Utilize este identificador para referenciar este registo:
http://hdl.handle.net/10071/21560
Registo completo
Campo DC | Valor | Idioma |
---|---|---|
dc.contributor.advisor | Curto, José Joaquim Dias | - |
dc.contributor.author | Cardoso, Luís Gil Miguéns | - |
dc.date.accessioned | 2021-01-26T14:42:40Z | - |
dc.date.available | 2021-01-26T14:42:40Z | - |
dc.date.issued | 2020-12-09 | - |
dc.date.submitted | 2020-12 | - |
dc.identifier.citation | 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 | pt-PT |
dc.identifier.uri | http://hdl.handle.net/10071/21560 | - |
dc.description.abstract | 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. | por |
dc.description.abstract | 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. | por |
dc.language.iso | eng | por |
dc.rights | openAccess | por |
dc.subject | Time series forecasting | por |
dc.subject | Artificial neural networks | por |
dc.subject | Stock market | por |
dc.subject | Long short-term memory | por |
dc.subject | Stacked autoencoder | por |
dc.title | Financial time series forecasting using artificial neural networks | por |
dc.type | masterThesis | por |
dc.peerreviewed | yes | por |
dc.identifier.tid | 202572749 | por |
dc.subject.fos | Domínio/Área Científica::Ciências Sociais::Economia e Gestão | por |
thesis.degree.name | Mestrado em Economia | por |
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.