Using deep learning in stock price forecasting

Resumo

O artigo a seguir investiga a possibilidade de usar inteligência artificial, em particular um long-term memory network (LSTM), para prever os preços das ações. Dados considerados são 59 variáveis diferentes escolhidas com base em pesquisas e incluem: dados fundamentais, técnicos e macroeconômicos. O objetivo do estudo é usar as variáveis selecionadas para prever o retorno das ações do trimestre subsequente de cinco empresas de varejo listadas na bolsa de valores brasileira (IBVOESPA). A pesquisa mostrou que o LSTM pode ser usado para prever mudanças nos preços das ações e uma estratégia de investimento baseada em previsões supera a estratégia de investimento “buy and hold” da mesma ação. No entanto, deve-se dizer que é improvável que essa estratégia de investimento tenha o mesmo retorno em um ambiente real do que no backtesting. O motivo disso é que o número de entradas de dados para cada variável individual não era grande suficientemente e o LSTM não foi capaz de generalizar os relacionamentos. Em outras palavras, o desempenho superior do algoritmo pode ser devido ao ajuste excessivo do modelo.

Ficha do documento

Tipo

Dissertação

Ano

2019

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Inglês

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/28601

Temas

TecnologiaDados

Palavras-chave

Finance and accountingValuationEquity valuationFirm valuationFinancial ratiosArtificial intelligenceNeural networkRecurrent Neural NetworkFinanças e contabilidadeAvaliaçãoAvaliação de açõesAvaliação de empresaÍndices financeirosInteligência artificialRede neuralRede neural recorrenteCiência políticaAções (Finanças) - PreçosEmpresas - AvaliaçãoAprendizado do computadorRedes neurais (Computação)