Navegando por Autor "Ferreira, Fernando Garcia Diniz Campos"
Agora exibindo 1 - 3 de 3
Resultados por página
Opções de Ordenação
Item Análise de integração da classificação de tendências financeiras e otimização de portfólios(Centro Federal de Educação Tecnológica de Minas Gerais, 2022-11-24) Ferreira, Fernando Garcia Diniz Campos; Cardoso, Rodrigo Tomás Nogueira; http://lattes.cnpq.br/5174842920583671; http://lattes.cnpq.br/4126688051850017; Cardoso, Rodrigo Tomás Nogueira; Guimarães, Frederico Gadelha; Paiva, Felipe Dias; Magalhães, Arthur Rodrigo Bosco de; Pereira, Adriano César MachadoA área de Finanças Computacionais é marcada por profundas mudanças nas últimas décadas provenientes do surgimento de um rápido desenvolvimento tecnológico que permitiu a incorporação de técnicas computacionais complexas para modelagem e predição dos movimentos dos preços no Mercado Financeiro. Neste cenário, este trabalho propõe um arcabouço computacional composto por diferentes modelos e técnicas de otimização de portfólios financeiros e de classificação de tendências de ativos financeiros, além de proporcionar diferentes formas de integração das duas abordagens. Assim, o arcabouço é composto por quatro modelos propostos para otimização de portfólio e um método para a solução de cada um desses modelos, além de doze algoritmos de classificação utilizando conjuntos de atributos também propostos no trabalho e, por fim, três formas de integração dos métodos de otimização e classificação são considerados. Para os métodos de otimização de portfólio, métodos exatos apresentam melhores soluções, apesar de apresentarem tempos de execução muito maiores que meta-heurísticas. Para a classificação de tendências, os resultados indicam que o Convolutional Neural Network (CNN) foi é o algoritmo que apresenta o melhor desempenho, no geral, considerando os classificadores utilizados. Simulações de investimentos mostram que negociações a uma frequência maior geram custos de transação maiores, podendo inviabilizar a utilização da metodologia proposta. Combinações de otimização de portfólios e classificações financeiras podem aproveitar as vantagens de ambas as abordagens, como mostrado pelos resultados que apresentam maiores retornos acumulados para métodos combinados. Finalmente, pode-se observar que os melhores métodos de otimização e classificação dependem muito da estratégia de operação adotada e das preferências do investidor, justificando o desenvolvimento deste arcabouço computacional proposto, composto por vários métodos.Item Trasmissão adaptativa de vídeo em IoT utilizando aprendizado de máquinas(Centro Federal de Educação Tecnológica de Minas Gerais, 2025-12-16) Pereira Junior, Rogério Perez; Bhering, Fabiano Pereira; Ferreira, Fernando Garcia Diniz Campos; http://lattes.cnpq.br/4126688051850017; http://lattes.cnpq.br/6310147796607948; http://lattes.cnpq.br/9191839290489356; Bhering, Fabiano Pereira; Ferreira, Fernado Garcia Diniz Campos; Silva, José Eduardo Henriques da; Nazare, Tiago BittencourtEste trabalho apresenta uma estratégia para roteamento adaptativo em transmissão de vídeo em ambientes de Internet das Coisas (IoT), considerando a movimentação das taxas de bits geradas pelos fluxos de vídeo. O método proposto baseia-se na classificação automática da variação das taxas de bits de vídeo, uma métrica estatística que reflete a dinâmica do movimento e a complexidade das cenas. Essas informações, combinadas com parâmetros como a taxa de quadros (FPS), são utilizadas para estimar as necessidades de fluxo e auxiliar na seleção de rotas no framework FITPATH, visando otimizar a qualidade de serviço (QoS) e a experiência do usuário (QoE) em cenários heterogêneos. A avaliação da proposta foi realizada por meio de experimentos e simulações, considerando diferentes tipos de movimentações de cenas. Os resultados demonstram o potencial da proposta para integração com roteamento adaptativo ciente do tráfego do vídeo.Item Uso de algoritmos de aprendizado de máquina na previsão de ativos financeiros utilizando indicadores técnicos: avaliação de modelos preditivos em séries temporais financeiras(Centro Federal de Educação Tecnológica de Minas Gerais, 2026-06-19) Fernandes, Vinícius Lima; Basílio, Samuel da Costa Alves; Ferreira, Fernando Garcia Diniz Campos; http://lattes.cnpq.br/4126688051850017; http://lattes.cnpq.br/6188828001943466; http://lattes.cnpq.br/3836261899945973; Basílio, Samuel da Costa Alves; Ferreira, Fernando Garcia Diniz Campos; Silva, José Eduardo Henriques da; Oliveira, Luan SoaresPrever o comportamento de um ativo no mercado financeiro é uma tarefa complexa, uma vez que seu valor é determinado pela combinação de diversos fatores, como condições econômicas, políticas, emocionais e até mesmo comportamentais dos agentes de mercado. Nesse contexto, as criptomoedas representam ativos com características distintas dos mercados tradicionais, como alta volatilidade e ausência de regulação centralizada, o que torna a previsão de sua tendência ainda mais desafiadora. Este trabalho tem como objetivo avaliar o desempenho de diferentes algoritmos de aprendizado de máquina na previsão de tendências de criptomoedas com características distintas de mercado, verificando como essas características influenciam na eficácia dos modelos. Para isso, foram utilizados os modelos Random Forest (RF), K-Nearest Neighbors (KNN) e Long Short-Term Memory (LSTM), aplicados ao Bitcoin (BTC), Ethereum (ETH) e Cardano (ADA), representando respectivamente um ativo de referência, um cenário de maior estabilidade e um cenário de maior volatilidade. Os indicadores técnicos foram utilizados como entrada para os modelos, com foco na métrica de Precisão como critério principal de avaliação. Cada modelo foi executado por trinta simulações independentes, permitindo a análise estatística. O ETH, representando o cenário mais estável, apresentou os piores resultados de precisão, com modelos próximos ao limiar aleatório de 50%. O ADA, representando o cenário mais volátil, produziu os melhores retornos financeiros. O LSTM foi o único modelo a superar significativamente o buy and hold nos três ativos simultaneamente, demonstrando maior capacidade de generalização entre diferentes cenários de mercado.