Inteligência Artificial nas Finanças

Apêndice C. Redes neurais convolucionais

A Parte III centra-se nas redes neuronais densas (DNN) e nas redes neuronais recorrentes (RNN), que são dois tipos normais de redes neuronais. O encanto das DNN reside no facto de serem bons aproximadores universais. Os exemplos do livro sobre aprendizagem por reforço, por exemplo, utilizam as DNN para aproximar a política de ação óptima. Por outro lado, as RNNs são especificamente concebidas para lidar com dados sequenciais, como as séries temporais. Isto é útil quando se tenta, por exemplo, prever valores futuros de séries temporais financeiras.

No entanto, as redes neuronais convolucionais (CNN) são um outro tipo de rede neuronal padrão que é amplamente utilizado na prática. Têm sido particularmente bem sucedidas, entre outros domínios, na visão computacional. As CNN conseguiram estabelecer novos padrões de referência numa série de testes e desafios padrão, como o ImageNet Challenge; para mais informações, ver The Economist (2016) ou Gerrish (2018). A visão computacional, por sua vez, é importante em domínios como os veículos autónomos ou a segurança e a vigilância.

Este breve apêndice ilustra a aplicação de uma CNN à previsão de séries cronológicas de dados financeiros. Para mais pormenores sobre as CNN, ver Chollet (2017, cap. 5) e Goodfellow et al. (2016, cap. 9).

Caraterísticas e dados das etiquetas

O seguinte código Python começa por tratar das importações e personalizações necessárias. Em seguida, importa o conjunto de dados que ...