Avaliação de redes neurais profundas para a previsão de preço das ações da petrobrás

Autores/as

  • Lidio Mauro Lima de Campos UNIVERSIDADE FEDERAL DO PARÁ
  • Yann Fabricio Cardoso de Figueiredo Universidade Federal do Pará

DOI:

https://doi.org/10.20397/2177-6652/2021.v21i3.1930

Palabras clave:

Palavras-chave, Redes Neurais Artificiais, Predição, Preço de ações, Resultados.

Resumen

Resumo

Objetivo do Estudo: Na presente pesquisa investiga-se a acurácia das Redes Neurais Profundas Diretas e Recorrentes (Long Short Term Memory) com o intuito de encontrar o melhor modelo capaz de predizer os preços das ações da Petrobrás na bolsa de valores.   Metodologia/Abordagem: realizaram-se uma série de experimentos, com o uso de redes direta e recorrente (LSTM), variando-se uma série de parâmetros de treinamento dessas Redes Neurais Profundas (RNPs), ao final dos experimentos compara-se a acurácia dessas duas arquiteturas de RNPs e selecionam-se os melhores modelos capazes de predizer os preços das ações da Petrobrás na bolsa de valores. Bem como o modelo que apresenta um melhor cenário quanto as oscilações das ações na bolsa de valores.Originalidade/Relevância: Os aspectos de originalidade dessa pesquisa dizem respeito a utilização de RNPs para solução do problema, onde o modelo adequado de predição é obtido por um processo de ajuste gradual dos parâmetros, até que seja encontrado o modelo com melhor acurácia na predição da série temporal.  A Proposta é relevante, pois permite predizer alterações dos preços das ações da Petrobrás, visando facilitar a tomada de decisão do investidor com previsões do preço das ações da empresa.

Principais Resultados: No geral, os melhores resultados quanto a predição de valores das ações ocorreram nas simulações com rede direta, enquanto a rede LSTM proporcionou um melhor cenário quanto as oscilações das ações na bolsa de valores. A rede direta mostrou-se eficiente por possui um erro menor nas métricas MAPE e RMSE, com 1.47% e 0.0147 respectivamente. No caso da rede LSTM foi possível observar um erro menor nas métricas MAE e MSE, com 0.0159 e 0.0005 respectivamente.

Contribuições teóricas/metodológicas: A pesquisa pode melhor evidenciar a capacidade preditiva modelos de RNPs para fins de estimação adequada de parâmetros , de modelos baseados em inteligência artificial, na tarefa de predição dos preços das ações da Petrobrás. 

Biografía del autor/a

Lidio Mauro Lima de Campos, UNIVERSIDADE FEDERAL DO PARÁ

Professor Adjunto III da Universidade Federal do Pará - UFPA na Faculdade de Computação / Instituto de Ciências Exatas e Naturais (ICEN). Doutor em Engenharia Elétrica com ênfase em Computação Aplicada pelo Programa de Pós-Graduação em Engenharia Elétrica - PPGGE na mesma instituição (2016), Mestre em Ciência da Computação, Área de Concentração: Sistemas do Conhecimento, pela Universidade Federal de Santa Catarina - UFSC (2001), Graduado em Engenharia Elétrica pela Universidade Federal do Pará - UFPA (1998) e em Tecnólogo em Processamento de Dados pela Universidade da Amazônia - UNAMA. É Certificado PMP-Project Management Professional pelo Project Management Institute (PMI-Pennsylvania-EUA). Na área de pesquisa e desenvolvimento atua em Computação Natural, Aprendizagem de Máquina, Inteligência Computacional , Mineração de Dados e Gerencia de Projetos. Atuou na Universidade Federal do Ceará - UFC, Campus de Quixadá, como professor do Curso de Sistemas de Informação, como Analista de Gestão de Tecnologia da Informação na ETICE-Empresa de Tecnologia da Informação do Ceará (http://www.etice.ce.gov.br/), como Analista de Sistemas na EMBRAPA-Empresa Brasileira de Pesquisas Agropecuárias (www.embrapa.br) e no IDESP - Instituto do Desenvolvimento Econômico, Social e Ambiental do Pará (http://www.idesp.pa.gov.br/). É Membro do IEEE (93403017).

Yann Fabricio Cardoso de Figueiredo, Universidade Federal do Pará

Yann Fabricio e Graduando em Bacharelado em Ciência da Computação pela Universidade Federal do Pará.

Citas

Almuammar, M., & Fasli, M. (2019, December). Deep learning for non-stationary multivariate time series forecasting. IEEE International Conference on Big Data (BigData), Los Angeles, CA, USA, 2019.

Bengio, Y., Lamblin, P., Popovici, D., & Larochelle, H. (2006). Greedy layer-wise training of deep networks. In B. Schölkopf, J. C. Platt & T Hoffman (Eds.). Advances in neural information processing systems 19 (pp. 153-160). San Diego: Neural Information Processing Systems Fundations.

