Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40324| Título: | Previsão do comportamento dos preços das ações através de inteligência artificial |
| Título(s) alternativo(s): | Forecasting share price behavior through artificial intelligence |
| Autor(es): | Noronha, Marcelo Bezerra de |
| Orientador(es): | Mantovani, Rafael Gomes |
| Palavras-chave: | Redes neurais (Computação) Bolsa de valores Aprendizado do computador Neural networks (Computer science) Stock exchanges Machine learning |
| Data do documento: | 7-Fev-2024 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Dois Vizinhos |
| Citação: | NORONHA, Marcelo Bezerra de. Previsão do comportamento dos preços das ações através de inteligência artificial. 2024. Monografia (Especialização em Ciência de Dados) - Universidade Tecnológica Federal do Paraná, Dois Vizinhos, 2024. |
| Resumo: | Neste trabalho, realizamos uma análise exploratória dos dados referentes aos preços de fechamento de cinco ações pertencentes a distintos segmentos de atuação, integrantes do índice da bolsa de valores brasileira. Os dados diários de preço foram obtidos no site Yahoo Finance. A análise revelou que o movimento dos preços das ações exibe um comportamento não linear, apresentando tendências e sazonalidade. No entanto, ao observarmos a série temporal dos retornos financeiros diários, percebemos uma série sem tendência, com um comportamento mais estável.A análise também indicou uma alta correlação entre os dados da série de preços de fechamento com um dia de defasagem, enquanto as séries de retornos perderam essa correlação. A distribuição dos retornos aparenta seguir um padrão de normalidade, mas as métricas de assimetria e curtose confirmam que os dados dos retornos não seguem uma distribuição normal.Posteriormente à análise exploratória, procedemos com a construção e avaliação de alguns modelos. Utilizamos dados do período de 2000 a 2021 para treinamento e validação, reservando os dados de 2022 e 2023 para testar efetivamente os modelos.Inicialmente, avaliamos modelos de previsão do preço de fechamento do dia seguinte utilizando ARIMA, MLP e LSTM. Surpreendentemente, o modelo mais eficaz considerou que o preço do dia seguinte é o mesmo do dia atual com MAPE de 1.22 e MSE de 0.04 para a ação ABEV3.Em um segundo modelo, projetamos a previsão do retorno do dia seguinte. Nesse caso, utilizamos apenas o MSE como métrica, uma vez que o MAPE apresentava valores extremos devido à presença de retornos nulos. O ARIMA se destacou como o modelo com melhor desempenho com MSE de 2.21 para ação ABEV3, embora tenha mostrado limitações em acompanhar os movimentos de retorno.Expandindo o escopo do estudo, construímos modelos para prever os preços de fechamento para os próximos três dias consecutivos criamos um modelo que prevê os três dias simultaneamente e outro em que cada dia é previsto por uma rede específica. Avaliamos a capacidade desses modelos de prever uma tendência ascendente nos preços de fechamento nos três dias. Para esses modelos, alcançamos o melhor recall, atingindo 0.35, e a melhor presicion, com um valor de 0.34. Infelizmente, os resultados indicaram que esses modelos não foram capazes de prever adequadamente o comportamento dos preços de fechamento das ações.Concluímos que será necessário um maior aprofundamento do estudo na tentativa de melhora dos resultados encontrados. |
| Abstract: | In this study, we conducted an exploratory analysis of data related to the closing prices of five stocks belonging to distinct industry sectors, part of the Brazilian stock market index. The daily price data was obtained from the Yahoo Finance website. The analysis revealed that the movement of stock prices exhibits a non-linear behavior, displaying trends and seasonality. However, upon examining the time series of daily financial returns, we observed a trendless series with a more stable behavior. The analysis also indicated a high correlation between the data of the closing price series with a one-day lag, while the return series lost this correlation. The distribution of returns appears to follow a normal pattern, but skewness and kurtosis metrics confirm that the return data does not adhere to a normal distribution.Following the exploratory analysis, we proceeded with the construction and evaluation of several models. We utilized data from the period 2000 to 2021 for training and validation, reserving the data from 2022 and 2023 for effective model testing. Initially, we assessed models for predicting the closing price of the next day using ARIMA, MLP, and LSTM. Surprisingly, the most effective model considered that the price of the next day is the same as the current day with MAPE 1.22 and MSE 0.04 for ABEV3 stock.In a second model, we projected the prediction of the return for the next day. In this case, we only used MSE as a metric since MAPE exhibited extreme values due to the presence of null returns. ARIMA stood out as the model with the best performance with MSE 2.21 for ABEV3 stock, although it showed limitations in tracking return movements.Expanding the scope of the study, we built models to predict closing prices for the next three consecutive days. We created a model that predicts all three days simultaneously and another where each day is predicted by a specific network. We assessed the ability of these models to predict an upward trend in closing prices over the three days.For these models, we achieved the highest recall, reaching 0.35, and the best precision, with a value of 0.34. Unfortunately, the results indicated that these models were not able to adequately predict the behavior of stock closing prices. We conclude that further in-depth study is necessary to attempt to improve the obtained results. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40324 |
| Aparece nas coleções: | DV - Ciência de Dados |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| previsaocomportamentoprecoacoes.pdf | 2,46 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
