Palavras-chave
Previsão do Mercado de Ações
NIFTY-50
Indicadores Técnicos
Análise Financeira
Como Citar
Resumo
Objetivo: Avaliar a eficácia de uma Rede Neural Artificial (RNA) do tipo feedforward na previsão de retornos de curto prazo do índice NIFTY-50, utilizando indicadores técnicos amplamente empregados na análise de mercados financeiros.
Metodologia: O estudo adota uma abordagem quantitativa baseada em aprendizado supervisionado. Foram utilizados dados diários do índice NIFTY-50 no período de 2020 a 2024, a partir dos quais se calcularam indicadores técnicos, como Índice de Força Relativa (RSI), Média Móvel Exponencial (EMA) e Moving Average Convergence Divergence (MACD). Esses indicadores compuseram o vetor de entrada de uma RNA feedforward com uma camada oculta, treinada por retropropagação. O desempenho do modelo foi avaliado por meio do Erro Quadrático Médio da Raiz (RMSE) em conjuntos de treinamento e teste.
Resultados: Os resultados empíricos demonstram que o modelo proposto apresenta elevada capacidade preditiva, com valores reduzidos de RMSE tanto no treinamento (0,0138) quanto no teste (0,0109), indicando boa generalização para dados não observados. As previsões acompanham adequadamente as oscilações do mercado, mesmo em períodos de elevada volatilidade.
Contribuições: O estudo contribui para a literatura de previsão financeira ao evidenciar que redes neurais feedforward, mesmo com arquiteturas simples e conjuntos compactos de indicadores técnicos, são capazes de capturar relações não lineares relevantes em séries temporais financeiras. Os achados reforçam o potencial das RNAs como ferramentas de apoio à tomada de decisão em mercados emergentes.
Referências
Hinton, G., Srivastava, N., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. R. (2014). Dropout: A simple way to prevent neural networks from overfitting. Journal of Machine Learning Research, 15(1), 1929–1958.
Mohan, S., Mullapudi, S., Sammeta, S., Vijayvergia, P., & Anastasiu, D. C. (2019). Stock price prediction using news sentiment analysis. In Proceedings of the 2019 IEEE Fifth International Conference on Big Data Computing Service and Applications (BigDataService) (pp. 205–208). IEEE. https://doi.org/10.1109/BigDataService.2019.00035
Patel, J., Shah, S., Thakkar, P., & Kotecha, K. (2015). Predicting stock and stock price index movement using trend deterministic data preparation and machine learning techniques. Expert Systems with Applications, 42(1), 259–268. https://doi.org/10.1016/j.eswa.2014.07.040
Rezaei, H., Faaljou, H., & Mansourfar, G. (2021). Stock price prediction using deep learning and frequency decomposition. Expert Systems with Applications, 169, 114332. https://doi.org/10.1016/j.eswa.2020.114332
Rouf, N., Malik, M. B., Arif, T., Sharma, S., Singh, S., Aich, S., & Kim, H.-C. (2021). Stock market prediction using machine learning techniques: A decade survey on methodologies, recent developments, and future directions. Electronics, 10(21), 2717. https://doi.org/10.3390/electronics10212717
Selvin, S., Vinayakumar, R., Gopalakrishnan, E. A., Menon, V. K., & Soman, K. P. (2017). Stock price prediction using LSTM, RNN and CNN-sliding window model. In Proceedings of the 2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI) (pp. 1643–1647). IEEE. https://doi.org/10.1109/ICACCI.2017.8126043
Thakkar, A., & Chaudhari, K. (2021). A comprehensive survey on deep neural networks for stock market: The need, challenges, and future directions. Expert Systems with Applications, 177, 114800. https://doi.org/10.1016/j.eswa.2021.114800
Torres P., E. P., Hernández-Alvarez, M., Torres Hernández, E. A., & Yoo, S. G. (2019). Stock market data prediction using machine learning techniques. In International Conference on Information Technology & Systems (pp. 539–547). Springer. https://doi.org/10.1007/978-3-030-11890-7_52
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Copyright (c) 2025 Journal of Interdisciplinary Knowledge