Utilizando rede LSTM para predição de ações de vários setores econômicos da Bolsa de Valores
DOI:
https://doi.org/10.51359/1679-1827.2023.257384Palavras-chave:
inteligência artificial, rede neural recorrente, LSTM, açõesResumo
Objetivo: Utilizar rede neural recorrente para prever os preços de fechamento das ações de 4 setores econômicos classificados na B3 e duas ações negociadas na NASDAQ assim como analisar se o modelo proposto é capaz de identificar padrões de comportamento distintos entre os setores selecionados e até de outro mercado.
Método/abordagem: Trata-se de uma pesquisa baseada na coleta dos preços reais de fechamento das ações, treinamento do modelo e predição dos preços futuros de fechamento utilizando a rede LSTM.
Contribuições teóricas/práticas/sociais: Acrescenta mais estudos utilizando a rede LSTM com o objetivo de obter predições dos preços das ações avaliadas assim como a previsão dos preços de fechamento para dias futuros. Também é apresentado um protótipo de app que exibe as informações das ações monitoradas.
Originalidade/relevância: Os resultados apresentados neste artigo são frutos da pesquisa realiza na predição dos preços futuros das ações negociadas na B3 e na NASDAQ. Este, fornecerá subsidiou para trabalhos que pretendam realizar análises desses valores como objetivo de identificar o comportamento dos preços preditos para um ativo e assim poder aplicar indicadores para auxiliar em uma tomada de decisão.
Referências
B3. (2022, Agosto). Uma das principais empresas de infraestrutura de mercado financeiro do mundo. https://www.b3.com.br/pt_br/b3/institucional/quem-somos
Badri, A. K., Heikal, J., Terah, Y. A., & Nurjaman, D. R. (2022). Decision-making techniques using lstm on antam mining shares before and during the covid-19 pandemic in indonesia. APTISI Transactions on Management (ATM), 6(2), 167-180.
Banik, S., Sharma, N., Mangla, M., Mohanty, S. N., & Shitharth, S. (2022). LSTM based decision support system for swing trading in stock market. Knowledge-Based Systems, 239, 107994.
Bathla, G. (2020, November). Stock Price prediction using LSTM and SVR. In 2020 Sixth International Conference on Parallel, Distributed and Grid Computing (PDGC) (pp. 211-214). IEEE.
Deep learning (2021). Capítulo 48 – Redes Neurais Recorrentes. Deep learning. Disponível em: https://www.deeplearningbook.com.br/redes-neurais-recorrentes/
Caixa de TextoCoqueret, G. (2021). Machine Learning in Finance: From Theory to Practice: by Matthew F. Dixon, Igor Halperin, and Paul Bilokon, Springer (2020). ISBN 978-3-030-41067-4. Paperback.
Dalla Corte, V., Dos Santos, V. K., & Casanova, D. (2019). Chatbot baseado em rede neural Long Short-Term Memory (LSTM): um estudo de caso baseado no livro William Shakespeare. Anais do Computer on the Beach, 484-492.
Dametto, R. C. (2018). Estudo da aplicação de redes neurais artificiais para predição de séries temporais financeiras.
Data Science Academy (2021). Capítulo 51 - Arquitetura de Redes Neurais Long Short Term Memory (LSTM). Data Science Academy. Recuperado de https://www.deeplearningbook.com.br/arquitetura-de-redes-neurais-long-short-term-memory.
de Carvalho, H. V., Carvalho, E. C., Arruda, H., Imperatriz-Fonseca, V., de Souza, P., & Pessin, G. (2018, June). Detecção de anomalias em comportamento de abelhas utilizando redes neurais recorrentes. In Anais do IX Workshop de Computação Aplicada a Gestão do Meio Ambiente e Recursos Naturais. SBC.
do Nascimento, K. K. F., da Silva Jale, J., & Ferreira, T. A. E. (2021). Simulação de mercado financeiro com compra e venda otimizadas por Enxame de Partículas. Ciência e Natura, 43, e21-e21.
Eugene, F. (1970). Efficient capital markets: A review of theory and empirical work. Journal of finance, 25, 383-417.
Jiang, W. (2021). Applications of deep learning in stock market prediction: recent progress. Expert Systems with Applications, 184, 115537.
Karasu, S., & Altan, A. (2022). Crude oil time series prediction model based on LSTM network with chaotic Henry gas solubility optimization. Energy, 242, 122964.
Kaufman, D. (2019). A inteligência artificial mediando a comunicação: impactos da automação. Pós-verdade e Fake news. Reflexões sobre a guerra de narrativas. São Paulo: Cobogó.
Leandro, J. C. (2021). Aplicação de redes neurais LSTM para previsão de séries temporais financeiras.
Malkiel, B. G. (2003). The efficient market hypothesis and its critics. Journal of economic perspectives, 17(1), 59-82.
Nascimento, O. D. S., Santos, Felipe G., & Ferreira, Karl Hansimuller A. (2022). Previsão de preços de ações utilizando inteligência artificial.
Neves, J. L. (1996). Pesquisa qualitativa: características, usos e possibilidades. Caderno de pesquisas em administração, São Paulo, 1(3), 1-5.
Pacce, T. A. (2017). Estratégia de negociação baseada em Inteligência Artificial para atuação em mercados de capitais.
Raupp, F. M., & Beuren, I. M. (2006). Metodologia da pesquisa aplicável às ciências. Como elaborar trabalhos monográficos em contabilidade: teoria e prática. São Paulo: Atlas, 76-97.
Caixa de TextoRoondiwala, M., Patel, H., & Varma, S. (2017). Predicting stock prices using LSTM. International Journal of Science and Research (IJSR), 6(4), 1754-1756.
StandardScaler. (2022, Julho). Scikit-learn. https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.StandardScaler.html
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2023 Gestão.org
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Os trabalhos assinados são de responsabilidade exclusiva do(s) autor(es).
Os direitos, inclusive os de tradução, são reservados.
É permitido citar os trabalhos publicados sem autorização prévia desde que seja identificada a fonte.
