Uso de espaço de fase e redes complexas para predição de tendências em séries temporais de dados financeiros

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Oliveira, Vinicius Alencar
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Random Forests
Communities detection
Complex networks
Detecção de comunidades em redes complexas
Espaço de fase
Phase space
Redes complexas
Link de acesso: https://www.teses.usp.br/teses/disponiveis/100/100132/tde-10102024-185243/
Resumo: Este estudo aborda a importância da análise de dados no mercado financeiro e a crescente utilização de técnicas de inteligência artificial e aprendizado de máquina para previsões acuradas. Explora-se a necessidade de ferramentas avançadas para lidar com a complexidade dos dados temporais, incluindo métodos não lineares e reconstrução do espaço de fase. A pesquisa propõe três modelos distintos para detecção de tendências em séries temporais financeiras: Redes Complexas, Random Forest sem expansão pelo espaço de fase e Random Forest com expansão pelo espaço de fase. Os resultados indicam melhorias na precisão das previsões de tendência, especialmente nos modelos que incorporaram a reconstrução do espaço de fase. Este estudo contribui para o avanço do conhecimento ao demonstrar a eficácia da combinação de técnicas de redes complexas e aprendizado de máquina na análise de séries temporais financeiras. Além disso, oferece insights valiosos para investidores e gestores de portfólio, possibilitando decisões mais informadas e precisas no mercado financeiro. Apesar das promessas dessas abordagens, algumas limitações foram identificadas, como a necessidade de testar os modelos em um conjunto mais amplo de séries temporais e a complexidade computacional das técnicas propostas. No entanto, essas limitações abrem oportunidades para futuras pesquisas, que podem explorar técnicas de otimização computacional e integração de outras técnicas avançadas de IA e ML para aprimorar a acurácia das previsões de tendência no mercado financeiro.
id USP_35789e1523dcf27d5d43a92456313fc0
oai_identifier_str oai:teses.usp.br:tde-10102024-185243
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Uso de espaço de fase e redes complexas para predição de tendências em séries temporais de dados financeirosUse of phase space and complex networks for trend prediction in financial time series dataRandom ForestsCommunities detectionComplex networksDetecção de comunidades em redes complexasEspaço de fasePhase spaceRandom ForestsRedes complexasEste estudo aborda a importância da análise de dados no mercado financeiro e a crescente utilização de técnicas de inteligência artificial e aprendizado de máquina para previsões acuradas. Explora-se a necessidade de ferramentas avançadas para lidar com a complexidade dos dados temporais, incluindo métodos não lineares e reconstrução do espaço de fase. A pesquisa propõe três modelos distintos para detecção de tendências em séries temporais financeiras: Redes Complexas, Random Forest sem expansão pelo espaço de fase e Random Forest com expansão pelo espaço de fase. Os resultados indicam melhorias na precisão das previsões de tendência, especialmente nos modelos que incorporaram a reconstrução do espaço de fase. Este estudo contribui para o avanço do conhecimento ao demonstrar a eficácia da combinação de técnicas de redes complexas e aprendizado de máquina na análise de séries temporais financeiras. Além disso, oferece insights valiosos para investidores e gestores de portfólio, possibilitando decisões mais informadas e precisas no mercado financeiro. Apesar das promessas dessas abordagens, algumas limitações foram identificadas, como a necessidade de testar os modelos em um conjunto mais amplo de séries temporais e a complexidade computacional das técnicas propostas. No entanto, essas limitações abrem oportunidades para futuras pesquisas, que podem explorar técnicas de otimização computacional e integração de outras técnicas avançadas de IA e ML para aprimorar a acurácia das previsões de tendência no mercado financeiro.This study addresses the importance of data analysis in the financial market and the increasing use of artificial intelligence and machine learning techniques for accurate predictions. It explores the need for advanced tools to handle the complexity of temporal data, including nonlinear methods and phase space reconstruction. The research proposes three distinct models for trend detection in financial time series: complex networks, Random Forest without phase space expansion, and Random Forest with phase space expansion. The results indicate improvements in the accuracy of trend predictions, especially in models that incorporate phase space reconstruction. This study contributes to advancing knowledge by demonstrating the effectiveness of combining complex networks and machine learning techniques in analyzing financial time series. Additionally, it offers valuable insights for investors and portfolio managers, enabling more informed and precise decision-making in the financial market. Despite the promises of these approaches, some limitations have been identified, such as the need to test the models on a broader set of time series data and the computational complexity of the proposed techniques. However, these limitations present opportunities for future research, which can explore computational optimization techniques and integrate other advanced AI and ML techniques to further enhance the accuracy of trend predictions in the financial market.Biblioteca Digitais de Teses e Dissertações da USPLauretto, Marcelo de SouzaOliveira, Vinicius Alencar2024-08-15info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/100/100132/tde-10102024-185243/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2025-08-25T16:09:02Zoai:teses.usp.br:tde-10102024-185243Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212025-08-25T16:09:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Uso de espaço de fase e redes complexas para predição de tendências em séries temporais de dados financeiros
Use of phase space and complex networks for trend prediction in financial time series data
title Uso de espaço de fase e redes complexas para predição de tendências em séries temporais de dados financeiros
spellingShingle Uso de espaço de fase e redes complexas para predição de tendências em séries temporais de dados financeiros
Oliveira, Vinicius Alencar
Random Forests
Communities detection
Complex networks
Detecção de comunidades em redes complexas
Espaço de fase
Phase space
Random Forests
Redes complexas
title_short Uso de espaço de fase e redes complexas para predição de tendências em séries temporais de dados financeiros
title_full Uso de espaço de fase e redes complexas para predição de tendências em séries temporais de dados financeiros
title_fullStr Uso de espaço de fase e redes complexas para predição de tendências em séries temporais de dados financeiros
title_full_unstemmed Uso de espaço de fase e redes complexas para predição de tendências em séries temporais de dados financeiros
title_sort Uso de espaço de fase e redes complexas para predição de tendências em séries temporais de dados financeiros
author Oliveira, Vinicius Alencar
author_facet Oliveira, Vinicius Alencar
author_role author
dc.contributor.none.fl_str_mv Lauretto, Marcelo de Souza
dc.contributor.author.fl_str_mv Oliveira, Vinicius Alencar
dc.subject.por.fl_str_mv Random Forests
Communities detection
Complex networks
Detecção de comunidades em redes complexas
Espaço de fase
Phase space
Random Forests
Redes complexas
topic Random Forests
Communities detection
Complex networks
Detecção de comunidades em redes complexas
Espaço de fase
Phase space
Random Forests
Redes complexas
description Este estudo aborda a importância da análise de dados no mercado financeiro e a crescente utilização de técnicas de inteligência artificial e aprendizado de máquina para previsões acuradas. Explora-se a necessidade de ferramentas avançadas para lidar com a complexidade dos dados temporais, incluindo métodos não lineares e reconstrução do espaço de fase. A pesquisa propõe três modelos distintos para detecção de tendências em séries temporais financeiras: Redes Complexas, Random Forest sem expansão pelo espaço de fase e Random Forest com expansão pelo espaço de fase. Os resultados indicam melhorias na precisão das previsões de tendência, especialmente nos modelos que incorporaram a reconstrução do espaço de fase. Este estudo contribui para o avanço do conhecimento ao demonstrar a eficácia da combinação de técnicas de redes complexas e aprendizado de máquina na análise de séries temporais financeiras. Além disso, oferece insights valiosos para investidores e gestores de portfólio, possibilitando decisões mais informadas e precisas no mercado financeiro. Apesar das promessas dessas abordagens, algumas limitações foram identificadas, como a necessidade de testar os modelos em um conjunto mais amplo de séries temporais e a complexidade computacional das técnicas propostas. No entanto, essas limitações abrem oportunidades para futuras pesquisas, que podem explorar técnicas de otimização computacional e integração de outras técnicas avançadas de IA e ML para aprimorar a acurácia das previsões de tendência no mercado financeiro.
publishDate 2024
dc.date.none.fl_str_mv 2024-08-15
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/100/100132/tde-10102024-185243/
url https://www.teses.usp.br/teses/disponiveis/100/100132/tde-10102024-185243/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1848370482494046208

Registros relacionados