Dissertação

{en_GB=Exploring Feedforward and Long Short Term Memory Neural Networks to Stock Markets Forecasting} {} EVALUATED

{pt=As Redes Neuronais Artificiais como parte deMachine Learningtêem ganho relevância no contexto deprevisão financeira. Os desenvolvimentos em torno de Redes Neuronais permitirem um aumento nonível de abstracção sob a aplicação a um problema, permitindo ao mesmo tempo atingir performancesao nível do estado da arte. Neste trabalho foi desenvolvida uma framework semi-automatizada paracriação de modelos de Redes Neuronais recorrendo a Redes Feedforward Redes LSTM. A estrutura é inicialmente configurada através de parâmetros que abrangem todos os módulos desde os dados iniciais, pré-processamento dos dados, treino do modelo e backtesting, produzindo um modelo de previsão. Este modelo é usado em associação com uma estratégia cujos resultados são computados em backtest. Os resultados mostram que é possível criar estratégias simples que dão lucro a partir de diferentes instrumentos com diferentes características por incorporação de dados passados e indicadores técnicos juntamente com os dados dos preços do instrumento., en=Artificial Neural Networks as a part of Machine Learning have been gaining \textit{momentum} in the context of financial prediction. Neural Networks developments allow an increasing level of abstraction over the problem’s application, without loss of effectiveness and allowing for state-of-the-art performances. This thesis has a framework for creating Deep Neural Networks models applied to financial forecasting, using Feedforward Neural Networks and Long Short-Term Neural Networks. The framework is configured with parameters that define all aspects, ranging from the data inputs, data pre-processing, model training and backtesting, producing a predicting model. This model is used in association with a defined strategy with the results presented by a backtest and compared against a Buy and Hold strategy. The results show that it is possible to create simple profitable strategies from securities with different behaviors by incorporating past data and technical indicators along with the price data.}
{pt=Mercados Financeiros, Redes Neuronais, Aprendizagem Automática, LSTM, Feedforward, en=Finance, Shallow Learning, Machine Learning, LSTM, Feedforward}

Novembro 26, 2018, 11:0

Orientação

ORIENTADOR

Nuno Cavaco Gomes Horta

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar