dc.contributor.author | Gambim, Mario Luiz | |
dc.date.accessioned | 2022-09-28T18:57:22Z | |
dc.date.available | 2022-09-28T18:57:22Z | |
dc.date.issued | 2022-09-22 | |
dc.identifier.citation | GAMBIM, Mario Luiz. Alocação de carteiras de ações utilizando aprendizado de máquina e regras fuzzy. 2022. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) – Universidade Federal de São Carlos, São Carlos, 2022. Disponível em: https://repositorio.ufscar.br/handle/ufscar/16715. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/16715 | |
dc.description.abstract | Long-term investments through stock portfolios attract the attention of investors, who are looking for simple and effective ways to select stocks to compose a portfolio, as well as find a series of assets that will have greater appreciation in the future. Over the years, several techniques have been developed, and this work aimed to use Machine Learning (AM) to predict future stock values.
To maximize their gains, investors look for information or techniques that are able to help them. In view of this, AM models have become frequently used to discover stocks that have a high potential for appreciation. Unlike short- and medium-term applications that make use of time series, long-term applications require simpler methods.
In this work, a strategy for allocating portfolios for long-term investments (1 year) with AM models was elaborated and evaluated, namely: Linear Regression (RL), Regression Tree (AR), Random Forest (RF), K- Nearest Neighbors (KNN), Bayesian Ridge (BR) and Fuzzy Inference Systems (SIF). In addition to this main objective, a qualitative analysis of the interpretability of the rules of a model based on fuzzy rules was also carried out, in order to seek ways to understand the relationship between input and output attributes based on linguistic terms.
The result obtained in this work showed that the approach by using AM models to predict the performance of stocks over a year and subsequent stock selection is efficient for investors to obtain returns higher than the S&P500 market indices and by manual methods. | eng |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Aprendizado de máquina | por |
dc.subject | Carteira de investimento | por |
dc.subject | Regressão | por |
dc.subject | Sistemas fuzzy | por |
dc.subject | Machine Learning | eng |
dc.subject | Investiment portifolio | eng |
dc.subject | Regression | eng |
dc.subject | Fuzzy systems | eng |
dc.title | Alocação de carteiras de ações utilizando aprendizado de máquina e regras fuzzy | por |
dc.title.alternative | Allocation of stock portfolios using machine learning and fuzzy rules | eng |
dc.type | TCC | por |
dc.contributor.advisor1 | Camargo, Heloisa de Arruda | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/0487231065057783 | por |
dc.description.resumo | Os investimentos de longo prazo por meio de carteiras de ações atrai a atenção de investidores, que buscam formas simples e eficazes de selecionar ações para compor uma carteira, assim como encontrar uma série de ativos daqueles que terão maior valorização no futuro. Ao longo dos anos várias técnicas foram desenvolvidas, e esse trabalho teve como objetivo a utilização de Aprendizado de máquina (AM) para previsão dos valores futuros de ações.
Para maximizar seus ganhos os investidores buscam por informações ou técnicas que sejam capazes de auxilia-los. Diante disso, modelos de AM passaram a ser frequentemente utilizados para descoberta de ações que tenham potencial de valorização elevado. Ao contrário de aplicações de curto e médio prazo que fazem uso de séries temporais, as aplicações de longo prazo requerem métodos mais simples.
Neste trabalho foi elaborada e avaliada uma estratégia para alocação de carteiras para aplicações de longo prazo (1 ano) com modelos de AM, são eles: Regressão Linear (RL), Árvore de Regressão (AR), Random Forest (RF), K-Nearest Neighbors (KNN), Bayesian Ridge (BR) e Sistemas de Inferência Fuzzy (SIF). Em complementação a esse objetivo principal, foi feita também uma análise qualitativa da interpretabilidade das regras de um modelo baseado em regras fuzzy, para buscar meios de compreender a relação entre atributos de entrada e de saída com base em termos linguísticos.
O resultado obtido neste trabalho mostrou que a abordagem pelo uso de modelos de AM para predição do desempenho das ações ao longo de um ano e posterior seleção das ações é eficiente para investidores obterem rendimentos superiores aos índices de mercado S&P500 e por métodos manuais. | por |
dc.publisher.initials | UFSCar | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.publisher.course | Engenharia de Computação - EC | por |