Use este identificador para citar ou linkar para este item: http://repositorio.ufes.br/handle/10/4249
Título: Preditor de alto desempenho para retornos de ações baseado em redes neurais sem peso
Autor(es): Almeida, André Gustavo Coelho de
Orientador: Souza, Aberto Ferreira de
Coorientador: Freitas, Fábio Daros de
Palavras-chave: Preditor ARNN
Preditor WNN VG-RAM
Data do documento: 30-Ago-2011
Editor: Universidade Federal do Espírito Santo
Citação: LMEIDA, André Gustavo Coelho de. Preditor de alto desempenho para retornos de ações baseado em redes neurais sem peso. 2011. 57 p. Dissertação (Mestrado em Informática) - Programa de Pós-Graduação em Informática, Universidade Federal do Espírito Santo, Vitória, 2011.
Resumo: Este trabalho apresenta um novo preditor de séries temporais baseado em rede neural sem peso que utiliza Virtual Generalized Random Access Memory para predizer retorno futuro de ações. Esse novo preditor foi avaliado na predição de retornos futuros semanais de 46 ações de mercado de ações brasileiro. Os resultados mostram que preditores neurais sem peso podem produzir predições de retornos com os mesmo níveis de erros e propriedades de um preditor neural autoregressivo, entretando, 5.000 vezes mais rápido.
This work presents a new weightless neural network-based time series predictor that uses Virtual Generalized Random Access Memory weightless neural network, which does not store knowledge in their connections but in Random Access Memories (RAM) inside the network’s nodes, or neurons. This new predictor was evaluated in predicting future weekly returns of 46 stocks from the Brazilian stock market and compared with neural autoregressive predictors based on feedfoward neural networks trained with the backpropagation algorithm. Our results showed that weightless neural network-based predictors can produce predictions of future stock returns with the same error levels and properties of baseline autoregressive neural network predictors, however, running 5.000 times faster.
URI: http://repositorio.ufes.br/handle/10/4249
Aparece nas coleções:PPGI - Dissertações de mestrado

Arquivos associados a este item:
Arquivo TamanhoFormato 
tese_4982_.pdf777.92 kBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.