Deep Learning aplicado à predição de retornos do Ibovespa: uma análise do desempenho da rede neural LSTM utilizando log-retornos e diferenciação fracionária (2024)
- Authors:
- Autor USP: SHIMABUKURO, CAMILO ILZO - FEA
- Unidade: FEA
- Sigla do Departamento: EAD
- DOI: 10.11606/T.12.2024.tde-13012025-124702
- Subjects: INTELIGÊNCIA ARTIFICIAL; APRENDIZADO COMPUTACIONAL; REDES NEURAIS; ADMINISTRAÇÃO FINANCEIRA; BOLSA DE VALORES
- Keywords: Deep Learning; Diferenciação fracionária; Fractional differentiation; Ibovespa; Log-retornos; Log-return; LSTM
- Language: Português
- Abstract: Nos últimos anos, métodos de machine learning sobre séries temporais têm apresentado capacidade preditiva superior à de modelos estatísticos. Tais modelos utilizam transformação por diferenciação para a obtenção de estacionariedade, o que implica a perda de memória do sinal de dados. A diferenciação fracionária oferece um trade-off entre estacionariedade e preservação da memória. Por sua vez, a diferenciação por log-retorno, embora resulte em séries estacionárias, ainda é pouco utilizada na predição de séries financeiras por abordagens de machine learning. A rede neural recorrente LSTM vem sendo empregada na predição de séries temporais por suas capacidades de extração de relações não lineares dos dados, de reter informações relevantes e de manter a capacidade de aprendizado durante o treinamento. Este trabalho avalia a capacidade preditiva da rede LSTM sobre séries temporais financeiras transformadas por log-retornos e diferenciação fracionária. Os dados são cotações de fechamento diário do índice Ibovespa de 2000 a 2023. Os resultados são comparados com um baseline, com métodos econométricos e com predições da rede LSTM submetida a outras transformações de dados. A rede LSTM com dados transformados por log-retornos obteve a melhor capacidade preditiva, principalmente para dados mensais, em comparação com os demais métodos. A diferenciação fracionária, porém, apresentou melhor desempenho na série diária apenas em relação às abordagens equivalentes sem diferenciaçãofracionária. Os resultados deste estudo ampliam o conjunto de métodos empíricos à disposição de pesquisadores, reafirmando a rede LSTM como ferramenta preditiva de utilidade. O uso de log-retornos apresenta vantagens em relação às transformações de dados pela escala MinMax e pela normalização. Para a indústria financeira, foram sugeridos aprimoramentos para abordagens preditivas e foi evidenciada a importância da integração entre finanças, métodos quantitativos e tecnologia para a obtenção de vantagens competitivas. Para a sociedade, em especial os investidores pessoa física, esta pesquisa oferece conteúdo informacional para a alocação de recursos em estratégias quantitativas
- Imprenta:
- Data da defesa: 11.11.2024
- Status:
- Nenhuma versão em acesso aberto identificada
-
ABNT
SHIMABUKURO, Camilo Ilzo. Deep Learning aplicado à predição de retornos do Ibovespa: uma análise do desempenho da rede neural LSTM utilizando log-retornos e diferenciação fracionária. 2024. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2024. Disponível em: https://teses.usp.br/teses/disponiveis/12/12139/tde-13012025-124702/. Acesso em: 25 mar. 2026. -
APA
Shimabukuro, C. I. (2024). Deep Learning aplicado à predição de retornos do Ibovespa: uma análise do desempenho da rede neural LSTM utilizando log-retornos e diferenciação fracionária (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de https://teses.usp.br/teses/disponiveis/12/12139/tde-13012025-124702/ -
NLM
Shimabukuro CI. Deep Learning aplicado à predição de retornos do Ibovespa: uma análise do desempenho da rede neural LSTM utilizando log-retornos e diferenciação fracionária [Internet]. 2024 ;[citado 2026 mar. 25 ] Available from: https://teses.usp.br/teses/disponiveis/12/12139/tde-13012025-124702/ -
Vancouver
Shimabukuro CI. Deep Learning aplicado à predição de retornos do Ibovespa: uma análise do desempenho da rede neural LSTM utilizando log-retornos e diferenciação fracionária [Internet]. 2024 ;[citado 2026 mar. 25 ] Available from: https://teses.usp.br/teses/disponiveis/12/12139/tde-13012025-124702/
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
