Predicting PRIO3 Stock Prices: PatchTST vs. LSTM

• Genário Correia de Azevedo UFAPE
• Tiago Buarque A. de Carvalho UFAPE
• Anderson Pinheiro Cavalcanti UFRPE
• Itamar Bernardo S. Júnior IFPE

DOI: https://doi.org/10.5753/eniac.2026.29756

Resumo

A previsão de séries temporais financeiras é desafiadora devido à volatilidade e ao ruído dos dados, limitações frequentemente enfrentadas por modelos como a LSTM. Este artigo avalia o modelo Patch Time Series Transformer (PatchTST) na previsão do preço de fechamento da ação PRIO3. O PatchTST foi comparado a uma LSTM em quatro configurações experimentais envolvendo as covariáveis PETR4 e Brent. Os resultados demonstram que o PatchTST superou a LSTM em todos os cenários, reduzindo o Erro Quadrático Médio (MSE) em 95,5% na abordagem univariada. A inclusão da covariável setorial PETR4 otimizou ainda mais o desempenho, alcançando o menor MSE global (0,9593). Conclui-se que a arquitetura do PatchTST oferece robustez e capacidade preditiva superior para o mercado financeiro de curto prazo.

Referências

Bengio, Y. (1994). Learning long-term dependencies. IEEE Transactions on Neural Networks, 5(2):157–166.

Box, G., Jenkins, G., Reinsel, G., and Ljung, G. (2015). Time Series Analysis: Forecasting and Control. Wiley, San Francisco.

Cont, R. (2001). Empirical properties of asset returns. Quantitative Finance, 1(2):223–236.

Engle, R. (1982). Autoregressive conditional heteroscedasticity. Econometrica, 50(4):987–1007.

Fama, E. (1970). Efficient capital markets. The Journal of Finance, 25(2):383–417.

Fischer, T. (2018). Deep learning with lstm. European Journal of Operational Research, 270(2):654–669.

Hochreiter, S. and Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8):1735–1780.

Nie, Y., Nguyen, N. H., Sinthong, P., and Kalagnanam, J. (2023). A time series is worth 64 words: Long-term forecasting with transformers. arXiv preprint arXiv:2211.14730.

Silva Junior, I. B. (2024). Previsão do preço de ações usando lstm. Trabalho de Conclusão de Curso, UFAPE.

Tsay, R. S. (2010). Analysis of Financial Time Series. Wiley, Hoboken, 3 edition.

Vaswani, A. et al. (2017). Attention is all you need. In Advances in Neural Information Processing Systems, volume 30.