• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Dissertação de Mestrado
DOI
https://doi.org/10.11606/D.100.2022.tde-14042022-203642
Documento
Autor
Nome completo
Felipe Augusto de Almeida
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Paulo, 2022
Orientador
Banca examinadora
Lauretto, Marcelo de Souza (Presidente)
Alencar, Airlane Pereira
Liang, Zhao
Souza, Marcio Watanabe Alves de
Título em português
Uso de redes complexas para detecção de tendências em séries temporais: extensões e aplicações em séries temporais de índices financeiros
Palavras-chave em português
Aprendizado computacional
Detecção de tendências
Redes complexas
Séries temporais
Resumo em português
A análise de séries temporais tem desempenhado papel importante em diversas áreas, como meteorologia, economia, medicina, engenharia de produção, entre outras. Essas áreas possuem em comum, além de sua importância crítica no mundo atual, uma complexidade inerente que torna necessária a utilização de ferramentas cada vez mais robustas. Uma área promissora atualmente para a análise e predição das séries temporais é o aprendizado de máquina, sendo que métodos de aprendizado baseados em redes complexas têm sido recentemente propostos. Neste trabalho, um método baseado em redes complexas para detecção de tendências em séries temporais foi avaliado e estendido. Como referência, essa abordagem foi comparada com o algoritmo Random forests, um dos mais conhecidos e difundidos métodos tradicionais de aprendizado de máquina. Nos experimentos realizados, as Random forests apresentaram desempenho superior ao das redes complexas, tanto em acurácia como em custo computacional. Não obstante, a abordagem baseada em redes complexas ainda é relativamente recente e tem potencial para desenvolvimentos futuros
Título em inglês
Use of complex networks to detect trends in time series: extensions and applications in time series of financial indexes
Palavras-chave em inglês
Complex networks
Computational learning
Time series
Trend detection
Resumo em inglês
The analysis of time series has played an important role in several areas, such as meteorology, economics, medicine, production engineering, among others. These areas have in common, in addition to their critical importance in todays world, an inherent complexity that makes it necessary to use increasingly more robust tools. A promising area in time series analysis is machine learning, and learning methods based on complex networks have been recently proposed. In this work, we evaluate and extend a complex network-based method for detecting trends in financial time series. As a benchmark, this approach was compared with the Random forests algorithm, one of the most widespread traditional machine learning methods. In the experiments carried out, Random forests performed better than complex networks, both in terms of accuracy and computational cost. Nevertheless, the approach based on complex networks is still relatively recent and has potential for future developments
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2022-05-12
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2022. Todos os direitos reservados.