Exportar Publicação

Ramos, F.R., Lopes, D.R., Costa, A. & Mendes, D. A. (2021). Explorando o poder da memória das redes neuronais LSTM na modelação e previsão do PSI 20. XXV Congresso da Sociedade Portuguesa de Estatística.

F. R. Ramos et al.,  "Explorando o poder da memória das redes neuronais LSTM na modelação e previsão do PSI 20", in XXV Congr.o da Sociedade Portuguesa de Estatística, Évora, 2021

@misc{ramos2021_1732200791987,
	author = "Ramos, F.R. and Lopes, D.R. and Costa, A. and Mendes, D. A.",
	title = "Explorando o poder da memória das redes neuronais LSTM na modelação e previsão do PSI 20",
	year = "2021",
	url = "http://www.spe2021.uevora.pt/en/inicio-english/"
}

TY  - CPAPER
TI  - Explorando o poder da memória das redes neuronais LSTM na modelação e previsão do PSI 20
T2  - XXV Congresso da Sociedade Portuguesa de Estatística
AU  - Ramos, F.R.
AU  - Lopes, D.R.
AU  - Costa, A.
AU  - Mendes, D. A.
PY  - 2021
CY  - Évora
UR  - http://www.spe2021.uevora.pt/en/inicio-english/
AB  - 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.

ER  -