Return to search

Desenvolvimento de um modelo adaptativo baseado em um sistema SVR-Wavelet híbrido para previsão de séries temporais financeiras. / Development of an adaptive model based on a hybrid SVR-Wavelet system for forecasting financial time series.

A necessidade de antecipar e identificar variações de acontecimentos apontam para uma nova direção nos mercados de bolsa de valores e vem de encontro às análises das oscilações de preços de ativos financeiros. Esta necessidade leva a argumentar sobre novas alternativas na predição de séries temporais financeiras utilizando métodos de aprendizado de máquinas e vários modelos têm sido desenvolvidos para efetuar a análise e a previsão de dados de ativos financeiros. Este trabalho tem por objetivo propor o desenvolvimento de um modelo de previsão adaptativo baseado em um sistema SVR-wavelet híbrido, que integra modelos de wavelets e Support Vector Regression (SVR) na previsão de séries financeiras. O método consiste na utilização da Transformada de Wavelet Discreta (DWT) a fim de decompor dados de séries de ativos financeiros que são utilizados como variáveis de entrada do SVR com o objetivo de prever dados futuros de ativos financeiros. O modelo proposto é aplicado a um conjunto de ativos financeiros do tipo Foreign Exchange Market (FOREX), Mercado Global de Câmbio, obtidos a partir de uma base de conhecimento público. As séries são ajustadas gerando-se novas predições das séries originais, que são comparadas com outros modelos tradicionais tais como o modelo Autorregressivo Integrado de Médias Móveis (ARIMA), o modelo Autorregressivo Fracionário Integrado de Médias Móveis (ARFIMA), o modelo Autorregressivo Condicional com Heterocedasticidade Generalizado (GARCH) e o modelo SVR tradicional com Kernel. Além disso, realizam-se testes de normalidade e de raiz unitária para distribuição não linear, tal como testes de correlação, para constatar que as séries temporais FOREX são adequadas para a comprovação do modelo híbrido SVR-wavelet e posterior comparação com modelos tradicionais. Verifica-se também a aderência ao Expoente de Hurst por meio da estatística de Reescalonamento (R/S). / The necessity to anticipate and identify changes in events points to a new direction in the stock exchange market and reaches the analysis of the oscillations of prices of financial assets. This necessity leads to an argument about new alternatives in the prediction of financial time series using machine learning methods. Several models have been developed to perform the analysis and prediction of financial asset data. This thesis aims to propose the development of SVR-wavelet model, an adaptive and hybrid prediction model, which integrates wavelet models and Support Vector Regression (SVR), for prediction of Financial Time Series, particularly Foreign Exchange Market (FOREX), obtained from a public knowledge base. The method consists of using the Discrete Wavelets Transform (DWT) to decompose data from FOREX time series, that are used as SVR input variables to predict new data. The series are adjusted by generating new predictions of the original series, which are compared with other traditional models such as the Autoregressive Integrated Moving Average model (ARIMA), the Autoregressive Fractionally Integrated Moving Average model (ARFIMA), the Generalized Autoregressive Conditional Heteroskedasticity model (GARCH) and the traditional SVR model with Kernel. In addition, normality and unit root tests for non-linear distribution, and correlation tests, are performed to verify that the FOREX time series are adequate for the verification of SVR-wavelet hybrid model and comparison with traditional models. There is also the adherence to the Hurst Exponent through the statistical Rescaled Range (R/S).

Identiferoai:union.ndltd.org:usp.br/oai:teses.usp.br:tde-13072018-143525
Date13 April 2018
CreatorsRaimundo, Milton Saulo
ContributorsOkamoto Junior, Jun
PublisherBiblioteca Digitais de Teses e Dissertações da USP
Source SetsUniversidade de São Paulo
LanguagePortuguese
Detected LanguagePortuguese
TypeTese de Doutorado
Formatapplication/pdf
RightsLiberar o conteúdo para acesso público.

Page generated in 0.002 seconds