Redes neurais recorrentes aplicadas à previsão de preços de ativos da BOVESPA: comparativo de modelos para regressão

O comportamento das bolsas de valores pode ser melhor compreendido com o auxílio da modelagem matemática. Modelos matemáticos podem ser obtidos através de processamento computacional utilizando aprendizagem de máquina. Um dos ramos da aprendizagem de máquina que desenvolvem uma modelagem empregando algoritmos utilizando grafos com várias camadas é o deep learning, o qual possui arquiteturas específicas para lidar com séries temporais, as chamadas Redes Neurais Recorrentes. No presente trabalho, foram coletados dados dos preços de fechamentos diários de ações da bolsa de valores BOVESPA com o intuito de servir de variáveis independentes para a previsão do Índice BOVESPA. Essas informações foram utilizadas para realizar um comparativo entre as arquiteturas de deep learning: Redes Neurais Recorrentes de Jordan, Redes Neurais Recorrentes de Elman e Redes Neurais Long Short Term Memory (LSTM) em tarefa de regressão. No geral, todas as arquiteturas investigadas apresentaram desempenho satisfatório, medido pelo método dos mínimos quadrados. A arquitetura que apresentou melhor performance, foi a Rede Neural de Jordan. A fim de melhorar o entendimento do comportamento do Índice BOVESPA é sugerida a execução de novas pesquisas, utilizando outras configurações e variáveis para as arquiteturas aqui empregadas