Bovespa (Brasil). Produtos. Recuperado em 05 maio, 2020, de http://www.b3.com.br/pt_br/.

Dasgaonkar, K., & Chopade, S. (2018). Analysis of multi-layered perceptron, radial basis function and convolutional neural networks in recognizing handwritten digits. International Journal of Advance Research, Ideas and Innovations in Technology, 4(3).

Gambogi, J. A. (2013). Aplicação de redes neurais na tomada de decisão no mercado de ações. Dissertação de mestrado, Escola Politécnica, Universidade de São Paulo, São Paulo, SP, Brasil.

Garcia, J. C. P., & Campos, L. M. L. (2019). Redes neurais apoiando a tomada de decisão na análise de crédito bancário e detecção do câncer de mama. Revista Gestão e Tecnologia, 19, 90-112.

Gustafsson, F. K., Danelljan, M., & Schön, T. B. (in press). Evaluating scalable bayesian deep learning methods for robust computer vision. Computer Science. Retrieved May 16, 2020, from arXiv:1906.01620.

Jesus, L. B., Jr., & Sarti, F. (2016). Petrobras: política de conteúdo local, natureza jurídica, governança corporativa e performance econômica. Economic Analysis of Law Review, (2), 530-576.

Junior, J. R. F. (2019, junho 11). Redes neurais recorrentes – LSTM. Recuperado em 20 maio, 2020, de https://medium.com/@web2ajax/redes-neurais-recorrentes-lstm-b90b720dc3f6

Kaushik, A., Gupta, S., & Bhatia, M. (2018). A movie recommendation. System using Neural Networks. International Journal of Advance Research, Ideas and Innovations in Technology, 4(2).

Kovács, Z. L. (2006). Redes neurais artificiais: fundamentos e aplicações. (4a ed.). São Paulo: Livraria da Física.

Langner, T., Ahlström, H., & Kullberg, J. (in press). Large-scale biometry with interpretable neural network regression on UK Biobank body MRI. Electrical Engineering and Systems Science. Retrieved May 16, 2020, from arXiv:2002.06862

Marques, A. M. (2012). Avaliação de densidades para previsão dos retornos das ações da Petrobrás. Revista Economia e Desenvolvimento, 24(2).

Ning, Y., He, S., Wu, Z., Xing, C., & Zhang, L.-J. (2019). A review of deep learning based speech synthesis. Applied Sciences, 9(19), 4050. doi: 10.3390/app9194050

Petroleo Brasileiro S.A. - Petrobras (PETR4.SA). (2020). Yahoo Finanças. Recuperado em 19 maio, 2020, de https://br.financas.yahoo.com/quote/PETR4.SA/history?p=PETR4.SA

Poonia, V., Tiwari, H. L., & Mishra, S. (2018). Hydrological analysis by Artificial Neural Network: a review. International Journal of Advance Research, Ideas and Innovations in Technology, 4(3).

Rede neural artificial, (2018). In Wikipedia enciplopedia livre. Recuperado em 01 junho, 2018, de https://pt.wikipedia.org/wiki/Rede_neural_artificial

Santos, D. B., Lucas, E. C., Silva, V. A. B., & Medeiro, B. N. (2015, abril). Influência intradiária do preço internacional do petróleo nas ações da Petrobrás. Journal of Financial Innovation, 1(1), p. 4-17.

Shamshirband, S., Rabczuk, T., & Chau, K.-W. (2019). A survey of deep learning techniques: application in wind and solar energy resources. IEEE Access, 7, 164650-164666. doi: 10.1109/ACCESS.2019.2951750.

Sharma, N., Agarwal, P., & Pandey, U. (2018). Offline handwriting recognition using neural networks. International Journal of Advance Research, Ideas and Innovations in Technology, 4(2).

Steiner, M. T. A., Soma, N. Y., Shimizu, T., Nievola, J. C., Lopes, F. M., & Smiderle, A. (2004, novembro). Redes neurais e arvores de decisão na análise do crédito bancário. Trabalho apresentado em Simpósio Brasileiro de Pesquisa Operacional, São João del-Rei, MG, Brasil, 36. Recuperado em 01 junho, 2018, de http://www.din.uem.br/sbpo/sbpo2004/pdf/arq0035.pdf

Sutskever, I., Vinyals, O., & Le, Q. V. (2014). Sequence to sequence learning with neural networks. Retrieved June 01, 2018, from http://arxiv.org/abs/1409.3215

Publicado

2021-10-19

Cómo citar

de Campos, L. M. L., & de Figueiredo, Y. F. C. (2021). Avaliação de redes neurais profundas para a previsão de preço das ações da petrobrás. Revista Gestão & Tecnologia, 21(3), 27–55. https://doi.org/10.20397/2177-6652/2021.v21i3.1930