15 artigos
Este artigo apresenta um método de aprendizado de ensemble baseado em Regressão por Processos Gaussianos que, ao reduzir a complexidade computacional e incorporar a incerteza preditiva na alocação de ativos, supera modelos existentes e o índice S&P 500 em termos de retorno econômico e estatístico em uma análise empírica de ações dos EUA entre 1962 e 2016.
Este artigo propõe a aplicação da Análise de Fusão Combinatória (CFA) para prever o preço do Bitcoin, demonstrando que a combinação de diversos modelos de aprendizado de máquina por meio de funções de características de pontuação e classificação supera significativamente os modelos individuais e outros métodos existentes, alcançando um erro médio percentual (MAPE) de 0,19%.
Este estudo avalia o impacto da análise de sentimentos de notícias baseada em LLMs (DeBERTa, RoBERTa e FinBERT) na previsão de movimentos de preços de ações, demonstrando que o DeBERTa individualmente atinge 75% de precisão, um ensemble dos três modelos chega a 80% e que as características de sentimento oferecem benefícios modestos a diversos modelos de previsão.
O artigo propõe um modelo híbrido de Markov Oculto que combina estados de mercado definidos por quantis de Laplace com um mecanismo de saltos de Poisson para gerar séries temporais financeiras sintéticas que superam modelos existentes ao preservar simultaneamente a fidelidade distributiva, a estrutura temporal e a cobertura de caudas dos dados reais.
Este artigo propõe um novo modelo ARCH em nível de operador para dados em espaços de Hilbert que captura a evolução completa do operador de covariância condicional, estabelecendo condições para soluções estacionárias, derivando estimadores consistentes e validando a abordagem através de simulações e aplicação a retornos intradiários de alta frequência.
Este artigo apresenta um modelo integrado que combina uma arquitetura de transformador de nós com análise de sentimento baseada em BERT para prever preços de ações, demonstrando superioridade sobre métodos tradicionais como ARIMA e LSTM ao capturar dependências cruzadas e dinâmicas de mercado, alcançando uma precisão de 0,80% de erro médio absoluto percentual em previsões de um dia.
Este artigo demonstra que sinais de sentimento multidimensionais extraídos por grandes modelos de linguagem, como GPT-4o e Llama 3.2, combinados com modelos financeiros tradicionais, melhoram a previsão de retornos semanais de futuros de petróleo WTI ao capturar nuances além da simples polaridade, como intensidade e incerteza.
Este artigo utiliza uma abordagem baseada na teoria da informação, combinando dispersão e entropia, para analisar como as comunicações políticas concentradas do início do segundo mandato de Donald Trump em 2025 geraram assinaturas entrópicas distintas que capturam a volatilidade e a coerência dos movimentos globais dos mercados financeiros.
Este artigo aborda a lacuna na medição da variável "temperatura" em modelos de agentes na econofísica, propondo e ilustrando um método para quantificá-la em sistemas de decisão sob ambiente de notícias e demonstrando como essa medição pode ser utilizada para influenciar a opinião média em subsistemas concorrentes.
Este artigo argumenta que a assimetria negativa e a média positiva dos retornos das ações decorrem da quebra de simetria na volatilidade estocástica que rege ganhos e perdas, propondo uma distribuição t de Jones-Faddy modificada que captura organicamente essa assimetria e demonstrando sua aplicação nos retornos diários do S&P500.
O artigo apresenta o EDINET-Bench, um novo benchmark de código aberto baseado em relatórios anuais japoneses para avaliar LLMs em tarefas financeiras complexas, demonstrando que os modelos atuais têm desempenho limitado e destacando a necessidade de ambientes de teste mais realistas e estruturados para superar essas deficiências.
O artigo apresenta a previsão de hierarquia temporal (THieF) como um método eficaz para prever preços de eletricidade no dia seguinte, demonstrando que a reconciliação de previsões entre produtos horários e blocos de 2 a 24 horas melhora significativamente a precisão em mercados como o alemão e o espanhol, com custos computacionais comparáveis e aplicabilidade a diversas arquiteturas de modelos.
Este artigo desenvolve um quadro paramétrico robusto para a detecção de saltos em processos de difusão com saltos do tipo CKLS de alta frequência, utilizando o estimador de divergência mínima de densidade de potência (MDPDE) para explorar a separação assintótica entre incrementos de difusão e de salto, estabelecendo assim um procedimento de classificação consistente e validado por simulações.
Este artigo propõe um quadro prático para a análise de valores extremos em sistemas multivariados, finitos e correlacionados, utilizando o exemplo de retornos financeiros de alta frequência rotacionados na base de autovetores da matriz de correlação para isolar efeitos coletivos e estimar riscos de cauda não estacionários sem depender de máximos de blocos.
Este artigo propõe uma estratégia dinâmica de otimização de portfólio para criptomoedas que integra indicadores técnicos e análise de sentimentos, demonstrando por meio de testes retrospectivos que essa abordagem combinada supera benchmarks tradicionais em retornos ajustados ao risco, embora ainda exija melhorias no gerenciamento de riscos para mitigar grandes drawdowns durante períodos de estresse de mercado.