Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/11422/14800
Especie: Trabalho de conclusão de graduação
Título : Redes neurais LSTM e modelo GARCH: uma abordagem conjunta para previsão de retornos
Autor(es)/Inventor(es): Contarini, Gabriel
Tutor: Schommer, Susan
Resumen: A ideia principal do trabalho é analisar a performance de previsão do retorno de ações, particularmente da ação PETR3. Primeiramente, para prever os retornos futuros, foi usado um tipo de rede neural chamada de redes neurais recorrentes, especificamente neurônios do tipo LSTM. Depois são estimados modelos GARCHs para a série e são usados suas variâncias condicionais como novos inputs para as redes neurais, transformando assim um problema de regressão univariado em um problema multivariado usando os mesmos dados iniciais. As redes neurais LSTM, em geral, apresentaram melhores resultados em comparação ao próprio GARCH e as redes neurais com GARCH como input.
Materia: Redes neurais aritifciais
Redes neurais recorrentes
Modelo GARCH
Artificial neural networks
Recurrent neural networks
GARCH Model
Materia CNPq: CNPQ::CIENCIAS SOCIAIS APLICADAS::ECONOMIA
Unidade de producción: Instituto de Economia
Editor: Universidade Federal do Rio de Janeiro
Fecha de publicación: ago-2020
País de edición : Brasil
Idioma de publicación: por
Tipo de acceso : Acesso Aberto
Citación : CONTARINI, Gabriel. Redes neurais LSTM e modelo GARCH: uma abordagem conjunta para previsão de retornos. 2020. 40 f. Trabalho de Conclusão de Curso (Bacharelado em Ciências Econômicas) - Instituto de Economia, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2020.
Aparece en las colecciones: Ciências Econômicas

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
GContarini.pdf887.58 kBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.