Publication
Inteligência artificial aplicada na previsão de mercados financeiros
| datacite.subject.fos | Automação e Sistemas | pt_PT |
| dc.contributor.advisor | Machado, José António Tenreiro | |
| dc.contributor.advisor | Azevedo, Filipe Miguel Tavares de | |
| dc.contributor.author | Pereira, Luís Pedro Peixoto | |
| dc.date.accessioned | 2016-04-14T14:53:48Z | |
| dc.date.available | 2016-04-14T14:53:48Z | |
| dc.date.issued | 2015 | |
| dc.date.submitted | 2015 | |
| dc.description.abstract | Neste documento, são investigados vários métodos usados na inteligência artificial, com o objetivo de obter previsões precisas da evolução dos mercados financeiros. O uso de ferramentas lineares como os modelos AR, MA, ARMA e GARCH têm muitas limitações, pois torna-se muito difícil adaptá-los às não linearidades dos fenómenos que ocorrem nos mercados. Pelas razões anteriormente referidas, os algoritmos como as redes neuronais dinâmicas (TDNN, NARX e ESN), mostram uma maior capacidade de adaptação a estas não linearidades, pois não fazem qualquer pressuposto sobre as distribuições de probabilidade que caracterizam estes mercados. O facto destas redes neuronais serem dinâmicas, faz com que estas exibam um desempenho superior em relação às redes neuronais estáticas, ou outros algoritmos que não possuem qualquer tipo de memória. Apesar das vantagens reveladas pelas redes neuronais, estas são um sistema do tipo black box, o que torna muito difícil extrair informação dos pesos da rede. Isto significa que estes algoritmos devem ser usados com precaução, pois podem tornar-se instáveis. | pt_PT |
| dc.description.abstract | In this document, several methods used in the field of artificial intelligence are investigated, with the objective of obtaining more precise forecasts of the financial markets. The use of linear tools such the models AR, MA, ARMA and GARCH has many limitations, because it becomes very difficult to adapt them to the non linear phenomena that occur in the markets. For the reasons mentioned above, algorithms like dynamic neural networks (TDNN, NARX and ESN), show a better adaptation to these non linearities, because they don't make any assumptions of the probability distributions of these markets. The fact that these neural networks are dynamic, leads to a superior performance in relation to the static neural nets, or other algorithms that don't possess any type of memory. In spite of these advantages, neural networks are a black box type of system, making very difficult for the developer to extract information from the weights of a neural net. This means that these algorithms should be used with caution because they suddenly might become unstable. | pt_PT |
| dc.identifier.tid | 201754860 | |
| dc.identifier.uri | http://hdl.handle.net/10400.22/8116 | |
| dc.language.iso | por | pt_PT |
| dc.subject | AR | pt_PT |
| dc.subject | MA | pt_PT |
| dc.subject | ARMA | pt_PT |
| dc.subject | GARCH | pt_PT |
| dc.subject | TDNN | pt_PT |
| dc.subject | NARX | pt_PT |
| dc.subject | ESN | pt_PT |
| dc.subject | Inteligência artificial | pt_PT |
| dc.subject | Redes neuronais | pt_PT |
| dc.subject | Black box | pt_PT |
| dc.subject | Pesos | pt_PT |
| dc.subject | Artificial intelligence | pt_PT |
| dc.subject | Neural networks | pt_PT |
| dc.subject | Weights | pt_PT |
| dc.title | Inteligência artificial aplicada na previsão de mercados financeiros | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado em Engenharia Eletrotécnica e de Computadores | pt_PT |