Submitted by Haroudo Xavier Filho (haroudo.xavierfo@ufpe.br) on 2016-01-22T14:22:26Z
No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
Dissertação_Mestrado_Victor_Lorena.pdf: 1644188 bytes, checksum: 4a53bf1f4dc89599b68bd29f20b7fd59 (MD5) / Made available in DSpace on 2016-01-22T14:22:26Z (GMT). No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
Dissertação_Mestrado_Victor_Lorena.pdf: 1644188 bytes, checksum: 4a53bf1f4dc89599b68bd29f20b7fd59 (MD5)
Previous issue date: 2015-10-19 / FACEPE / Uma série temporal financeira representa as cotações dos preços das ações e apresenta
comportamento similar a um fluxo de dados. Para a descoberta de padrões presentes em seus
dados alguns trabalhos utilizam técnicas de mineração de dados que são fundamentadas na
ideia de que os dados históricos guardam a memória essencial para prever a direção futura
dos preços. Métodos tradicionais propostos na literatura consideram que o ambiente é estático,
ou seja, que o mecanismo gerador da série financeira é o mesmo durante todo o intervalo de
tempo de interesse. Porém, no caso de séries temporais financeiras, isso pode não ocorrer. Para
resolver este problema, esta dissertação propõe a abordagem PAA-IDPSO-CD (Aproximação
por Valor Agregado de Segmento - Otimização por Enxame de Partículas Auto Adaptativa com
detecção de mudança de conceito) para descoberta de padrões em séries temporais financeiras. A
abordagem proposta objetiva lidar explicitamente com mudanças de conceito na série e descobrir
os melhores padrões representativos dos dados das séries temporais que serão utilizados junto
a uma estratégia de investimento formulada para automatizar as operações a serem feitas no
mercado de ações. Isso possibilitará a redução das incertezas e dos riscos envolvidos nas compras
e vendas de ações e auxiliará os investidores a maximizar o lucro nas suas operações feitas no
mercado de ações. A fim de alcançar melhores resultados são propostas diferentes estruturas
de partículas, utilizadas pelo IDPSO, junto a diferentes regras de decisão. Primeiramente, é
utilizada uma estrutura básica para a partícula, em que se opera apenas na posição comprado no
mercado financeiro. É proposto também uma segunda estrutura que é capaz de operar tanto na
posição comprado quanto na posição vendido. Os experimentos do presente estudo comparam os
resultados das versões do método proposto entre si e com os resultados obtidos pelas abordagens
Buy and Hold (B&H) e SAX-GA (Aproximação por Valor Agregado Simbólico - Algoritmos
Genéticos). Para isso, foram realizados Teste t Pareado com nível de confiança de 95% em vinte
ações. O presente estudo conclui que o PAA-IDPSO-CD apresentou resultados estatisticamente
melhores que o B&H e o SAX-GA para todas as vinte ações em que os testes foram executados
(pvalor <0;05). Além disso, a estratégia que opera nas posições comprado e vendido é melhor
quando comparada àquela que opera apenas na posição comprado. No estudo comparativo em
onze ações não houve diferença estatística e em outras sete a estratégia comprado e vendido
obteve melhores resultados (pvalor < 0; 05). / Financial time series represents the prices of stock over time and presents similar behavior
to a data stream. Mining techniques, which are based on the idea that the historical data retain
the essential memory to predict the future direction, are used to make the patterns discovery
in the time series data. In this context, this study proposes the PAA-IDPSO-CD (Piecewise
Aggregate Approximation - Improved self-adaptive particle swarm optimization with Concept
Drift) approach aiming to find patterns in financial time series. The purpose of this study is the
discovery of the best representative patterns of the time series data to be used by a designed
investment strategy to automate the operations to be made in the stock market. Thus, reducing
the uncertainties and risks involved in buying and selling operations of stocks and help investors
maximize the profit in their operations made in the stock market. In order to achieve best
results, different particle structures, used by IDPSO, along with different decision rules are
proposed. First, a basic structure to the particle is employed, it operates only in the Long position
in the financial market. Subsequently, this structure develops to be able to operate both in
Long and Short position. The experiments of this study comparing the results of the various
versions of the proposed approach with each other and with those obtained by the Buy and
Hold (B&H) and SAX-GA techniques, for that, were performed Paired t test with a confidence
level of 95% in twenty stocks. The achieved results show that the PAA-IDPSO-CD outperforms
B&H and SAX-GA for all twenty stocks in which the tests were performed (pvalue < 0:05).
Furthermore, the long-short operating strategy is better than that operating only in the long
position. In the comparative study in eleven actions there was no statistical difference and in
other seven long-short strategy outperforms (pvalue < 0:05).
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/14961 |
| Date | 19 October 2015 |
| Creators | SOUZA, Victor Lorena de Farias |
| Contributors | http://lattes.cnpq.br/5194381227316437, OLIVEIRA, Adriano Lorena Inácio de |
| Publisher | Universidade Federal de Pernambuco, Programa de Pos Graduacao em Ciencia da Computacao, UFPE, Brasil |
| Source Sets | IBICT Brazilian ETDs |
| Language | Breton |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE |
| Rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil, http://creativecommons.org/licenses/by-nc-nd/3.0/br/, info:eu-repo/semantics/openAccess |
Page generated in 0.0023 seconds