Dissertação
Dynamic Ensemble of Specialized Models for Multi-Timeframe Stock Market Trend Prediction EVALUATED
Esta tese aborda a previsão de tendências do mercado de ações usando machine learning através do desenvolvimento de uma nova arquitetura de modelo duplo, DTE-2SVM, que separa tendências de longo e curto prazo, utilizando SVMs otimizadas para cada tendência, visando prever o índice S&P 500. O sistema visa lidar com a volatilidade e complexidade inerentes ao mercado de ações, decompondo o comportamento geral do mercado utilizando diferentes perspetivas temporais de observação, criando estratégias distintas que melhoram a capacidade de resposta e de previsão nos variados comportamentos do mercado de ações. De forma a maximizar o efeito da abordagem de modelo duplo são aplicados processos de afinação de hiperparâmetros, separadamente para cada modelo, obtendo hiperparâmetros otimizados para cada estratégia. Adicionalmente, é introduzido uma melhoria de um método de atribuição de classes de dados, baseado num algoritmo de Min-Máx em n-períodos, que captura as flutuações de mercado através da identificação de pontos críticos como o máximo e mínimo local. O sistema proposto, DTE-2SVM, é avaliado através de casos de estudo que abordam aspetos-chave da solução proposta. Os resultados mostram que o DTE-2SVM supera modelos tradicionais de aprendizagem e a estratégia de referência de Buy & Hold, alcançando um retorno sobre investimento de 204,31%, superando os 132,11% da estratégia de Buy & Hold, no índice S&P 500 entre 2015 e 2023. A solução demonstra ainda consistência nos retornos e uma gestão de risco eficaz. Acrescentando ainda, a importância da afinação de hiperparâmetros na melhoria do desempenho e da rentabilidade do modelo.
outubro 31, 2024, 10:30
Documentos da dissertação ainda não disponíveis publicamente
Orientação
ORIENTADOR
Rui Fuentecilla Maia Ferreira Neves
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar