[pt] A previsão de movimentos futuros para o mercado de ações é conhecidamente uma tarefa difícil de ser satisfatoriamente realizada. Além disso, a própria possibilidade desta previsão é constantemente questionada na literatura. O estudo presente investiga se essa dificuldade poderia ser amenizada escolhendo janelas específicas de tempo, onde uma dinâmica mais evidente prevaleça, e se a identificação desses períodos pode ser aprendida através de dados passados. Um framework é proposto para tratar desses problemas. Esse framework é nomeado de Predictability Crawler (P-Craw). A proposta usa rotinas de otimização como o Particle Swarm Optimization (PSO) e Algorítimos Genéticos (GA) para selecionar sub-conjuntos de dados históricos onde modelos de aprendizado estatístico possam ser treinados de forma mais eficiente. Para validar a acurácia do método, este é testado em dois diferentes conjuntos de dados. Primeiro, simulações com diferentes níveis de ruído são geradas. Nelas, o P-Craw é capaz de identificar os subconjuntos ótimos em cenários com 20 por cento a 100 por cento de amostras previsíveis. Por fim, dados de transações intradiárias da bolsa de valores brasileira (BOVESPA) são agregados e processados uma matrix de variáveis de entrada e um vetor de previsões. Quando o P-Craw é testado contra o método usual de treinar os modelos em todo conjunto histórico disponível nos dados da BOVESPA, o framework é capaz de aumentar significativamente o número de vezes que o modelo acerta a direção do movimento do preço das ações, enquanto consegue chegar a reduzir em até 19 por cento o erro médio absoluto da tarefa. / [en] Predicting stock movements in the market its known to be an extremely difficult task. More than that, the predictability of the series itself is a controversial matter. The present study investigates if this difficulty could be alleviated by choosing specific windows of time where a more structured dynamic prevails, and whether the identification of those moments could be learned from past data. In order to do that, a novel framework is proposed. This framework is called the Predictability Crawler (P-Craw). It uses optimizations routines such as the Particle Swarm Optimization (PSO) or Genetic Algorithms (GA) to select subsets of historical data where statistical learning algorithms can be more efficiently trained. To access the accuracy of the method, it is tested against two different datasets. First, simulated data with varying percentage of noise is generated and used. In the simulations, The P-Craw is able to reliably identify the optimal subsets in scenarios ranging from 20 percent to 100 percent of predictable samples in the data. Second, intraday data from the Brazilian stocks exchange (BOVESPA) is collected and aggregated into feature and target matrices. When benchmarked against training with the whole samples in the BOVESPA data, the framework is able to significantly raise the correct directional changes of the trained models while reducing the Mean Absolute Error in up to 19 percent.

[pt] Com o objetivo de desenvolver um sistema de apoio à decisão na área de manutenção embarcada, este trabalho apresenta um modelo para problemas de ordem com restrições: CPSO(mais). Este modelo é a combinação de dois modelos da literatura, o PSO(mais), que apresenta bons resultados em problemas com restrições, e o CPSO, que introduz as modificações necessárias para aplicar o PSO em problemas de ordem. O modelo proposto foi adaptado para resolver o complexo problema de definir a melhor sequência de atividades embarcadas e funcionários alocados, de forma a maximizar o lucro da prestadora de serviço no período de três meses respeitando todas as restrições de prazo de conclusão dos serviços e restrições específicas do segmento offshore. Para avaliar o desempenho deste novo modelo na resolução do problema proposto, duas variantes do CPSO(mais) foram avaliadas frente ao modelo da literatura, CPSO, em seis casos de simulação propostos. Conclui-se pelos resultados das simulações que o modelo CPSO(mais) com inicialização reduzida destaca-se dos demais avaliados por apresentar um tempo de execução moderado e com soluções melhores que as dos demais. / [en] In order to develop an offshore maintenance support system, this work presents a model for constrained combinatorial problems: CPSO(plus). This model is a combination of two models, the PSO(plus), which presented good results in problems with constrains, and the CPSO, which is an adaptation of PSO for application in combinatorial problems. The proposed model has been adapted to solve the complex problem of defining the best sequence of offshore activities and allocated staff so as to maximize service provider profitability within three months while respecting all service completion time constraints and specific offshore work constraints. To evaluate the performance of this new model in solving the proposed problem, two CPSO(plus) variants were evaluated against the literature model, CPSO, in six proposed simulation cases. It is concluded from the results of the simulations that the CPSO(plus) model with reduced initialization outperforms other evaluated models with respect to execution time and solutions to given problem.