Dissertação

Combining Principal Component Analysis, Discrete Wavelet Transform and XGBoost to trade in the Financial Markets EVALUATED

Esta tese apresenta uma abordagem que combina a Análise de Componentes Principais (PCA), a Transformada Wavelet Discreta (DWT), Extreme Gradient Boosting (XGBoost) e um Algoritmo Genético para Multi-Optimização (MOO-GA) para criar um sistema capaz de obter retornos elevados com um baixo nível de risco associado às transações. A PCA é utilizada para reduzir a dimensionalidade do conjunto de dados financeiros mantendo sempre as partes mais importantes de cada feature e a DWT é utlizada para efectuar uma redução de ruído a cada feature mantendo sempre a sua estrutura. O conjunto de dados resultante é então entregue ao classificador binário XGBoost que tem os seus hiper-parâmetros optimizados recorrendo a um MOO-GA de forma a obter, para cada mercado financeiro analisado, o melhor desempenho. A abordagem proposta é testada com dados financeiros reais provenientes de cinco mercados financeiros diferentes, cada um com as suas características e comportamento. A importância do PCA e da DWT é analisada e os resultados obtidos demonstram que, quando aplicados separadamente, o desempenho dos dois sistemas é melhorado. Dada esta capacidade em melhorar os resultados obtidos, o PCA e a DWT são então aplicados conjuntamente num único sistema e os resultados obtidos demonstram que este sistema é capaz de superar a estratégia de Buy and Hold (B&H) em quatro dos cinco mercados financeiros analisados, obtendo uma taxa de retorno média de 49.26% no portfólio, enquanto o B&H obtém, em média, 32.41%.
Análise de Componentes Principais (PCA), Transformada Wavelet Discreta (DWT), Extreme Gradient Boosting (XGBoost), GA para Multi-Optimização (MOO-GA), Redução de Dimensão, Redução de Ruído

Junho 19, 2018, 11:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Rui Fuentecilla Maia Ferreira Neves

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar