Submitted by Irene Nascimento (irene.kessia@ufpe.br) on 2016-09-27T18:39:30Z
No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
RicardoDeAndradeAraujo.pdf: 2136922 bytes, checksum: 3bf9d638152b4cc1870ed7c533772fae (MD5) / Made available in DSpace on 2016-09-27T18:39:30Z (GMT). No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
RicardoDeAndradeAraujo.pdf: 2136922 bytes, checksum: 3bf9d638152b4cc1870ed7c533772fae (MD5)
Previous issue date: 2016-01-01 / CNPQ / Este trabalho apresenta um estudo sobre séries temporais financeiras, em alta-frequência,
na tentativa de identificar as características do seu fenômeno gerador e, baseado neste estudo,
propor um modelo, composto por uma combinação balanceada entre operadores lineares e operadores
não-lineares crescentes e decrescentes, capaz de prever este tipo particular de série
temporal. Para o processo de aprendizagem, é proposto um método baseado em gradiente descendente,
utilizando ideias do algoritmo de retropropagação do erro (back propagation, BP) e
uma abordagem alternativa para superar o problema da não-diferenciabilidade dos operadores
não-lineares.
Uma análise experimental é conduzida com o modelo proposto, utilizando um conjunto
de séries temporais financeiras, em alta-frequência, do mercado de ações Brasileiro: Banco do
Brasil SA, Banco Bradesco SA, Brasil Foods SA, BR Malls Participações SA e Companhia
Energética Minas Gerais. Nestes experimentos, um conjunto relevante de medidas é utilizado
para avaliar o desempenho preditivo do modelo proposto, e os resultados alcançados superam
aqueles obtidos utilizando técnicas estatísticas, neurais e híbridas apresentadas na literatura.
Também, são realizadas simulações com um sistema de apoio à decisão, baseado em previsão,
para compra e venda de ações, tendo em vista demonstrar o desempenho econômico expressivo
do modelo proposto no mercado de ações, em alta-frequência. / This work presents a study about high-frequency financial time series to identify the
characteristics of their generator phenomenon and, based on such study, to propose a model,
composed of a balanced combination of linear operators and increasing and decreasing nonlinear
operators, able to predict this kind of time series. For the learning process, it is proposed
a descent gradient-based method, using ideas from the back propagation (BP) algorithm and a
systematic approach to overcome the problem of nondifferentiability of nonlinear operators.
An experimental analysis is conducted with the proposed model, using a set of highfrequency
financial time series of the Brazilian stock market: Banco do Brasil SA, Banco
Bradesco SA, Brasil Foods SA, BR Malls Participações SA and Companhia Energética Minas
Gerais. In these experiments, a relevant set of measures are used to assess the prediction performance
of the proposed model, and the achieved results overcome those obtained by statistical,
neural and hybrid techniques presented in the literature. Also, it is performed simulations with
a prediction-based decision support system, for buy and sale of stocks, to demonstrate the significant
economic performance of the proposed model in real high-frequency stock market
Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/17924 |
Date | 01 January 2016 |
Creators | ARAÚJO, Ricardo De Andrade |
Contributors | http://buscatextual.cnpq.br/buscatextual/busca.do, MEIRA, Silvio Romero de Lemos, 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 | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
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 0.013 seconds