• português (Brasil)
    • English
    • español
  • English 
    • Português (Brasil)
    • English
    • Español
  • Login
          AJUDA
Pesquisa
avançada
     
View Item 
  •   RIUFF
  • Produção Científica
  • Escola de Engenharia de Petrópolis - PEP
  • PCE - Curso de Graduação em Engenharia de Produção - Petrópolis
  • PCE - Trabalhos de Conclusão de Curso - Petrópolis
  • View Item
  •   RIUFF
  • Produção Científica
  • Escola de Engenharia de Petrópolis - PEP
  • PCE - Curso de Graduação em Engenharia de Produção - Petrópolis
  • PCE - Trabalhos de Conclusão de Curso - Petrópolis
  • View Item
JavaScript está desabilitado no seu navegador. Algumas funcionalidades deste site podem não funcionar.

Browse

All of DSpaceCommunities & CollectionsBy Issue DateAuthorsAdvisorsTitlesSubjectsDepartmentProgramTypeType of AccessThis CollectionBy Issue DateAuthorsAdvisorsTitlesSubjectsDepartmentProgramTypeType of Access

Statistics

View Usage Statistics
application/pdf

View/Open
Hugo Vinicius Hensoldt.pdf (3.681Mb)

Collections
  • PCE - Trabalhos de Conclusão de Curso - Petrópolis

Statistics
Metadata
Show full item record
DESENVOLVIMENTO DE ESTRATÉGIA DE ARBITRAGEM DE PARES OTIMIZADA POR REDES NEURAIS RECORRENTES: UMA APLICAÇÃO NO MERCADO DE AÇÕES BRASILEIRO
Hensoldt, Hugo Vinícius | Posted on: 2021
Abstract
O presente Projeto Final de Curso dedica-se a estudar, propor e aperfeiçoar uma estratégia de Arbitragem de Pares utilizando Redes Neurais Recorrentes tipo Long-Short Term Memory. A Arbitragem de Pares é uma prática difundida há décadas no mercado financeiro e, ainda hoje, diversos pesquisadores aplicam as técnicas mais modernas de Inteligência Computacional, com o objetivo de aperfeiçoá-la. Para aplicação no mercado de ações brasileiro, foram selecionados como pares o Míni-Índice Bovespa -WIN$- e o IShares Ibovespa Fundo de Índice -BOVA11-. Para simular Negociações de Alta Frequência, as cotações em nível de tick foram coletadas para ambos os ativos e submetidas ao algoritmo de simulação da estratégia. O desenvolvimento da estratégia foi feito com base nas melhores práticas encontradas na literatura e, para melhor desempenho, através de diversas simulações foram ensaiados o comportamento para diferentes conjuntos de parâmetros. No entanto, diversos fatores podem influenciar a lucratividade da estratégia. Por esse motivo, propomos uma abordagem de Machine Learning para aprender sobre o histórico de negociações da Estratégia de Arbitragem e se tornar capaz de prever o resultado nas oportunidades futuras. No período de testes, ao comparar a performance das estratégias, a versão impulsionada por Redes Neurais teve maior precisão e manteve nível similar de lucratividade, com apenas 80% dos negócios realizados pela estratégia benchmark
[Texto sem Formatação]
Document type
Trabalho de conclusão de curso
Publisher
Universidade Federal Fluminense
Source
HENSOLDT, Hugo Vinícius. Desenvolvimento de estratégia de arbitragem de pares otimizada por redes neurais recorrentes: uma aplicação no mercado de ações brasileiro. 2021. 73 f. Trabalho de Conclusão de Curso (Graduação de Engenharia de Produção) - Escola de Engenharia de Produção de Petrópolis, Universidade Federal Fluminense, Petrópolis, 2021.
Subject(s)
Arbitragem de pares
Negociações de alta frequência
Aprendizagem de máquina
Redes neurais recorrentes
LSTM
Negociação em bolsa
Aprendizado de máquina
Rede neural
Mercado financeiro
Pairs trading
High-frequency trading
Machine learning
Recurrent neural networks
LSTM
 
URI
http://app.uff.br/riuff/handle/1/23945
License Term
CC-BY-SA
DSpace
DSpace
DSpace
DSpace
DSpace
DSpace

  Contact Us

 Fale com um bibliotecário

DSpace  Siga-nos no Instagram