Previsão do índice de ações IBEX 35 usando redes neurais artificiais

Autores

  • Salvador Falcón Canillas

DOI:

https://doi.org/10.5540/03.2021.008.01.0464

Palavras-chave:

Previsão, ibex 35, bolsa de valores, backpropagation, feedforward, cascade, regressão generalizada.

Resumo

A previsão de índices de ações de diferentes bolsas de valores é uma das questões mais  importantes para economistas e investidores, a fim de conhecer, antecipadamente, os movimentos  que ocorrem no mercado de investimento. Os investidores confiam, frequentemente, no seu conhecimento da economia dos mercados, dos fatores macroeconômicos dos países e de outros recursos, tais  como: o comportamento dos gráficos de ações, para fazerem os seus investimentos da forma mais  eficiente possível. Nesta pesquisa, propõe-se uma forma como realizar a previsão do valor no dia  seguinte do índice de ações espanhol IBEX 35, utilizando três redes neurais artificiais diferentes e  comparando o desempenho de cada uma dessas redes em diferentes situações. O IBEX 35 é o principal índice de referência do mercado acionário da bolsa espanhola. E formado pelas 35 empresas  mais líquidas listadas no Sistema de Interconexão da Bolsa de Valores Espanhola nas quatro bolsas  de valores espanholas. As redes neurais a utilizar são Feedforward , Cascade-Forward e Generalized  Regressíon.  

Downloads

Não há dados estatísticos.

Biografia do Autor

Salvador Falcón Canillas

FEIS/UNESP,Ilha Solteira, SP

Referências

Fernández-Benlloch, L. Predicción dei índice bursátil Ibex 35 mediante selección de inputs con redes neuronales, 2016. http://hdl.handle.net/10251/72570.

Gouk, H. G. and Blake, A. M. Fast sliding window classification with convolutional neural networks. In.PROCEEDINGS INTERNATIONAL CONFERENCE ON IMAGE AND VI- SION COMPUTING, 29, 2014, Hamilton. Proceedings [of the...]. Hamilton: IEEE, 2014. p. 114-118.

Grossberg, S. Adaptive resonance theory: how a brain learns to consciously at- tend, learn, and recognize a changing world,Neural Networks, Vol. 37, pp.1-47, 2013. https://doi.Org/10.1016/j.neunet.2012.09.017.

Macián-Pérez, L. Estúdio de los efectos de las variables macroeconômicas sobre la bolsa.2017. Disponível em: https://riunet.upv.es. Acesso em: 19 maio 2021.

Marquardt, D.W. An algorithm for least-squares estimation of nonlinear parameters,SL4M Journal on Applied Mathematics, Vol. 11 , No. 2: pp. 431~44^ •> 1963. DOI: 10.1137/0111030.

Niu, D. X. Short-term load forecasting using general regression neural network. International conference on machine learning and cybernetics.Proceedings...New York: IEEE, v. 7, p. 4076- 4082, Guangzhou, 2005.

Nose Filho, K. Previsão de carga multinodal utilizando redes neurais de regressão generalizada. 90 f. Dissertação (mestrado), Universidade Estadual Paulista, Faculdade de Engenharia de Ilha Solteira, 2011.

Park, D. C., El-Sharkawi, M. A., Marks II, R. J., Atlas, E. Electric load forecasting using an artificial neural networks. IEEE Transactions on Power Systems, Vol. 6, No. 2, pp. 44^-^0, Damborg, 1991. DOI: 10.1109/59.76685.

Specht, D. F. A generalized regression neural network. IEEE Transactions on Neural Networks.IEEE Transactions on Neural Networks, v. 2, p. 568-576, New York, 1991.

Tripathi, M. M., Upadhyay, K. G., Singh, S. N. Short-term load forecasting using generalized regression and probabilistic neural networks in the electricity market. The Electricity Journal, v. 21, n. 9, p. 24-34”, Oxford, 2008.

Warsito, B., Santoso, R., Suparti, S., Yasin, H. Cascade Forward Neural Network for Time Series Prediction. Journal of Physics: Conference Series 1025.012097., 2018.

Werbos, P. J. Beyond regression: new tools for prediction and analysis in the behavioral sciences. (PhD. Thesis)-Harvard University, Harvard, 1974.

Xia, C., Wnag, J., McMenemy, K. Short, médium and long term load forecasting model and virtual load forecaster based on radial basis function neural networks. Electrical Power and Energy Systems, v. 32, p. 743-750, New York, 2010.

Yap, K. S. Short term load forecasting using a hybrid neural network.IEEE International Power and Energy Conference - PECon. .Proceedings... New York.JEEE, p.123-128., Tehran, 2006.

Downloads

Publicado

2021-12-20

Edição

Seção

Trabalhos Completos