Dissertação

Statistical Models and Machine Learning Algorithms to Forecast Future Prices in the Stock Market EVALUATED

Os preços de ações podem ser interpretados como séries temporais que podem ser previstas, de forma a melhorar os resultados para um investidor. Vários métodos encontram-se em desenvolvimento com o objetivo de obter uma previsão mais precisa. A previsão de uma série temporal é um problema de regressão, visto ser uma variável contínua que é prevista. A presente dissertação aplica um método estatístico, ARIMA, e dois de machine learning, K-Nearest Neighbors (KNN) e Support Vector Regression (SVR), com vista a prever o preço das ações. O presente trabalho apresenta previsões diárias, semanais e mensais, fazendo uso de ações com diferentes características. Os três modelos estudados são comparados em cada uma das situações referidas, considerando o erro das previsões, os retornos de uma estratégia simples e ainda o risco e precisão da estratégia. Os dados utilizados para o período de treino correspondem a 4 anos de uma ação com uma tendência clara e outra ação com tendência lateral. O período de teste corresponde a 1 ano das mesmas ações. O melhor resultado foi obtido com o ARIMA numa previsão mensal, alcançando retornos de 40% e uma precisão de 90.9%. Os algoritmos KNN e SVR demonstraram ser mais precisos em ações de tendência lateral, sendo as soluções destes superiores às soluções obtidas com o ARIMA. Ambas as abordagens de machine learning beneficiam da introdução de um retreino durante o período de teste, tendo em alguns casos decrescido o erro em 10 vezes.
Séries Temporais, Análise Preditiva, Stock Market, ARIMA, K-Nearest Neighbors, Support Vector Regression

junho 29, 2018, 14:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Rui Fuentecilla Maia Ferreira Neves

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar

ORIENTADOR

Nuno Cavaco Gomes Horta

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Associado