1 |
[pt] INVESTIGANDO REGIMES ÓTIMOS PARA PREVISÃO NO MERCADO DE AÇÕES / [en] INVESTIGATING OPTIMAL REGIMES FOR PREDICTION IN THE STOCK MARKETRODRIGO CANTO CORBELLI 11 May 2020 (has links)
[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.
|
2 |
[pt] DESENVOLVIMENTO DE SISTEMA DE AGENDAMENTO DE SERVIÇOS DE MANUTENÇÃO DE PLATAFORMAS COM ALOCAÇÃO DE FUNCIONÁRIOS / [en] DEVELOPMENT OF OFFSHORE MAINTENANCE SERVICE SCHEDULING SYSTEM WITH WORKERS ALLOCATIONGUILHERME ANGELO LEITE 09 February 2021 (has links)
[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.
|
Page generated in 0.0222 seconds