Banca de DEFESA: JEFFERSON OLIVEIRA ALVES DE ARAUJO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: JEFFERSON OLIVEIRA ALVES DE ARAUJO
DATA : 01/06/2026
HORA: 10:00
LOCAL: Virtual
TÍTULO:

Aprendizado de Representação de Séries Temporais Financeiras: Uma
Abordagem com Autoencoders Adversariais Convolucionais e Discriminador de
Tendência

 

PALAVRAS-CHAVES:

Séries temporais financeiras; Autoencoder adversarial;
Redes neurais convolucionais; Aprendizado de representação.

 

PÁGINAS: 73
RESUMO:

Séries temporais financeiras apresentam elevado nível de ruído,
volatilidade, não estacionaridade e mudanças frequentes de comportamento,
dificultando a extração de padrões estruturais e a construção de modelos
eficazes para tarefas de predição. Esta dissertação propõe o TE-CNN-AAE, um
autoencoder adversarial convolucional aprimorado por tendência, voltado ao
aprendizado de representação de séries intradiárias de preços. O modelo
utiliza redes convolucionais unidimensionais em uma estrutura
codificador-decodificador para transformar sequências normalizadas de
preços em embeddings compactos, incorporando um Discriminador de Tendência
ao espaço latente para estimular a codificação da direção e da intensidade
dos movimentos de mercado. A proposta é avaliada com dados intradiários dos
ativos que compõem o Dow Jones Industrial Average (DJIA), índice Dow Jones,
amostrados em intervalos de cinco minutos. A qualidade das representações
aprendidas é analisada qualitativamente por meio de projeções UMAP e
quantitativamente em uma tarefa de classificação do movimento do preço no
dia seguinte, utilizando a mesma arquitetura de classificador baseada em
Long Short-Term Memory (LSTM), rede neural com memória de curto e longo
prazo, variando-se apenas a representação fornecida como entrada: dados
brutos pré-processados, embeddings do modelo proposto e embeddings de uma
versão ablada do autoencoder, sem o Discriminador de Tendência. Os
resultados também são comparados a um classificador aleatório de
referência. Os resultados indicam que o TE-CNN-AAE produz representações
latentes mais estruturadas, com maior separabilidade, e melhora o
desempenho preditivo em parte relevante dos ativos avaliados, com ganhos
estatisticamente significativos segundo testes de Mann-Whitney.

 

MEMBROS DA BANCA:
Interno - 1699034 - ADRIANO LORENA INACIO DE OLIVEIRA
Presidente - 1675582 - CLEBER ZANCHETTIN
Externo à Instituição - GUSTAVO HENRIQUE FERREIRA DE MIRANDA OLIVEIRA - UFAL