Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/46724
Type: Dissertação
Title: Uma abordagem generativa profunda para previsão de densidade de múltiplos passos
Authors: Leandro Augusto Lacerda Campos
First Advisor: Fabrício Murai Ferreira
First Co-advisor: Cristiano Arbex Valle
First Referee: Roberto Hirata Júnior
Second Referee: Bruno Ribeiro
Abstract: Nesta dissertação, nós introduzimos um modelo generativo profundo para previsão de densidade de múltiplos passos em sequências univariadas de retornos de ações. Ele é baseado em uma rede neural recorrente Bayesiana que opera sob a premissa de que a distribuição condicional dos retornos pertence a uma família de distribuições t de Student assimétrica. Também apresentamos medidas de acurácia preditiva baseadas na Transformação Integral da Probabilidade e na Discrepância Média Máxima (MMD) para avaliar, separadamente, a normalidade incondicional e a independência serial dos pseudo-resíduos normais gerados por modelos de distribuição condicional univariada. Usando essas medidas, propomos então um procedimento Bayesiano para comparar, conjuntamente, o desempenho de dois ou mais modelos concorrentes em múltiplas sequências univariadas. Esse procedimento controla automaticamente a probabilidade de um modelo ser declarado mais preciso do que outro por mera sorte e não por de fato possuir habilidade preditiva superior. Experimentos com dados reais mostram que introduzir caudas pesadas e assimetria na densidade condicional do modelo que nós propomos fornece melhorias significativas de precisão. Eles também demonstram que nosso modelo é melhor do que as alternativas convencionais em capturar as principais características distribucionais e da estrutura de dependência observadas em sequências de retornos.
Abstract: In this dissertation, we introduce a deep generative model for multi-step density forecasting over univariate sequences of stock returns. It is based on a Bayesian recurrent neural network that operates under the premise that the conditional distribution of returns belongs to a family of skew Student's t-distributions. We also present measures of predictive accuracy based on Probability Integral Transformation and Maximum Mean Discrepancy (MMD) to separately evaluate the unconditional normality and the serial independence of the normal pseudo-residuals generated by univariate conditional distribution models. Using these measures, we then propose a Bayesian procedure to jointly compare the performance of two or more competing models over multiple univariate sequences. This procedure automatically controls the probability that one model will be declared more accurate than another because of luck, not because it has superior predictive ability. Experiments on real datasets show that introducing fat tails and skewness into the conditional density of our model we propose provides significant accuracy improvements. They also demonstrate that our model is better than mainstream alternatives in capturing the main distributional and dependency structure characteristics observed in sequences of returns.
Subject: Computação - Teses
Redes neurais (Computação) - Teses
Densidade - Previsão- Teses
Testes de hipóteses estatísticas - Teses
language: por
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal de Minas Gerais
Publisher Initials: UFMG
metadata.dc.publisher.department: ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO
metadata.dc.publisher.program: Programa de Pós-Graduação em Ciência da Computação
Rights: Acesso Restrito
URI: http://hdl.handle.net/1843/46724
Issue Date: 18-Jul-2022
metadata.dc.description.embargo: 17-Jul-2024
Appears in Collections:Dissertações de Mestrado

Files in This Item:
File Description SizeFormat 
Dissertacao_AbordagemGenerativaProfundaPrevisaoDensidadeMultiplosPassos.pdf9.58 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.