Modelos híbridos de indicadores técnicos e aprendizado profundo para previsão de preços de ações: uma análise comparativa (2024)
- Authors:
- Autor USP: SA, JHOE NASCIMENTO - ICMC
- Unidade: ICMC
- Subjects: APRENDIZADO COMPUTACIONAL; FILTROS DE KALMAN; INTELIGÊNCIA ARTIFICIAL; AÇÕES
- Keywords: LSTM; Indicadores técnicos
- Language: Português
- Abstract: Este estudo aborda a aplicação de modelos híbridos na previsão de preços de ações, combinando indicadores técnicos com técnicas de aprendizado profundo, como redes Long Short-Term Memory (LSTM). O contexto desta pesquisa está relacionado ao crescente interesse no uso de técnicas modernas de aprendizado de máquina para superar limitações dos métodos tradicionais de análise técnica e fundamentalista, oferecendo novas abordagens mais eficazes. O estudo utilizou indicadores técnicos como Média Móvel Simples (SMA), Média Móvel Exponencial (EMA) e Índice de Força Relativa (RSI), além do filtro de Kalman para suavizar as séries de preços de fechamento. A metodologia incluiu a coleta de dados históricos do índice S&P 500 e a construção de modelos LSTM, Bidirectional LSTM (BiLSTM) e Stacked LSTM, tanto com indicadores técnicos quanto sem eles, e com a utilização do filtro de Kalman para comparação de desempenho. A avaliação dos modelos utilizou métricas como Root Mean Squared Error (RMSE), Mean Absolute Error (MAE) e coeficiente de determinação (R2). Os resultados mostram que a inclusão de indicadores técnicos e do filtro de Kalman pode melhorar significativamente a precisão das previsões, sendo o modelo Stacked LSTM o que apresentou o melhor desempenho. A pesquisa conclui que a integração de técnicas tradicionais e modernas tem um grande potencial para aprimorar as análises financeiras, possibilitando avanços significativos na gestão de portfólios e na tomada de decisão. Assim, este estudo contribui para a literatura ao demonstrar a eficácia dessas abordagens híbridas e ao sugerir novas possibilidades de aplicação no campo da gestão financeira.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2024
-
ABNT
SÁ, Jhoe Nascimento. Modelos híbridos de indicadores técnicos e aprendizado profundo para previsão de preços de ações: uma análise comparativa. 2024. Trabalho de Conclusão de Curso (MBA) – Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2024. Disponível em: https://bdta.abcd.usp.br/directbitstream/a36c39f3-2940-472f-bf74-ee4d3504bae9/Jhoe_Nascimento_Sa_.pdf. Acesso em: 18 mar. 2025. -
APA
Sá, J. N. (2024). Modelos híbridos de indicadores técnicos e aprendizado profundo para previsão de preços de ações: uma análise comparativa (Trabalho de Conclusão de Curso (MBA). Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos. Recuperado de https://bdta.abcd.usp.br/directbitstream/a36c39f3-2940-472f-bf74-ee4d3504bae9/Jhoe_Nascimento_Sa_.pdf -
NLM
Sá JN. Modelos híbridos de indicadores técnicos e aprendizado profundo para previsão de preços de ações: uma análise comparativa [Internet]. 2024 ;[citado 2025 mar. 18 ] Available from: https://bdta.abcd.usp.br/directbitstream/a36c39f3-2940-472f-bf74-ee4d3504bae9/Jhoe_Nascimento_Sa_.pdf -
Vancouver
Sá JN. Modelos híbridos de indicadores técnicos e aprendizado profundo para previsão de preços de ações: uma análise comparativa [Internet]. 2024 ;[citado 2025 mar. 18 ] Available from: https://bdta.abcd.usp.br/directbitstream/a36c39f3-2940-472f-bf74-ee4d3504bae9/Jhoe_Nascimento_Sa_.pdf
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
Jhoe_Nascimento_Sa_.pdf | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
