Please use this identifier to cite or link to this item: http://www.monografias.ufop.br/handle/35400000/4229
Title: Previsão da variação de preços aplicada ao mercado de opções binárias com o uso de redes neurais LSTM.
Authors: Melo, Rangel Magalhães
metadata.dc.contributor.advisor: Leite, Sarah Negreiros de Carvalho
metadata.dc.contributor.referee: Torres, Luiz Carlos Bambirra
Cunha, Weld Lucas
Leite, Sarah Negreiros de Carvalho
Keywords: Aprendizado do computador
Bitcoin
Bolsa de valores
Mercado de ações - previsão
Mercado financeiro
Issue Date: 2022
Citation: MELO, Rangel Magalhães. Previsão da variação de preços aplicada ao mercado de opções binárias com o uso de redes neurais LSTM. 2022. 52 f. Monografia (Graduação em Engenharia da Computação) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2022.
Abstract: Prever o movimento dos ativos do mercado financeiro sempre foi um desafio para os investidores devido a vários fatores influentes. No mercado de opções binárias, o que importa para os investidores é apenas se o movimento será de alta ou de baixa, ou seja, acertar em um determinado período de operação se o preço do ativo irá subir ou descer. Este estudo visa através do uso de modelos de redes neurais prever a variação do preço do Bitcoin e do índice NASDAQ Composite considerando o modelo de operação do mercado de opções binárias, com o objetivo de reduzir os riscos dos investimentos e melhorar a taxa de assertividade das operações, conseguindo uma assertividade superior a 50%. O modelo construído utiliza uma rede LSTM multivariada e utiliza como dados de entrada os valores de preço de abertura do período (Open), preço de fechamento do período (Close), preço mais alto atingido no período (High) e preço mais baixo atingido no período (Low). Além desses dados, que foram obtidos via API do Yahoo Finance, foram adicionados os seguintes indicadores técnicos: Simple Moving Average (SMA), Exponential Moving Average (EMA), Moving Average Convergence Divergence (MACD) e Relative Strength Index (RSI). O modelo que utilizou dados do índice NASDAQ Composite, apresentou um erro médio absoluto de 1.66% no valor de predição do valor de fechamento no período e uma assertividade de 58%, quando aplicado ao modelo de opções binárias. Enquanto que, o modelo utilizando dados do Bitcoin, apresentou um erro médio absoluto de 2.69% no valor de predição do valor de fechamento no período e uma assertividade próxima a 55%, quando aplicado ao modelo de opções binárias.
metadata.dc.description.abstracten: Predicting the movement of financial market assets has always been a challenge for investors due to several influential factors. In the binary options market, what matters to investors is only whether the movement will be up or down, that is, set in a certain period of operation whether the price of the asset will go up or down. Through the use of neural network models, this study aims to predict the price variation of Bitcoin and the NASDAQ Composite index considering the operating model of the binary options market, to reduce the risks of investments and improve the assertiveness rate operations, achieving an assertiveness of over 50%. The model constructed uses a multivariate LSTM network and uses as input data the values of the opening price of the period (Open), the closing price of the period (Close), the highest price reached in the period (High) and the lowest price achieved in the period (Low) and in addition to these quoted data that are provided via the Yahoo Finance API, were added Technical indicators data: Simple Moving Average (SMA), Exponential Moving Average (EMA), Moving Average Convergence Divergence (MACD) and Relative Strength Index (RSI). The model using data from the NASDAQ Composite index presented an average absolute error of 1.66% in the prediction value of the closing value in the period and when applied to the binary options model, and assertiveness of 58%. The model using Bitcoin data, on the other hand, presented an average absolute error of 2.69% in the prediction value of the closing value in the period, and when applied to the binary options model, assertiveness is close to 55%.
URI: http://www.monografias.ufop.br/handle/35400000/4229
Appears in Collections:Engenharia de Computação JMV

Files in This Item:
File Description SizeFormat 
MONOGRAFIA_PrevisãoVariaçãoPreços.pdf3,5 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons