Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/41376
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2021_IureVieiraBrandão.pdf2,06 MBAdobe PDFVisualizar/Abrir
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorHamm-Lippstadt, Hochschule-
dc.contributor.authorBrandão, Iure Vieira-
dc.date.accessioned2021-07-09T15:38:11Z-
dc.date.available2021-07-09T15:38:11Z-
dc.date.issued2021-07-09-
dc.date.submitted2021-03-22-
dc.identifier.citationBRANDÃO, Iure Vieira. Framework de apoio à tomada de decisão no mercado de ações baseado em aprendizado por reforço profundo. 2021. xii, 87 f., il. Dissertação (Mestrado em Sistemas Mecatrônicos)—Universidade de Brasília, Brasília, 2021.pt_BR
dc.identifier.urihttps://repositorio.unb.br/handle/10482/41376-
dc.descriptionDissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, 2021.pt_BR
dc.description.abstractNo mercado de ações, investidores adotam diferentes estratégias para identificar uma sequência de decisões de investimento a fim de maximizar seus lucros. Para apoiar a decisão dos investidores, uma framework de aprendizado de máquina (machine learning) foi proposta. Em particular, as abordagens de aprendizado profundo (deep learning) são muito atraentes, uma vez que o mercado de ações apresenta um comportamento altamente não linear e as técnicas de aprendizado profundo podem rastrear variações de curto e longo prazo. Em contraste com as técnicas de aprendizado supervisionadas, o aprendizado por reforço profundo reúne benefícios de aprendizado profundo e adiciona adaptação e melhoria em tempo real do modelo de aprendizado de máquina. Neste trabalho, propomos uma framework de suporte à decisão para o mercado de ações baseado no aprendizado por reforço profundo. Ao aprender as regras de negociação, a framework reconhece padrões, maximiza o lucro obtido e fornece recomendações aos investidores. A framework proposta supera o estado da arte com 86 % da métrica F1-Score para operações de compra e 88 % da pontuação F1-Score para operações de venda em termos de avaliação da estratégia de posicionamento.pt_BR
dc.language.isoPortuguêspt_BR
dc.rightsAcesso Abertopt_BR
dc.titleFramework de apoio à tomada de decisão no mercado de ações baseado em aprendizado por reforço profundopt_BR
dc.typeDissertaçãopt_BR
dc.subject.keywordAprendizado por reforço profundopt_BR
dc.subject.keywordQ-Learningpt_BR
dc.subject.keywordMercado de açõespt_BR
dc.subject.keywordInteligência artificialpt_BR
dc.subject.keywordProcessamento de dadospt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.pt_BR
dc.description.abstract1In stock markets, investors adopt different strategies to identify a sequence of profitable investment decisions to maximize their profits. To support the decision of investors, machine learning (ML) softwares are being applied. In particular, deep learning (DL) approaches are attractive since the stock market parameter presents a highly non- linear behavior, and since DL techniques can track short time and long time variations. In contrast to supervised ML techniques, deep reinforcement learning (DRL) gathers DL’s benefits and adds the real-time adaptation and improvement of the machine learning model. In this paper, we propose a decision support framework for the stock market based on DRL. By learning the trading rules, our framework recognizes patterns, maximizes the profit obtained and provides recommendations to the investors. The proposed DRL framework outperforms the state-of-the-art framework with 86 % of F1 score for buy operations and 88 % of F1 score for sale operations in terms of evaluating the positioning strategy.pt_BR
dc.contributor.emailiurebrandao@gmail.compt_BR
dc.description.unidadeFaculdade de Tecnologia (FT)pt_BR
dc.description.unidadeDepartamento de Engenharia Mecânica (FT ENM)pt_BR
dc.description.ppgPrograma de Pós-Graduação em Sistemas Mecatrônicospt_BR
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro simples do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.