Modelos preditivos para previsão de crises financeiras
Carregando...
Arquivos
Data de Submissão
Data de Defesa
2021-06-30
Edição
Autores
Orientadores
Coorientadores
Editores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Descrição
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]
Resumo
Computer Science is one of the areas of knowledge that deals with the development of methods and techniques for building predictive systems.A predictive system consists of recognizing the existing patterns in the data to predict and anticipate future trends. In this context, the aim of this work is to analyze data from the financial area, such as business cycle movements, using
machine learning techniques for forecasting purposes. Building predictive models in the financial area is a challenge for governments and institutions, since it involves human factors and international events. On the other hand, financial crises are rare events, and therefore difficult to predict. However, they have a considerable impact, which deserves to be studied in order to be
predicted and remedied. This work was based on a systematic review, from which some related projects were studied. The models proposed by the related works for predicting from financial data for portfolio management problems, bankruptcy risk, stock exchange collapse and business cycles. The models reported are studies and researches, which still need improvement. In the
absence of a definitive approach to the problem of forecasting financial crises, it is proposed in this work to investigate machine learning and in-depth learning methods applicable to it. In terms of data sets, there are few available for this purpose. The dataset that will be used in this work is the database called the Jordà-Schularick-Taylor Macrohistory. As software tools, Python and its libraries, widely used in Data Science, were selected. [resumo fornecido pelo autor]