Estudo comparativo entre modelos lineares e redes neurais artificiais como tecnologias geradoras de previsões de valores financeiros

AUTOR(ES)

Waldomiro de Oliveira Junior

DATA DE PUBLICAÇÃO

2007

RESUMO

É fundamental a importância da capacidade de previsão em todos os aspectos da vida. Detectar regularidades em fenômenos que ocorrem ao longo do tempo e poder prever tendências futuras são tarefas importantes nas atividades atuais. Nas organizações, os objetivos das previsões, são: o planejamento, o controle e a gestão de risco. Na esfera governamental, são essenciais as previsões para a economia, programas sociais, meio ambiente, etc. Processos de descoberta do conhecimento buscam padrões em dados, usando, para isso, a Inteligência Artificial e a Estatística, através de métodos e técnicas de aprendizagem automática, como redes neurais artificiais RNA - e modelos de regressão. A Econometria estuda a previsão de valores, através da relação entre variáveis, utilizando-se da Teoria Econômica, da Economia, da Estatística e da Matemática, com base em Modelos Lineares como AR, MA, ARMA, SARMA e MR, entre outros. As RNA são utilizadas para tarefas de previsão e possibilitam a identificação de tendências. Este trabalho propõe um estudo comparativo entre Modelos Lineares e RNA, avaliando as tecnologias geradoras de previsões de valores, para identificar métodos que garantam maior confiança e índices mais elevados de acerto. O estudo foi aplicado na gestão do risco de instituições financeiras, utilizando dados públicos do Sistema de Pagamentos Brasileiro (SPB), disponíveis no Banco Central do Brasil e em outros integrantes do sistema brasileiro de compensação e liquidação.

ASSUNTO(S)

finances econometric forecasting descoberta de conhecimento em bases de dados modelos lineares artificial neural network knowledge discovery in database linear models sistemas de computacao time series previsão séries temporais

Documentos Relacionados

• Analise e previsões de vasões utilizando modelos de series temporais, redes neurais e redes neurais nebulosas
• Identificação e controle de processos não lineares utilizando redes neurais artificiais
• Modelos parametricos e não-parametricos de redes neurais artificiais e aplicações
• Separação cega de fontes lineares e não lineares usando algoritmo genético, redes neurais artificiais RBF e negentropia de Rényi como medida de independência
• Controle adaptativo de sistemas dinâmicos não-lineares utilizando realimentação de saída e redes neurais artificiais.