiro. 9. ed. São Paulo: Atlas, 2009. 318p.
  • [2] BMAndamp;FBOVESPA. Índice Bovespa – Ibovespa. São Paulo, 2014. Disponível em: Andlt;http://www.bmfbovespa.com.br/indices/ResumoCarteiraTeorica.aspx?Indice=IBOVESPAAndamp;idioma=pt-brAndgt;. Acesso em: 25 jan. 2014.
  • [3] BMAndamp;FBOVESPA. Metodologia do Índice Bovespa. São Paulo, 2014. Disponível em: Andlt;http://www.bmfbovespa.com.br/Indices/download/Nova-Metodologia-do-Indice-Bovespa-R.pdfAndgt;. Acesso em 25 jan. 2014.
  • [4] BRAGA, Antônio de P.; CARVALHO, André P. de L. F.; LUDERMIR, Teresa B. Redes neurais artificiais: teoria e aplicações. 2. ed. Rio de Janeiro: LTC, 2011. 226p.
  • [5] FAUSETT, Laurene V. Fundamentals of neural networks: architectures, algorithms, and applications. 1. ed. USA: Prentice Hall, 1994. 461p.
  • [6] HAYKIN, Simon. Redes neurais: princípios e prática. 2. ed. Porto Alegre: Bookman, 2000. 903p.
  • [7] HAYKIN, Simon. Neural Networks and Learning Machines. 3. ed. New Jersey: Prentice Hall, 2009. 906p.
  • [8] KIERNAN, John A. Neuroanatomia humana de Barr. 7. ed. Barueri: Manole, 2003. 521p.
  • [9] KÖCHE, José Carlos. Fundamentos de metodologia científica. 2 ed. Petrópolis: Vozes, 2011. 182p.
  • [10] LAKATOS, Eva Maria; MARCONI, Marina de A. Metodologia científica. 6. ed. São Paulo: Atlas, 2011. 314p.
  • [11] PINHEIRO, Juliano L. Mercado de capitais: fundamentos e técnicas. 5. ed. São Paulo: Atlas, 2009. 500p.
  • [12] SKUTOVÁ, Jolana. Weights Initialization Methods for MLP Neural Networks. Ostrava, 2008. Disponível em: Andlt;http://transactions.fs.vsb.cz/2008-2/1636_SKUTOVA.pdfAndgt;. Acesso em: 11 fev. 2014.
  • [13] STEINER, Maria T. A. Redes neurais artificiais. 2012. 42 slides. Apresentação em Power Point.
  • [14] THE MATHWORKS INC. Levenberg-Marquardt Backpropagation. Natick, 20 Disponível em: Andlt;http://www.mathworks.com/help/nnet/ref/trainlm.htmlAndgt;. Acesso em: 04 jan. 20
  • [15] THE MATHWORKS INC. Neural network toolbox user’s guide. Natick, 2013. Disponível em: Andlt;http://www.mathworks.com.au/help/pdf_doc/nnet/nnet_ug.pdfAndgt;. Acesso em: 02 jan. 2014.
  • [16] WORLD FEDERATION OF EXCHANGES. Domestic Market Capitalization. Paris, 2014. Disponível em: Andlt;http://www.world-exchanges.org/statistics/monthly-reportsAndgt;. Acesso em: 07 jan. 2014.
Como citar:

Franco, David Gabriel de Barros; Steiner, Maria Teresinha Arns; "ESTUDO COMPARATIVO DE REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE SÉRIES TEMPORAIS FINANCEIRAS", p. 303-313 . In: Anais do XVII Simpósio de Pesquisa Operacional e Logística da Marinha - SPOLM 2014. São Paulo: Blucher, 2014.
ISSN 2175-6295, ISBN: 2175-6295
DOI 10.5151/marine-spolm2014-126345

últimos 30 dias | último ano | desde a publicação


downloads


visualizações


indexações