Aplicações de redes neurais na previsão de operações day trade

Arquivos

TCC_Yuri.pdf (1.28 MB)

Data

2023-11-22
Autor(es)

Orientado(es)
Mestre Mário Luiz Rodrigues Oliveira

Título da Revista

ISSN da Revista

Título de Volume

Editor

Abstract

This monograph addressed the development and analysis of four neural network mod els: Autoencoders, Convolutional Neural Networks, Long Short-Term Memory (LSTM) Neural Networks, and Multilayer Perceptron (MLP) Neural Networks, aiming to evaluate their performance in day trading operations. The results highlighted the complexity of implementing neural networks in the financial environment, with each model exhibiting unique characteristics and significant trade offs. The study emphasized the importance of adaptive and careful approaches in choosing and implementing neural networks in trading systems, recognizing the absence of a universal solution. In this work, these models were implemented, tested, and evaluated using metrics such as profit obtained, number of trades, percentage of profitable trades, profit factor, and recovery factor. The models were trained using data from January 2018 to January 2023, with 70% of the collected data allocated for training and 30% for testing. Five features were used as input for each implemented network: opening price, closing price, high, low, and a 21-period moving average. At the end of the study, it was concluded that the best neural network model among those analyzed was the autoencoder. It achieved the highest profit and, in most tests, the best results according to the adopted metrics. This does not indicate that the other models are poor or cannot be used in the financial market, but rather that for the 15-minute time frame, the autoencoder was the most effective model and the best option in this scenario.


Resumo

Esta monografia abordou o desenvolvimento e análise de quatro modelos de redes neurais: Autoencoders, Redes neurais convolucionais, Redes neurais Long Short-Term Memory (LSTM) e as Redes neurais multilayer perceptron (MLP), visando avaliar seu desempenho em operações de day trade. Os resultados destacaram a complexidade da implementação de redes neurais no ambiente financeiro, com cada modelo apresentando características únicas e trade-offs significativos. O estudo ressaltou a importância de abordagens adaptativas e cuidadosas na escolha e implementação de redes neurais em sistemas de negociação, reconhecendo a inexistência de uma solução universal. No trabalho esses modelos foram implementados, testados e avaliados utilizando métricas como lucro obtido, numero de negociações, porcentagem de negociações com lucro, fator de lucro e fator de recuperação. Para treinamento dos modelos foi utilizado o período de 01/2018 até 01/2023, com 70% dos dados coletados destinados a treinamento e 30% para teste. Utilizou-se 5 features como entrada para cada uma das redes implementadas, sendo: preço de abertura, preço de fechamento, máxima, mínima e uma média móvel de 21 períodos. Ao fim do trabalho conclui-se que o melhor modelo de rede neural dentre as analisadas foi o autoencoder. Por obter o maior lucro e na maior parte dos testes os melhores resultados de acordo com as métricas adotadas. Isso não indica que as outras são ruins ou não podem ser utilizadas no mercado financeiro. Apenas que para o tempo gráfico de 15 minutos o modelo que apresentou o melhor resultado foi o autoencoder e que nesse cenário ele é a melhor opção.

Palavras-chave

Citação

URI

https://hdl.handle.net/20.500.14387/1650

Coleções

Trabalho de Conclusão de Curso

Avaliação

Revisão

Suplementado Por

Referenciado Por