Exportar registro bibliográfico

Abordagens de aprendizado de máquina para séries temporais financeiras (2022)

  • Authors:
  • USP affiliated author: SANTOS, JÚLIO CESAR DOS - ICMC
  • School: ICMC
  • Subjects: INTELIGÊNCIA ARTIFICIAL; APRENDIZADO COMPUTACIONAL; ANÁLISE DE DADOS
  • Language: Português
  • Abstract: As novas abordagens de aprendizado de máquina (Machine Learning - ML) utilizando aprendizado profundo (Deep Learning – DL) supera os modelos de séries temporais e geralmente tem se mostrado com maior precisão do que os algoritmos tradicionais de ML. Contudo, esses mesmos modelos (DL) tem como desvantagem a grande quantidade de tempo gasto para treiná-los em uma tarefa sofisticada de customização dos seus hiperparâmetros. Percebe-se que menos atenção tem sido dada a outra classe poderosa de abordagens de ML a saber: Florestas aleatórias (Random Forest - RF) e Máquina de Aumento do Gradiente (Gradient Boosting Machine - GBM) que se utiliza de técnica bagging (RF) e boosting (GBM). Eles se mostram menos custosos computacionalmente que os modelos de séries temporais além da atividade de customização dos hiperparâmetros ser bem menos complexa. Diante desta constatação foram escolhidos duas dessas abordagens – Random Forest e LightGBM – já que representam métodos que se mostram poderosos e podem capturar com eficiência padrões não lineares complexos em dados. A partir da análise destas técnicas buscou-se estabelecer uma metodologia para, sistematicamente, obter uma ferramenta capaz de auxiliar o analista no processo decisório sobre investir, realizar lucros, ou aguardar e traçar conclusões sobre o potencial de uso de técnicas de Aprendizado de Máquina no mercado brasileiro, sugerindo práticas recomendadas e/ou técnicas a serem evitadas. Primeiramente, foi feita a partição dos dados importados em três conjuntos (treino, validação e teste) e essa divisão foram adotadas duas abordagens de separação dos dados: uma utilizando do aspecto temporal do dado e outra uma divisão aleatória. O processo seguiu as etapas de coleta e armazenamento dos dados, tratamento e normalização das séries de preço, análise das propriedades das séries, criação de um novo atributo a partir dos atributos originais, utilização de modelode previsão e análise dos resultados. Vale ressaltar que os dados também foram rotulados utilizando uma customização do método descrito como barras de tempo. Concluindo, considerando o problema investigado, apesar da divisão aleatória apresentar medidas mais eficientes é pertinente que se utilize a divisão temporal para um sistema real. Com relação aos algoritmos, o LGBM se mostrou melhor mesmo não passando por nenhuma otimização dos seus hiperparâmetros.
  • Imprenta:

  • Download do texto completo

    Tipo Nome Link
    Versão Publicada JULIO CESAR SANTOS_MBA_Ju... Direct link
    How to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

    • ABNT

      SANTOS, Júlio Cesar dos. Abordagens de aprendizado de máquina para séries temporais financeiras. 2022. Trabalho de Conclusão de Curso (MBA) – Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2022. Disponível em: https://bdta.abcd.usp.br/directbitstream/4193e3a0-d75b-4ebd-9c91-b7af5c650ae6/JULIO%20CESAR%20SANTOS_MBA_Julio_Versao_final_206628.pdf. Acesso em: 29 mar. 2024.
    • APA

      Santos, J. C. dos. (2022). Abordagens de aprendizado de máquina para séries temporais financeiras (Trabalho de Conclusão de Curso (MBA). Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos. Recuperado de https://bdta.abcd.usp.br/directbitstream/4193e3a0-d75b-4ebd-9c91-b7af5c650ae6/JULIO%20CESAR%20SANTOS_MBA_Julio_Versao_final_206628.pdf
    • NLM

      Santos JC dos. Abordagens de aprendizado de máquina para séries temporais financeiras [Internet]. 2022 ;[citado 2024 mar. 29 ] Available from: https://bdta.abcd.usp.br/directbitstream/4193e3a0-d75b-4ebd-9c91-b7af5c650ae6/JULIO%20CESAR%20SANTOS_MBA_Julio_Versao_final_206628.pdf
    • Vancouver

      Santos JC dos. Abordagens de aprendizado de máquina para séries temporais financeiras [Internet]. 2022 ;[citado 2024 mar. 29 ] Available from: https://bdta.abcd.usp.br/directbitstream/4193e3a0-d75b-4ebd-9c91-b7af5c650ae6/JULIO%20CESAR%20SANTOS_MBA_Julio_Versao_final_206628.pdf

    Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

    Digital Library of Academic Works of Universidade de São Paulo     2012 - 2024