A articulação de técnicas estatísticas, matemáticas e computacionais, na modelação e previsão de séries temporais, manifesta-se num claro suporte de apoio à tomada de decisão. Especificamente para séries temporais económico-financeiras, como as relativas aos mercados financeiros, a aplicação de metodologias de Machine Learning, em particular de Deep Learning, tem sido apontada como uma opção promissora. Trabalhos desenvolvidos anteriormente apresentam resultados concordantes com a literatura científica, apontando para algumas limitações das metodologias clássicas lineares no processo de modelação e previsão de séries financeiras. Os modelos não lineares mostram-se mais adequados do que os lineares para este propósito, sendo as Redes Neuronais Artificiais um exemplo bastante bem-sucedido. Deste modo, analisamos neste trabalho o poder da ‘memória de longo prazo’ presente em algumas arquiteturas de Deep Neural Networks, em particular nas redes Long Short-Term Memory (LSTM). Posteriormente, mediante a construção de rotinas computacionais completas e automatizadas (disponibilizadas em https://github.com/DidierRLopes/UnivariateTimeSeriesForecast), avaliam-se as potencialidades destas arquiteturas (LSTM) face às arquiteturas Multilayer Perceptron (MLP) na modelação e previsão do PSI20. Para efeitos de analise crítica e comparativa, são objeto de discussão a qualidade preditiva dos modelos e o custo computacional implícito. Apesar de reconhecidas vantagens nas redes LSTM, pela análise ao erro de previsão (Mean Absolute Percentage Error), apontam-se limitações em termos do tempo de execução computacional abrindo perspetivas a desenvolvimentos futuros.

--

Deep Neural Networks,LSTM,Previsão,Séries Temporais

• Matemáticas - Ciências Naturais
• Ciências da Computação e da Informação - Ciências Naturais
• Economia e Gestão - Ciências Sociais