Título: Previsão de Ativos Financeiros com Redes Neurais Multicamadas Otimizadas por Algoritmos Genéticos e Otimização por Enxame de Partículas
Autores: Bruno Nicolau Magalhães de Souza Conte, Roberto Célio Limão de Oliveira
Resumo: Este artigo apresenta uma análise comparativa do desempenho de modelos de Redes Neurais Artificiais (RNAs) para previsão de preços de ativos financeiros da Petrobras, com foco na otimização da arquitetura por meio de um Algoritmo Genético (AG) e Otimização por Enxame de Partículas (PSO). Um modelo de rede neural multicamadas (MLP) é treinado com dados do ativo Petrobras e comparado com arquiteturas otimizadas por AG e PSO. Os resultados indicam que a otimização do modelo neural com AG promove uma melhoria significativa no desempenho preditivo, resultando em um Erro Quadrático Médio (MSE) inferior em comparação com abordagens tradicionais e com o modelo neural otimizado pelo PSO.
Palavras-chave: Artificial Neural Networks; Genetic Algorithms; Petrobras; Stock Exchange; Particle Swarm Optimization; Architecture Optimization; Financial Forecasting.
Páginas: 8
Código DOI: 10.21528/CBIC2025-1191726
Artigo em PDF: CBIC_2025_paper1191726.pdf
Arquivo BibTeX:
CBIC_2025_1191726.bib