Uma Análise Empírica dos Requisitos de Dados para Previsão Financeira com Redes Neurais

As redes neurais têm se mostrado uma ferramenta promissora para a previsão de séries temporais financeiras. Vários fatores de design impactam significativamente a precisão das previsões de redes neurais. Esses fatores incluem a seleção de variáveis de entrada, a arquitetura da rede e a quantidade de dados de treinamento. As questões de seleção de variáveis de entrada e design de arquitetura do sistema foram amplamente pesquisadas, mas a questão correspondente de quanta informação utilizar na produção de modelos de redes neurais de alta qualidade não foi adequadamente abordada. Neste artigo, os efeitos de diferentes tamanhos de conjuntos de amostra de treinamento na previsão das taxas de câmbio são examinados. Mostra-se que essas redes neurais — dadas uma quantidade apropriada de conhecimento histórico — podem prever as futuras taxas de câmbio com 60 por cento de precisão, enquanto aquelas redes neurais treinadas em um conjunto de treinamento maior têm um desempenho de previsão inferior. Além de previsões de maior qualidade, a redução dos tamanhos dos conjuntos de treinamento diminui o custo e o tempo de desenvolvimento.