Utilize este identificador para referenciar este registo:
http://hdl.handle.net/10071/21560
Autoria: | Cardoso, Luís Gil Miguéns |
Orientação: | Curto, José Joaquim Dias |
Data: | 9-Dez-2020 |
Título próprio: | Financial time series forecasting using artificial neural networks |
Referência bibliográfica: | Cardoso, L. G. M. (2020). Financial time series forecasting using artificial neural networks [Dissertação de mestrado, Iscte - Instituto Universitário de Lisboa]. Repositório Iscte. http://hdl.handle.net/10071/21560 |
Palavras-chave: | Time series forecasting Artificial neural networks Stock market Long short-term memory Stacked autoencoder |
Resumo: | This study builds an artificial neural network framework with the use of stacked autoencoders (SAE) to extract deep denoised features, and long short-term memory (LSTM)
to generate forecasts for the next-day adjusted closing price of S&P500. Data for seven
different stock indices, technical indicators, and macroeconomic variables is used to train
three different models: a 'price model' which predicts the next-day price, a 'change model'
which predicts the relative change in price, and a ’binary model’ which predicts the probability of a price increase. The models were judged based on predictive accuracy and
profitability. Results show the models either fail to generalize well or fall prey to a vicious
minimum approximating a naive predictor. Furthermore, the models appear particularly
poor at predicting breaks in the series, likely due to their infrequency. This might provide
evidence supporting the efficient market hypothesis. Este estudo constrói modelos de redes neuronais artificiais com o uso de "stacked autoencoders" (SAE) para extrair variáveis latentes sem ruído e "long short-term memory" (LSTM) para gerar previsões para o "next-day adjusted closing price" do S&P500. Dados para sete índices de ações diferentes, indicadores técnicos e variáveis macroeconómicas são usados para treinar três modelos diferentes: um 'modelo de preço' que prevê o preçoo do dia seguinte, um 'modelo de mudança que prevê a mudança relativa no preçoo e um 'modelo binário' que prevê a probabilidade de um aumento de preço. Os modelos foram avaliados com base na sua precisão preditiva e lucratividade. Os resultados mostram que os modelos falham em generalizar bem ou caem num mínimo vicioso que se aproxima de um "naive predictor". Além disso, os modelos parecem particularmente fracos a prever quebras na série, provavelmente devido à sua infrequência. Isto pode fornecer evidências que apoiam a hipótese do mercado eficiente. |
Designação do grau: | Mestrado em Economia |
Arbitragem científica: | yes |
Acesso: | Acesso Aberto |
Aparece nas coleções: | T&D-DM - Dissertações de mestrado |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
master_luis_miguens_cardoso.pdf | 2,43 MB | Adobe PDF | Ver/Abrir |
Todos os registos no repositório estão protegidos por leis de copyright, com todos os direitos reservados.