Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/29985| Título: | Comparativo entre redes neurais recorrentes GRU e LSTM para a predição de instrumentos financeiros |
| Título(s) alternativo(s): | Comparison between recurrent neural networks GRU and LSTM for the prediction of financial instruments |
| Autor(es): | Mello, Talyson Rodrigues de |
| Orientador(es): | Menezes, Paulo Lopes de |
| Palavras-chave: | Redes neurais (Computação) Análise de séries temporais Mercado financeiro Neural networks (Computer science) Time-series analysis Money market |
| Data do documento: | 4-Mai-2021 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Medianeira |
| Citação: | MELLO, Talyson Rorigues de. Comparativo entre redes neurais recorrentes GRU e LSTM para a predição de instrumentos financeiros. 2021. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Medianeira, 2021. |
| Resumo: | Este trabalho visa comparar dois modelos de redes neurais recorrentes, para a predição de cotação de instrumentos financeiros, considerando critérios como coeficiente de determinação e coeficiente de correlação dos dados previstos versus dados reais. Se realizaram a análise comparativa do modelo LSTM (Long short-term memory) e GRU (Gated Recurrent Unit) baseados em uma rede neural recorrente. O trabalho fez a comparação dos dois modelos em uma arquitetura idêntica de rede neural recorrente para ambos os modelos. Foram utilizados algoritmos baseados em Python que usam as bibliotecas Keras, Numpy Pandas e Scikit-learn. A cotação do Índice Ibovespa para o período de 28 de abril de 1993 a 01 de abril de 2021, discriminadas pela cotação diária, serviu como dado de entrada. Os resultados da pesquisa apontaram um desempenho melhor do modelo GRU, o qual utilizando os 200 fechamentos anteriores do índice Ibovespa como previsores, 300 épocas para treinamento e utilizando a função de ativação Relu conseguiu explicar cerca de 98% das variações dos dados reais. |
| Abstract: | This work aims to compare two models of recurrent neural networks, for the prediction of quotation of financial instruments, considering criteria such as coefficient of determination and correlation coefficient of predicted versus actual data. Comparative analysis of the LSTM (Long short-term memory) and GRU (Gated Recurrent Unit) model was performed based on a recurrent neural network. The work compared the two models in an identical recurrent neural network architecture for both models. Python-based algorithms using the Keras, Numpy Pandas and Scikit-learn libraries were used. The quotation of the Ibovespa Index for the period from April 28, 1993 to April 1, 2021, broken down by the daily quotation, served as input. The research results showed a better performance of the GRU model, which using the 200 previous closings of the Ibovespa Index as predictors, 300 times for training and using the Relu activation function was able to explain about 98% of the variations of the real data. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/29985 |
| Aparece nas coleções: | MD - Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| redesneuraispredicaofinanceiros.pdf | 4,08 MB | Adobe PDF |  Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.