• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Dissertação de Mestrado
DOI
https://doi.org/10.11606/D.55.2021.tde-20052021-111418
Documento
Autor
Nome completo
Guilherme Augusto Bileki
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Carlos, 2021
Orientador
Banca examinadora
Bonato, Vanderlei (Presidente)
Pinto, Afonso de Campos
Silva, Geraldo Nunes
Spatti, Danilo Hernane
Título em português
Uma abordagem com modelo de aprendizado de máquina híbrido para predição de movimentos de preço médio de ativos pelo livro de ofertas
Palavras-chave em português
Aprendizado de máquina
Livro de ofertas
Mercado de ações brasileiro
Previsão de tendência de preço
Resumo em português
Neste trabalho é apresentada a aplicação de um modelo híbrido para prever os movimentos do preço-médio de instrumentos da Bolsa de Valores do Brasil (B3) utilizando dados do livro de ofertas e as mensagens relacionadas. Uma Rede Neural Convolucional (CNN) é utilizada para extrair características espaciais do livro de ofertas e um algoritmo baseado em árvores de decisão é utilizado para combinar as características da CNN com os dados do arquivo de mensagens. Diferente da maioria das outras bolsas de valores pelo mundo, o arquivo de mensagens da B3 inclui a qual corretora uma ordem pertence e neste trabalho também é apresentada uma análise de sua importância.Os resultados demonstram que a solução pode ser melhorada em 8% em termos de precisão (5% devido ao classificador baseado em árvore de decisão e mais 3% combinando com as mensagens) em comparação com uma CNN tradicional, onde as etapas de extração e classificação são ambas resolvidas pelo próprio modelo. Além disso, a utilização deste classificador permite a transferência de aprendizado de forma muito mais rápida do que o treinamento de uma CNN tradicional (cerca de 40 segundos).
Título em inglês
A hybrid machine learning approach for inference of asset mid price movements from order book data
Palavras-chave em inglês
Brazilian stock market
Limit order book
Machine learning
Price trend forecasting
Resumo em inglês
This work presents the application of a hybrid model to predict the mid-price trend of assets in the Brazilian Stock Exchange (B3) using order book data and related messages. A Convolution Neural Network (CNN) is applied to extract spatial features from the order book and a decision tree based algorithm is used to combine the features from the CNN with features from the file of messages. Unlike most other stock exchanges around the world, the file of messages from B3 includes to which broker an order belongs to and in this work an analysis of its importance is presented as well. Our outlines demonstrate the solution can be improved in 8% in terms of accuracy (5% due to decision tree-based classifier and even more 3% combining with messages) compared to a traditional CNN, where extraction and classification steps are both solved by the model itself. In addition, the use of this classifier allows the transfer learning much faster than the training of a traditional CNN (about 40 seconds).
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2021-05-20
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2024. Todos os direitos reservados.