Uma abordagem generativa profunda para previsão de densidade de múltiplos passos
Carregando...
Data
Autor(es)
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Dissertação de mestrado
Título alternativo
Primeiro orientador
Membros da banca
Roberto Hirata Júnior
Bruno Ribeiro
Bruno Ribeiro
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.
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.
Assunto
Computação - Teses, Redes neurais (Computação) - Teses, Densidade - Previsão- Teses, Testes de hipóteses estatísticas - Teses
Palavras-chave
Previsão de densidade, Redes neurais recorrentes bayesianas, Avaliação de previsões de densidade, Pseudo-resíduos, Discrepância média máxima, Teste de hipótese bayesiano, Múltiplas comparações