Modelos preditivos para previsão de crises financeiras
Abstract
A Computação é uma das áreas do conhecimento que se ocupa do desenvolvimento de métodos e técnicas para a construção de sistemas preditivos. Um sistema preditivo parte do reconhecimento de padrões existentes nos dados para prever e antecipar tendências futuras. Neste contexto, o objetivo deste trabalho consiste em analisar dados oriundos da área financeira, tais
como movimentações de ciclos econômicos, utilizando técnicas de aprendizagem de máquina para fins de predição. A construção de modelos preditivos na área financeira é um desafio para governos e instituições, uma vez que ela envolve fatores humanos e eventos internacionais. Por outro lado, crises financeiras são acontecimentos raros, logo, difíceis de serem preditos.
Contudo, possuem um impacto considerável, que merece ser estudado a fim de ser predito e remediado. Este trabalho partiu de uma revisão sistemática, a partir da qual alguns projetos relacionados foram estudados. Os trabalhos relacionados identificados propõem modelos para predição a partir dados financeiros para problemas de gestão de portfólio, risco de falências, quebra da bolsa de valores e ciclos econômicos. Os modelos relatados são estudos e pesquisas, necessitando ainda de aprimoramento. Na ausência de uma abordagem definitiva para o problema da predição de crises financeiras, propõe-se neste trabalho de conclusão investigar métodos de aprendizado de máquina (machine learning) e aprendizado profundo (deep learning) aplicáveis a ele. Em termos de conjuntos de dados, existem poucos disponíveis para este fim. O conjunto de dados que será utilizado neste trabalho é a base de dados denominada Macrohistória Jordà-Schularick-Taylor. Como ferramentas de software, selecionou-se a linguagem Python e suas bibliotecas, amplamente utilizadas em Ciência de Dados. [resumo fornecido pelo autor]