Escolar Documentos
Profissional Documentos
Cultura Documentos
I NSTITUTO D E I NFORMÁTICA
Goiânia
2022
L UIS F ELIPE L INO Z AIDEN A SSIS
L ARA S IQUEIRA L IMA
Goiânia
2022
Sumário
1 Resumo 3
2 Introdução 4
3 Objetivos 5
4 Método de Pesquisa 6
4.1 Critérios de Busca 6
4.2 Inclusão e Exclusão de Artigos 7
5 Resultados 8
6 Conclusões 11
Referências Bibliográficas 12
CAPÍTULO 1
Resumo
Q2: Em quais áreas dentro do mercado financeiro as redes neurais artificiais são
utilizadas para a resolução de problemas?
Q3: Quais as aplicações que essa ferramenta não tem no momento? E quais
podem vir a ter?
Nome URL
ACM https : //dl.acm.or g /
IEEE https : //ieeexplor e.ieee.or g /X plor e/guesthome.jsp
Science Dir ect https : //www.sciencedir ect.com/
No total, foram obtidos 366 aritgos, e após uma análise inicial, assim como a apli-
cação dos critérios de inclusão e exclusão, chegamos em 33 artigos, dos quais 13 foram
selecionados para uma avaliação final mais detalhada.
4.2 Inclusão e Exclusão de Artigos 7
Q1:
O mercado financeiro, pela sua natureza não linear, faz com que seja
extremamente difícil de se prever seus dados financeiros [Qiu, Song e Akagi 2016,
Rout et al. 2017]. A adesão das redes neurais artificiais (RNA’s) neste setor obteve re-
sultados significativos em relação aos problemas encontrados, tais como, prever os preços
das ações e o estado futuro das finanças e analisar os riscos de investimentos.
De acordo com os diversos artigos buscados e escolhidos para esta revi-
são sistemática, a modelagem das redes neurais artificiais trouxeram vantagens sig-
nificativas, pois oferecem uma alternativa mais eficiente para tratar do mercado
financeiro [Huang, Liu e Ren 2018, Mammadli 2017, Sezer, Ozbayoglu e Dogdu 2017,
Gao, Chai e Liu 2017].
As redes neurais artificiais são flexíveis, adaptáveis e ajustam-se com diferen-
tes estímulos internos ou externos, podendo assim serem treinadas de maneira espe-
cífica à tarefa estabelecida. Essa característica torna-se uma vantagem pois a área fi-
nanceira possui diversos problemas distintos e que necessitam de uma solução única
[Qiu, Song e Akagi 2016].
Uma rede neural artificial tem a propriedade de maior tolerância a falhas do
que uma rede tradicional, ou seja, as redes neurais artificiais regeneram uma falha em
qualquer um dos seus componentes , sem a perda de dados armazenados, usando exemplos
e exemplos do passado para remontar o funcionamento de um nó danificado ou outro
constituinte rede. Nesse âmbito, as RNA’s são mais vantajosas para a resolução de
problemas do mercado financeiro, pois é um setor que busca ferramentas que tragam erros
mínimos ou que saibam resolver esses erros de maneira eficiente e provoquem resultados
promissores [Rout et al. 2017].
As redes neurais artificiais por apresentarem dois paradigmas de aprendizagem
(a aprendizagem supervisionada e a não-supervisonada) podem ser treinadas via algorit-
9
Q2:
Os setores dentro do mercado financeiro os quais atualmente podemos utilizar as
redes neurais artificiais para melhorias ou para resolução de problemas são:
- Previsão de séries temporais financeiras [Mammadli 2017, Rout et al. 2017];
- Previsão de preços de ações [Qiu, Song e Akagi 2016, Sezer, Ozbayoglu e Dogdu 2017,
Gao, Chai e Liu 2017, Verma, Choure e Singh 2017, Lin et al. 2018];
- Previsão dos resultados da tomada de créditos[Huang, Liu e Ren 2018];
- Prever a eficiência econômica do financiamento de projetos econômicos e de
inovação [Mutran et al. 2018];
- Prever o comportamento do Investidor [Mahmoudi, Docherty e Moscato 2018];
- Analisar os riscos de investimentos [Namazi, Shokrolahi e Sadeghzadeh Maharluie 2016];
- Projeções de taxas de juros [Stege et al. 2017];
- Projeções sobre os lucros contábeis;
etc.
