Trabalho de Conclusão |
---|
Título: | UTILIZAÇÃO DE SÉRIES TEMPORAIS E DEEP LEARNING PARA A TOMADA DE DECISÃO NA PRÁTICA DE SWING TRADE NO MERCADO FINANCEIRO |
Aluno: | RAFAEL JOHANN |
Semestre: | 2024/02 |
Situação: | TC II |
Áreas de interesse: | Não informado |
Orientador: | Juliano Varella de Carvalho |
Avaliadores: | Gabriel da Silva Simões, Ricardo Ferreira de Oliveira |
Documentos: | Anteprojeto (liberado apenas para a banca), Texto final TC1 (liberado apenas para a banca) |
Palavras-chave: | deep-learning. séries temporais. redes neurais artificiais. mercado financeiro. análise financeira |
Resumo: | Os mercados financeiros, presentes em todas as economias globais, oferecem uma ampla gama de oportunidades de investimento, abrangendo duas categorias principais: renda fixa e renda variável. Na renda fixa, investidores podem optar por títulos como Certificados de Depósitos Bancários (CDBs), Debêntures e Fundos de Investimento em Renda Fixa, que proporcionam retornos mais previsíveis. Em contrapartida, a renda variável, que inclui ações e contratos de opções, é conhecida por sua volatilidade, atraindo aqueles que buscam ganhos potencialmente maiores. Para tomar decisões bem informadas nesse cenário, a análise desempenha um papel crucial com duas abordagens distintas: análise técnica, que examina padrões de mercado, e análise fundamentalista, que avalia a saúde financeira e o desempenho das empresas. No universo das estratégias de investimento, destacam-se o Buy and Hold, uma estratégia de longo prazo baseada na análise fundamentalista, que permite aos investidores acumularem renda passiva por meio de dividendos e valorização de ativos. Além disso, existem estratégias de curto prazo, como Swing Trade e Day Trade, que dependem da análise técnica para explorar as flutuações de curto prazo no mercado. Para apoiar os investidores, estão surgindo ferramentas tecnológicas avançadas para prever mudanças de mercado com precisão. As séries temporais contemplam o histórico de preços das ações em busca de padrões que possam indicar tendências futuras. As redes neurais, incluindo Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU) e a arquitetura Transformer, são empregadas para detectar anomalias nas séries temporais e melhorar as previsões. O deep learning, parte fundamental desse processo, permite que as redes neurais aprendam e processem informações de maneira semelhante ao cérebro humano, resultando em análises mais precisas e insights valiosos para os investidores. Este estudo propõe realizar simulações de Swing Trade com base na interpretação de redes neurais, visando minimizar erros e maximizar lucros com foco na área da Tecnologia da Informação. Os resultados serão analisados quantitativamente e comparados com o modelo de Swing Trade tradicional, oferecendo uma visão mais clara das vantagens e desafios dessa abordagem no contexto do mercado financeiro. |
Link biblioteca: | Não informado |
TC Online - Sistema de Trabalhos de Conclusão Online