dc.contributor.advisor | Baggio, José Eduardo | |
dc.creator | Rosa, Rodrigo Silveira da | |
dc.date.accessioned | 2022-07-06T19:52:00Z | |
dc.date.available | 2022-07-06T19:52:00Z | |
dc.date.issued | 2018-07-13 | |
dc.date.submitted | 2018 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/25241 | |
dc.description | Trabalho de conclusão de curso (graduação) - Universidade Federal de Santa
Maria, Centro de Tecnologia, Curso de Engenharia de Computação, RS, 2018. | por |
dc.description.abstract | One of the most fashionable forms of financial investment available in nowadays economy is
the buying and selling of stocks. Currently the vast majority of stock transactions are already
done automatically by specialist software, but there is still a lot of room to develop specific
decision-making methods for that area. The present work tests an approach to predict the rise
and fall of stock prices using neural networks that although not new, has had its viability
increased in the last years thanks to the advances in the algorithms of training and parallelization
using graphics cards. In this work, we compare feed-forward neural network architectures with
different hyperparameter configurations, specifically using ELU-type neurons, applied to the
daily minimum price forecast of the S&P 500 index. For the programming of the algorithms,
the Python language was used, along with the framework for Deep Learning Tensorflow, and
some libraries that simplify the process of data manipulation (Pandas) and network structuring
(Keras). After analyzing and choosing the best architecture, an optimization process is shown
in which it is verified that the performance of the network is improved with the addition of new
layers of neurons. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Acesso Aberto | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Redes neurais | por |
dc.subject | Mercado de ações | por |
dc.subject | Deep learning | eng |
dc.subject | Neural networks | eng |
dc.subject | Stock market | eng |
dc.title | Redes neurais ELU feed-forward aplicadas a previsão de preços de ativos em bolsas de valores | por |
dc.title.alternative | Feed-forward ELU neural networks applied to stock markets assets prices prediction | eng |
dc.type | Trabalho de Conclusão de Curso de Graduação | por |
dc.degree.local | Santa Maria, RS, Brasil. | por |
dc.description.resumo | Uma das formas de investimento financeiro mais em voga na economia atual é a compra e
venda de ações. Atualmente a grande maioria das transações com ações já são feitas
automaticamente por softwares especialistas, mas ainda há um grande espaço para se
desenvolver métodos de tomada de decisão específicos para essa área. O presente trabalho testa
uma abordagem de previsão de subidas e descidas de preços de ações utilizando redes neurais
que apesar de não ser nova, teve sua viabilidade aumentada nos últimos anos graças aos avanços
nos algoritmos de treinamento e paralelização utilizando placas gráficas. Neste trabalho, são
comparadas arquiteturas de redes neurais feed-forward com diferentes configurações de
hiperparâmetros, utilizando especificamente neurônios do tipo ELU, aplicadas a previsão de
preço mínimo diário do índice S&P 500. Para a programação dos algoritmos foi utilizada a
linguagem Python, em conjunto com o framework para Deep Learning Tensorflow, e algumas
bibliotecas que simplificam o processo de manipulação de dados (Pandas) e de estruturação
das redes (Keras). Após feita a análise e escolhida a melhor arquitetura, é mostrado um processo
de otimização em que se verifica que a performance da rede é melhorada com a adição de novas
camadas de neurônios. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS | por |
dc.publisher.unidade | Centro de Tecnologia | por |