Use este identificador para citar o ir al link de este elemento:
http://hdl.handle.net/1843/46724
Registro completo de metadatos
Campo DC | Valor | Idioma |
---|---|---|
dc.contributor.advisor1 | Fabrício Murai Ferreira | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/4002187845840872 | pt_BR |
dc.contributor.advisor-co1 | Cristiano Arbex Valle | pt_BR |
dc.contributor.referee1 | Roberto Hirata Júnior | pt_BR |
dc.contributor.referee2 | Bruno Ribeiro | pt_BR |
dc.creator | Leandro Augusto Lacerda Campos | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/8664588462780435 | pt_BR |
dc.date.accessioned | 2022-10-27T21:17:00Z | - |
dc.date.available | 2022-10-27T21:17:00Z | - |
dc.date.issued | 2022-07-18 | - |
dc.identifier.uri | http://hdl.handle.net/1843/46724 | - |
dc.description.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. | pt_BR |
dc.description.resumo | 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. | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.rights | Acesso Restrito | pt_BR |
dc.subject | Previsão de densidade | pt_BR |
dc.subject | Redes neurais recorrentes bayesianas | pt_BR |
dc.subject | Avaliação de previsões de densidade | pt_BR |
dc.subject | Pseudo-resíduos | pt_BR |
dc.subject | Discrepância média máxima | pt_BR |
dc.subject | Teste de hipótese bayesiano | pt_BR |
dc.subject | Múltiplas comparações | pt_BR |
dc.subject.other | Computação - Teses | pt_BR |
dc.subject.other | Redes neurais (Computação) - Teses | pt_BR |
dc.subject.other | Densidade - Previsão- Teses | pt_BR |
dc.subject.other | Testes de hipóteses estatísticas - Teses | pt_BR |
dc.title | Uma abordagem generativa profunda para previsão de densidade de múltiplos passos | pt_BR |
dc.type | Dissertação | pt_BR |
dc.description.embargo | 2024-07-17 | - |
Aparece en las colecciones: | Dissertações de Mestrado |
archivos asociados a este elemento:
archivo | Descripción | Tamaño | Formato | |
---|---|---|---|---|
Dissertacao_AbordagemGenerativaProfundaPrevisaoDensidadeMultiplosPassos.pdf | 9.58 MB | Adobe PDF | Visualizar/Abrir |
Los elementos en el repositorio están protegidos por copyright, con todos los derechos reservados, salvo cuando es indicado lo contrario.