Aplicação Data Science
em um estudo comparativo entre redes neurais e regressão linear na predição dos valores de ações na bolsa brasileira
Palavras-chave:
Machine Learning, Economia, Ações, Regressão Linear, Redes NeuraisResumo
Este artigo propõe através de modelos de previsão estatísticos baseados na utilização de dados históricos a partir de uma série temporal, verificar o comportamento e a performance de dois algoritmos de Machine Learning na predição de dados de um investimento do ponto de vista econômico. Os dois modelos computacionais estudados em questão foram a Regressão Linear e as Redes Neurais Artificiais, sendo ambos aplicados na predição dos resultados do valor do ativo de uma empresa brasileira na bolsa de valores, com o objetivo de produzir um estudo comparativo entre os métodos e determinar suas diferenças na aplicabilidade nas decisões financeiras.
Referências
Bustos, Oscar; Pomares-Quimbaya, Alexandra. Stock market movement forecast: A systematic review. Expert Systems with Applications, v. 156, p. 113464, 2020.
Da Silva, Everton Josué. Modelagem e aplicação de técnicas de aprendizado de máquina para negociação em alta frequência em bolsa de valores. 2015.
Figueiredo Filho, Dalson et al. O que fazer e o que não fazer com a regressão: pressupostos e aplicações do modelo linear de Mínimos Quadrados Ordinários (MQO). Revista Política Hoje, v. 20, n. 1, 2011.
Gomboski, Matheus. A utilização de algoritmos de machine learning na análise econômica. 2019.
Hoffmann, Rodolfo. Análise de regressão: uma introdução à econometria. 2016.
Kumar, R. R. Visualizing Big Data Mining: Challenges, Problems and Opportunities. v. 6, n. 4, p. 3933–3937, 2015.
Machado, W, C.; Fonseca Júnior, E. S. Redes Neurais Artificiais aplicadas na previsão do VTEC no Brasil. Boletim de Ciências Geodesicas, v.19, n.2, p. 227-246, 2013.
Martinez, Leonardo C. et al. From an artificial neural network to a stock market day-trading system: A case study on the bm&f bovespa. In: 2009 International Joint Conference on Neural Networks. IEEE, 2009. p. 2006-2013.
Maroni Neto, Ricardo et al. Machine Learning aplicada a finanças: Previsão por meio de indicadores econômicos-financeiros. 2021.
Nied, A. Treinamento de redes neurais artificiais baseado em sistemas de estrutura variável com taxa de aprendizado adaptativa. 2007. Belo Horizonte, MG. Tese (Doutorado) – Programa de Pós-Graduação em Engenharia Elétrica, Universidade Federal de Minas Gerais.
Patrikainen, Tuomas. Using machine learning to forecast long-term equity price movement. Journal of Applied Finance & Banking, v. 7, n. 1, p. 1-40.
Silva, Vitor Hugo Miro Couto; De França, João Mário Santos. Modelos de machine learning na classificação de pobreza: uma aplicação para o estado do Ceará.
Steffen, Andressa Antunes et al. Predição de séries temporais aplicada ao mercado de ações utilizando regressão linear. 202.
Xiangyan, Pan. Prediction Algorithm of Digital Economy Development Trend Based on Big Data. Mathematical Problems in Engineering, v. 2022, 2022.
Valencia, F.; Gómez-Espinosa, A.; Valdés-Aguirre, B. Price movement prediction of cryptocurrencies using sentiment analysis and machine learning. Entropy, v. 21, n. 6, 2019.
Willmott, Cort J.; Matsuura, Kenji. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate research, v. 30, n. 1, p. 79-82, 2005.