Q3:
Nos artigos e periódicos revisados, a maioria ressaltou que as principais aplica-
ções que essa ferramenta não tem no momento é que as Redes Neurais Artificiais não são
capazes de identificar mudanças bruscas na tendência, ou seja, não possuem a capacidade
de resolver problemas de grande portabilidade [Qiu, Song e Akagi 2016].
Além disso, apesar de ser uma ferramenta tecnólogica futurística, isto é, ser uma
ferramenta do futuro, as RNA’s não apresentam saídas totalmente eficazes, gerando erros
mínimos ou insatisfações mínimas. Alguns autores sugerem a implementação de outras
ferramentas juntamente as RNA’s para o melhor desempenho da mesma ou identificar
outras técnicas que possuam maior precisão e performance em comparação com as RNA’s
para os problemas apresentados.
"Implementação de outras técnicas de aprendizagem de máquina, tais como
Máquinas de Vetores de Suporte e Árvores de Decisão", "novos modelos e ajustes de
rede no intuito de avaliar novas formas de interação das variáveis de desempenho", são
alguns dos trabalhos futuros citados pelos autores com o intuito de desevolver melhor as
aplicações dessa ferramenta [Romani 2017].
Q4:
10
Prever dados financeiros não é uma tarefa fácil e linear [Qiu, Song e Akagi 2016,
Rout et al. 2017]. Trabalhar com redes neurais artificiais demanda muita inteligência e
eficiência, além de ser uma ferramenta que necessita de muitos experimentos com os
parâmetros da rede. Vários fatores são apresentados como "impactantes"no desenvolvi-
mento de uma rede neural artificial, tais como "escolha das variáveis de entrada"e "pré-
processamento dos dados e a arquitetura da rede neural". A combinação das diferentes
técnicas aumenta a capacidade das RNA’s.
Concluímos então que a utilizição de redes neurais artificiais (RNA’s) dentro
do mercado financeiro não só é possível, como também muito importante para esse
setor. São muitas as áreas de atuação deste tipo de inteligência artificial (IA) dentro do
mercado financeiro, e portanto, as possibilidades de aplicação são variadas, além disso,
é perceptível que os resultados obtidos para as previsões e análises usando este método
foram superiores aos resultados obtidos com os modelos clássicos que são usados na
maior parte das tempo.
Referências Bibliográficas
[Gao, Chai e Liu 2017]GAO, T.; CHAI, Y.; LIU, Y. Applying long short term momory neural
networks for predicting stock closing price. In: 2017 8th IEEE International Conference
on Software Engineering and Service Science (ICSESS). [S.l.: s.n.], 2017. p. 575–578.
[Huang, Liu e Ren 2018]HUANG, X.; LIU, X.; REN, Y. Enterprise credit
risk evaluation based on neural network algorithm. Cognitive Systems
Research, v. 52, p. 317–324, 2018. ISSN 1389-0417. Disponível em:
<https://www.sciencedirect.com/science/article/pii/S1389041718302134>.
[Lin et al. 2018]LIN, C.-C. et al. Using artificial neural networks and market profile theory
to construct the trading analysis in stock market. In: Proceedings of the 4th International
Conference on Frontiers of Educational Technologies. New York, NY, USA: Association for
Computing Machinery, 2018. (ICFET ’18), p. 122–126. ISBN 9781450364720. Disponível
em: <https://doi.org/10.1145/3233347.3233385>.
[Qiu, Song e Akagi 2016]QIU, M.; SONG, Y.; AKAGI, F. Application of artificial neural
network for the prediction of stock market returns: The case of the japanese stock
market. Chaos, Solitons Fractals, v. 85, p. 1–7, 2016. ISSN 0960-0779. Disponível em:
<https://www.sciencedirect.com/science/article/pii/S0960077916000060>.
[Stege et al. 2017]STEGE, N. et al. Mapping interest rate projections using neural
networks under cointegration: An application from stress testing approaches. In: Pro-
ceedings of the 1st International Conference on Internet of Things and Machine Lear-
ning. New York, NY, USA: Association for Computing Machinery, 2017. (IML ’17). ISBN
9781450352437. Disponível em: <https://doi.org/10.1145/3109761.3109774>.
[Verma, Choure e Singh 2017]VERMA, R.; CHOURE, P.; SINGH, U. Neural networks th-
rough stock market data prediction. In: 2017 International conference of Electronics,
Communication and Aerospace Technology (ICECA). [S.l.: s.n.], 2017. v. 2, p. 514–519.