Prevendo flutuações financeiras no Ibovespa com rede neural de memória de curto longo prazo (LSTM)

Abstract

O avanço das tecnologias tem proporcionado grandes mudanças em diversos segmentos, incluindo o mercado de ações. Nesse contexto, as Redes Neurais de Memória de Curto Longo Prazo (LSTM) surgem como um modelo promissor para a previsibilidade de flutuações de ações por meio de análises complexas de suas relações em séries temporais. Esse artigo analisa a eficiência da rede neural LSTM para previsão dos valores de fechamento e oscilações nas flutuações de três amostras de ações escolhidas ao acaso da carteira de mercado Ibovespa, utilizando uma análise de serie temporal dos dados históricos entre o período de 2019 até 2023. O estudo também examina a taxa de retorno financeiro ao colocar em prática a aplicação do sistema neural para avaliação de sua eficiência. Os resultados se mostram promissores, uma vez que alcança retornos positivos em todos os testes, ademais, suas conclusões enfatizam vantagens da utilização do modelo aplicadas em deliberações para tomada de decisões.

The advancement of technologies has brought about major changes in several segments, including the stock market. In this context, Short-Term Memory Neural Networks (LSTM) emerge as a promising model for the predictability of stock fluctuations through complex analyzes of their relationships in time series. This article analyzes the efficiency of the LSTM neural network for predicting the closing values and fluctuations in the fluctuations of three samples of shares chosen at random from the Ibovespa market portfolio, using a time series analysis of historical data between the period from 2019 to 2023. The study also examines the rate of financial return when putting into practice the application of the neural system to evaluate its efficiency. The results are promising, as it achieves positive returns in all tests, in addition, its conclusions emphasize the advantages of using the model applied in deliberations for decision-making.