Dissertação

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

{pt=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%., en=This thesis presents an approach combining Principal Component Analysis (PCA), Discrete Wavelet Transform (DWT), Extreme Gradient Boosting (XGBoost) and a Multi-Objective Optimization Genetic Algorithm (MOO-GA) to create a system that is capable of achieving high returns with a low level of risk associated to the trades. PCA is used to reduce the dimensionality of the financial input data set while maintaining the most valuable parts of each feature and the DWT is used to perform a noise reduction to every feature while keeping its structure. The resultant data set is then fed to an XGBoost binary classifier that has its hyperparameters optimized by a MOO-GA in order to achieve, for every analyzed financial market, the best performance. The proposed approach is tested with real financial data from five different financial markets, each with its own characteristics and behavior. The importance of the PCA and the DWT is analyzed and the results obtained show that, when applied separately, the performance of both systems is improved. Given their ability in improving the results obtained, the PCA and the DWT are then applied together in one system and the results obtained show that this system is capable of outperforming the Buy and Hold (B&H) strategy in four of the five analyzed financial markets, achieving an average rate of return of 49.26% in the portfolio, while the B&H achieves on average 32.41%.}
{pt=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, en=Principal Component Analysis (PCA), Discrete Wavelet Transform (DWT), Extreme Gradient Boosting (XGBoost), Multi-Objective Optimization GA (MOO-GA), Dimensionality Reduction, Noise Reduction}

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