MODELO DE DEEP LEARNING PARA ALOCAÇÃO DE SÉRIES FINANCEIRAS

OBJETIVO DA PROPOSTA 06 3. RELEVÂNCIA DA PROPOSTA 07 4. METODOLOGIA DE TRABALHO 08 5. CRONOGRAMA 09 6. referencias bibliográficas 10 Apêndice a - ESTADO DA ARTE 12 Apêndice B – REFERENCIAL TEÓRICO 14 1. Também existem abordagens em programação genética e utilizando algoritmos de aprendizado de máquina, como o SVM (Support Vector Machine). Já abordagens mais complexas são baseadas em mineração de dados, redes neurais e de forma mais recente, deep learning. Essas abordagens precisam de um poder de processamento maior e uma grande quantidade de dados confiáveis, quanto mais dados melhor tende a ser o resultado. OBJETIVO DA PROPOSTA A presente proposta tem como objetivo geral a formação de um modelo para previsão dos preços no mercado financeiro utilizando deep learning. Para isso deseja-se trabalhar com um determinado padrão temporal de um ou mais papéis de ações, buscando prever suas oscilações de preços e como a oscilação de um papel pode impactar em outros.

Atividade Descrição 1 Realização de pesquisa bibliográfica para o estado da arte. Elaboração de documento contendo as soluções encontradas. Levantamento de requisitos para a solução desejada. Esboço da solução a ser implementada. Estudo dos frameworks a serem utilizados (caffe, tensor flow, etc). PAKDD. BMF & Bovespa. Histórico pessoas físicas. Disponível em <http://www. bmfbovespa. AI expert. Dixon, M. K. D. B. University of Illinois. Kamijo, K. and T. T. Stock price pattern recognition: A recurrent neural network approach. Y. T. B. Intelligent stock market assistant using temporal data mining. Proceedings of the International MultiConference of Engineers and Computer Scientists. M. C. Neural network forecasts of canadian stock returns using accounting ratios. International Journal of Forecasting. Polanski, A. H. J. T. Machine learning techniques and use of event information for stock market prediction: A survey and evaluation.

International Conference on Computational Intelligence for Modeling, Control and Automation. Já o autor Marketos (2010) procura utilizar outros fatores além do volume de negociações e preços para suas análises, como por exemplo a posição financeira da empresa, rumores, comportamento histórico, setor da mesma, entre outros. Dessa forma o autor propõe uma ferramente que colete esses dados e faça sua análise e interpretação, oferecendo opções de onde investir. Outro campo de pesquisa é o representado pelo autor Bunche (2016), ele procura cruzar dados históricos com as informações que estão sendo postadas, de forma a predizer as direções futuras do mercado. Na área de redes neurais, a maior parte das pesquisas utiliza como base uma rede neural tradicional, apenas alterando o número de camadas ou camadas ocultas.

Alguns exemplos de pesquisas na área são de Olson (2003), Kryzanowski (1993) e Kamijo e T. APÊNDICE B – REFERENCIAL TEÓRICO Nessa seção vamos descrever brevemente os modelos que serão abordados em seguida, de forma a esclarecer o funcionamento de cada método. • Redes Neurais Redes neurais (RN) artificiais são modelos computacionais baseadas no sistema nervoso central, ou seja, o cérebro, e geralmente são apresentadas como um sistema de neurônios interconectados que recebem diversos valores de entrada e apresentam na saída o resultado esperado [Caudill 1987]. A estrutura fundamental das redes neurais são nós interconectados, simples unidades de processamento conhecidos como neurôns, pesos e conexões ponderadas que se juntam aos neurônios. Isso torna a rede hábil para descobrir relações não lineares no treinamento e em dados não lineares.

Segundo [Yoo 2005], elas possuem uma boa tolerância a ruído e a dados incompletos, porém não é possível entender como a rede chega ao resultado.