FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W4313346209> ?p ?o ?g. }

• W4313346209 endingPage "2481" @default.
• W4313346209 startingPage "2464" @default.
• W4313346209 abstract "A pesquisa apresentada neste trabalho visou analisar o desempenho de diferentes algoritmos de inteligência artificial (IA) para previsão de movimentos dos principais índices das maiores bolsas de valores ao redor do mundo. Para tanto, foram coletados dados diários de 34 índices, entre os anos de 2010 e 2019, e estimados os movimentos desses índices com o uso de quatro dos principais algoritmos de IA: Artificial Neural Networks (ANN), k-Nearest Neighbors (KNN), Naive Bayes (NB) e Random Forest (RF). Tais algoritmos foram treinados com base em nove indicadores técnicos amplamente empregados na análise de ativos financeiros. De forma geral, evidenciou-se a possibilidade de se obter retornos superiores à média de mercado a partir dos algoritmos selecionados e treinados com base em indicadores técnicos. Destaca-se, portanto, o potencial de exploração de ineficiências de diferentes mercados de capitais ao redor do mundo em sua forma fraca a partir de algoritmos de IA. De forma específica, constatou-se que o desempenho dos algoritmos variou de acordo com a medida de desempenho utilizada. Quando se considerou a acurácia como medida de desempenho, o algoritmo ANN obteve desempenhos superiores aos dos demais; ao passo que o algoritmo NB apresentou os piores desempenhos independentemente das medidas empregadas para mensurá-lo. O estudo desenvolvido traz uma série de contribuições à pesquisa sobre o emprego desses algoritmos para previsão do movimento de índices de ativos financeiros nos mercados de capitais ao redor do mundo: (i) obtiveram-se evidências robustas da utilidade e relevância de algoritmos de IA para prever movimentos de preços nas principais bolsas de valores do mundo; (ii) verificou-se que a medida empregada para mensurar o desempenho dos algoritmos influencia de forma significativa sua avaliação; e (iii) constatou-se que os indicadores técnicos podem auxiliar em decisões que agregam valor ao serem conjugados com técnicas de IA." @default.
• W4313346209 created "2023-01-06" @default.
• W4313346209 creator A5028479341 @default.
• W4313346209 creator A5052066281 @default.
• W4313346209 creator A5052751595 @default.
• W4313346209 creator A5080919270 @default.
• W4313346209 creator A5091692800 @default.
• W4313346209 date "2022-12-30" @default.
• W4313346209 modified "2023-09-30" @default.
• W4313346209 title "Explorando a forma fraca da (in)eficiência de mercado por meio de algoritmos de inteligência artificial" @default.
• W4313346209 cites W2025053102 @default.
• W4313346209 cites W2077365830 @default.
• W4313346209 cites W2080887613 @default.
• W4313346209 cites W2088171019 @default.
• W4313346209 cites W2116988722 @default.
• W4313346209 cites W2131773668 @default.
• W4313346209 cites W2284153934 @default.
• W4313346209 cites W2572554044 @default.
• W4313346209 cites W2744111736 @default.
• W4313346209 cites W2793037577 @default.
• W4313346209 cites W2793855997 @default.
• W4313346209 cites W2947836816 @default.
• W4313346209 cites W2950967628 @default.
• W4313346209 cites W2971659559 @default.
• W4313346209 cites W2979950223 @default.
• W4313346209 cites W2990597424 @default.
• W4313346209 cites W2994949492 @default.
• W4313346209 cites W3048630347 @default.
• W4313346209 cites W3115027111 @default.
• W4313346209 cites W3126968706 @default.
• W4313346209 cites W3130139313 @default.
• W4313346209 cites W3139381152 @default.
• W4313346209 doi "https://doi.org/10.7769/gesec.v13i4.1483" @default.
• W4313346209 hasPublicationYear "2022" @default.
• W4313346209 type Work @default.
• W4313346209 citedByCount "1" @default.
• W4313346209 countsByYear W43133462092023 @default.
• W4313346209 crossrefType "journal-article" @default.
• W4313346209 hasAuthorship W4313346209A5028479341 @default.
• W4313346209 hasAuthorship W4313346209A5052066281 @default.
• W4313346209 hasAuthorship W4313346209A5052751595 @default.
• W4313346209 hasAuthorship W4313346209A5080919270 @default.
• W4313346209 hasAuthorship W4313346209A5091692800 @default.
• W4313346209 hasBestOaLocation W43133462091 @default.
• W4313346209 hasConcept C121332964 @default.
• W4313346209 hasConcept C138885662 @default.
• W4313346209 hasConcept C15708023 @default.
• W4313346209 hasConcept C17744445 @default.
• W4313346209 hasConcept C33923547 @default.
• W4313346209 hasConceptScore W4313346209C121332964 @default.
• W4313346209 hasConceptScore W4313346209C138885662 @default.
• W4313346209 hasConceptScore W4313346209C15708023 @default.
• W4313346209 hasConceptScore W4313346209C17744445 @default.
• W4313346209 hasConceptScore W4313346209C33923547 @default.
• W4313346209 hasIssue "4" @default.
• W4313346209 hasLocation W43133462091 @default.
• W4313346209 hasOpenAccess W4313346209 @default.
• W4313346209 hasPrimaryLocation W43133462091 @default.
• W4313346209 hasRelatedWork W2740647293 @default.
• W4313346209 hasRelatedWork W2748952813 @default.
• W4313346209 hasRelatedWork W2899084033 @default.
• W4313346209 hasRelatedWork W2902782467 @default.
• W4313346209 hasRelatedWork W2935759653 @default.
• W4313346209 hasRelatedWork W3105167352 @default.
• W4313346209 hasRelatedWork W54078636 @default.
• W4313346209 hasRelatedWork W1501425562 @default.
• W4313346209 hasRelatedWork W2954470139 @default.
• W4313346209 hasRelatedWork W3084825885 @default.
• W4313346209 hasVolume "13" @default.
• W4313346209 isParatext "false" @default.
• W4313346209 isRetracted "false" @default.
• W4313346209 workType "article" @default.