PPGI
PROGRAMA DE PÓS-GRADUAÇÃO EM INFORMÁTICA
INSTITUTO DE COMPUTAÇÃO
Telefone/Ramal:
82 99632-4920
E-mail:
rian@ic.ufal.br
https://sigaa.sig.ufal.br/ppgi
Banca de QUALIFICAÇÃO: JOAO VICTOR RIBEIRO FERRO
Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.DISCENTE : JOAO VICTOR RIBEIRO FERRO
DATA : 03/08/2023
HORA: 17:00
LOCAL: Sala 206, Bloco 12
TÍTULO:
Uma Abordagem para Predição da Têndencia do Índice BOVESPA Utilizando Técnicas de Aprendizagem de Máquina
PALAVRAS-CHAVES:
Aprendizado de Máquina,
Inteligência Artificial,
Sistema de Apoio à Decisão
PÁGINAS: 76
RESUMO:
Este trabalho propõe explorar o problema da precisão na previsão de séries temporais financei-
ras, considerando características como não linearidade, alta volatilidade e incerteza nos dados
históricos, com o objetivo de fornecer informações relevantes para um sistema de suporte a
decisão, que auxilia o investidor no julgamento de entrar ou sair de uma operação financeira.
Para lidar com esse problema, investigamos o uso de técnicas deEnsemble Learningno mercado
não consolidado do Índice BOVESPA. Propomos uma abordagem em que nos concentramos
inicialmente em técnicas individuais, como Redes Neurais, Árvores de Decisão eSupport Vector
Regression. Além disso, após explorar os algoritmos individuais analisando sua precisão pre-
ditiva, realizamos experimentos para avaliar o desempenho de técnicas deEnsemble Learning
com foco em regressão, comoBagging,BlendingeStacking. Desenvolvemos e avaliamos um
total de treze modelos preditivos, individualmente e em combinação. Os resultados parciais
obtidos até o momento indicam que a técnica deBaggingHomogêneo como promissora na
redução do erro de previsão do IBOVESPA, embora demande mais capacidade computacio-
nal. Também observamos que o método deBaggingHeterogêneo é recomendado em cenários
em que alta precisão e restrições de capacidade computacional não são cruciais. Esperamos
que essas descobertas contribuam para a compreensão e aplicação de técnicas deEnsemble
Learningem séries temporais financeiras, fornecendo informações valiosas para investidores
e analistas financeiros em previsões de curto e médio prazo do mercado. As próximas etapas
e resultados pretendidos são discutidos nesta proposta de dissertação.
ras, considerando características como não linearidade, alta volatilidade e incerteza nos dados
históricos, com o objetivo de fornecer informações relevantes para um sistema de suporte a
decisão, que auxilia o investidor no julgamento de entrar ou sair de uma operação financeira.
Para lidar com esse problema, investigamos o uso de técnicas deEnsemble Learningno mercado
não consolidado do Índice BOVESPA. Propomos uma abordagem em que nos concentramos
inicialmente em técnicas individuais, como Redes Neurais, Árvores de Decisão eSupport Vector
Regression. Além disso, após explorar os algoritmos individuais analisando sua precisão pre-
ditiva, realizamos experimentos para avaliar o desempenho de técnicas deEnsemble Learning
com foco em regressão, comoBagging,BlendingeStacking. Desenvolvemos e avaliamos um
total de treze modelos preditivos, individualmente e em combinação. Os resultados parciais
obtidos até o momento indicam que a técnica deBaggingHomogêneo como promissora na
redução do erro de previsão do IBOVESPA, embora demande mais capacidade computacio-
nal. Também observamos que o método deBaggingHeterogêneo é recomendado em cenários
em que alta precisão e restrições de capacidade computacional não são cruciais. Esperamos
que essas descobertas contribuam para a compreensão e aplicação de técnicas deEnsemble
Learningem séries temporais financeiras, fornecendo informações valiosas para investidores
e analistas financeiros em previsões de curto e médio prazo do mercado. As próximas etapas
e resultados pretendidos são discutidos nesta proposta de dissertação.
MEMBROS DA BANCA:
Presidente - 1121007 - EVANDRO DE BARROS COSTA
Interno(a) - 1388993 - BRUNO ALMEIDA PIMENTEL
Interno(a) - 2995499 - ICARO BEZERRA QUEIROZ DE ARAUJO
Externo(a) à Instituição - GEORGE DARMITON DA CUNHA CAVALCANTI - UFPE
Notícia cadastrada em: 18/10/2023 11:55
SIGAA | NTI - Núcleo de Tecnologia da Informação - (82) 3214-1015 | Copyright © 2006-2024 - UFAL - sig-app-3.srv3inst1
03/05/2024 03:42