Técnicas de seleção de atributos através de Random Forests: um estudo de caso para detecção de tendências em séries temporais financeiras

Detalhes bibliográficos
Autor(a) principal: Marteletto, Sérgio Reinaldo
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
Texto Completo: https://www.teses.usp.br/teses/disponiveis/100/100132/tde-08032023-134543/
Resumo: Nas últimas décadas tem havido um interesse crescente em prever o comportamento futuro dos mercados financeiros. Pesquisadores investigam esse problema modelando uma representação conveniente para os dados, as chamadas séries temporais, apesar da dificuldade de estudá-las com precisão devido aos seus padrões não lineares e não estacionários. Além disso, a questão da alta dimensionalidade, presente no conjunto de dados, reduz o entendimento das relações de dependência entre as observações. O uso de novas tecnologias em finanças, como o aprendizado de máquina, busca extrair e analisar informações sobre o preço dos ativos e fluxos de negociação em um ambiente competitivo de risco-retorno. Esse trabalho propõe a análise comparativa de técnicas modernas de seleção de atributos VSURF (Variable Selection Using Random Forests) e RFE ( Recursive Feature Elimination), a fim de reduzir a dimensionalidade na base de dados. Os resultados obtidos foram consistentes e não causaram perda da capacidade preditiva do modelo.
id USP_07924ea09d050c956fb9494818bebd9a
oai_identifier_str oai:teses.usp.br:tde-08032023-134543
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling Técnicas de seleção de atributos através de Random Forests: um estudo de caso para detecção de tendências em séries temporais financeirasFeature selection techniques using Random Forests: a case study for detecting trends in financial time seriesRandom forestsAprendizado de máquinaFeature selectionMachine learningRandom forestsSeleção de atributosSéries temporaisTime seriesNas últimas décadas tem havido um interesse crescente em prever o comportamento futuro dos mercados financeiros. Pesquisadores investigam esse problema modelando uma representação conveniente para os dados, as chamadas séries temporais, apesar da dificuldade de estudá-las com precisão devido aos seus padrões não lineares e não estacionários. Além disso, a questão da alta dimensionalidade, presente no conjunto de dados, reduz o entendimento das relações de dependência entre as observações. O uso de novas tecnologias em finanças, como o aprendizado de máquina, busca extrair e analisar informações sobre o preço dos ativos e fluxos de negociação em um ambiente competitivo de risco-retorno. Esse trabalho propõe a análise comparativa de técnicas modernas de seleção de atributos VSURF (Variable Selection Using Random Forests) e RFE ( Recursive Feature Elimination), a fim de reduzir a dimensionalidade na base de dados. Os resultados obtidos foram consistentes e não causaram perda da capacidade preditiva do modelo.In recent decades there has been a growing interest in predicting the future behavior of financial markets. Researchers investigate this problem by modeling a convenient representation of the data, the so-called time series, despite the difficulty of studying them accurately due to their non-linear and non-stationary patterns. In addition, the issue of high dimensionality present in the dataset reduces the understanding of the dependence relationships between the observations. The use of new technologies in finance, such as machine learning, seeks to extract and analyze information about asset prices and trading flows in a competitive risk-return environment. This work proposes a comparative analysis of modern feature selection techniques VSURF (Variable Selection Using Random Forests) and RFE (Recursive Feature Elimination), in order to reduce the dimensionality present in the dataset. The results obtained were consistent and did not cause predictive ability of the model.Biblioteca Digitais de Teses e Dissertações da USPLauretto, Marcelo de SouzaMarteletto, Sérgio Reinaldo2022-05-11info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/100/100132/tde-08032023-134543/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/openAccesspor2023-05-19T13:28:51Zoai:teses.usp.br:tde-08032023-134543Biblioteca 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:27212023-05-19T13:28:51Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Técnicas de seleção de atributos através de Random Forests: um estudo de caso para detecção de tendências em séries temporais financeiras
Feature selection techniques using Random Forests: a case study for detecting trends in financial time series
title Técnicas de seleção de atributos através de Random Forests: um estudo de caso para detecção de tendências em séries temporais financeiras
spellingShingle Técnicas de seleção de atributos através de Random Forests: um estudo de caso para detecção de tendências em séries temporais financeiras
Marteletto, Sérgio Reinaldo
Random forests
Aprendizado de máquina
Feature selection
Machine learning
Random forests
Seleção de atributos
Séries temporais
Time series
title_short Técnicas de seleção de atributos através de Random Forests: um estudo de caso para detecção de tendências em séries temporais financeiras
title_full Técnicas de seleção de atributos através de Random Forests: um estudo de caso para detecção de tendências em séries temporais financeiras
title_fullStr Técnicas de seleção de atributos através de Random Forests: um estudo de caso para detecção de tendências em séries temporais financeiras
title_full_unstemmed Técnicas de seleção de atributos através de Random Forests: um estudo de caso para detecção de tendências em séries temporais financeiras
title_sort Técnicas de seleção de atributos através de Random Forests: um estudo de caso para detecção de tendências em séries temporais financeiras
author Marteletto, Sérgio Reinaldo
author_facet Marteletto, Sérgio Reinaldo
author_role author
dc.contributor.none.fl_str_mv Lauretto, Marcelo de Souza
dc.contributor.author.fl_str_mv Marteletto, Sérgio Reinaldo
dc.subject.por.fl_str_mv Random forests
Aprendizado de máquina
Feature selection
Machine learning
Random forests
Seleção de atributos
Séries temporais
Time series
topic Random forests
Aprendizado de máquina
Feature selection
Machine learning
Random forests
Seleção de atributos
Séries temporais
Time series
description Nas últimas décadas tem havido um interesse crescente em prever o comportamento futuro dos mercados financeiros. Pesquisadores investigam esse problema modelando uma representação conveniente para os dados, as chamadas séries temporais, apesar da dificuldade de estudá-las com precisão devido aos seus padrões não lineares e não estacionários. Além disso, a questão da alta dimensionalidade, presente no conjunto de dados, reduz o entendimento das relações de dependência entre as observações. O uso de novas tecnologias em finanças, como o aprendizado de máquina, busca extrair e analisar informações sobre o preço dos ativos e fluxos de negociação em um ambiente competitivo de risco-retorno. Esse trabalho propõe a análise comparativa de técnicas modernas de seleção de atributos VSURF (Variable Selection Using Random Forests) e RFE ( Recursive Feature Elimination), a fim de reduzir a dimensionalidade na base de dados. Os resultados obtidos foram consistentes e não causaram perda da capacidade preditiva do modelo.
publishDate 2022
dc.date.none.fl_str_mv 2022-05-11
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-08032023-134543/
url https://www.teses.usp.br/teses/disponiveis/100/100132/tde-08032023-134543/
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_ 1815256796189687808