Linha de pesquisa: Inteligência Artificial
Resumo: A previsão de séries temporais financeiras constitui um desafio devido à elevada volatilidade, à não linearidade e à complexidade inerentes aos mercados. Nesse contexto, esta dissertação investiga a utilização de redes neurais Long Short-Term Memory (LSTM) para a previsão dos preços de fechamento dos contratos futuros de café arábica, tendo como principal objetivo analisar a contribuição da otimização automática de hiperparâmetros por algoritmos evolutivos para a construção de modelos capazes de conciliar qualidade preditiva, desempenho financeiro e custo computacional. Para isso, foram comparadas três abordagens: uma LSTM com hiperparâmetros fixos, uma LSTM otimizada por Algoritmo Genético (LSTM-AG) e uma LSTM otimizada por uma adaptação do Algoritmo Genético Transgênico (LSTM-AGT). A metodologia proposta incorpora um histórico genético probabilístico e quatro módulos transgênicos ao processo evolutivo, visando modificar a dinâmica da busca por configurações promissoras. Os experimentos foram realizados utilizando preços históricos dos contratos futuros de café arábica (KC=F), considerando as granularidades temporais de quatro horas, diária e semanal. A avaliação contemplou métricas estatísticas de previsão, análise da convergência e da diversidade populacional, complexidade arquitetural, custo computacional, eficiência arquitetural e validação financeira por meio de backtesting. Os resultados demonstraram que a otimização evolutiva automatizou de forma eficaz a seleção de hiperparâmetros, produzindo arquiteturas competitivas e evidenciando que diferentes frequências temporais demandam configurações distintas. Observou-se ainda que melhorias nas métricas preditivas não implicam necessariamente melhor desempenho financeiro, reforçando a importância de uma avaliação integrada entre precisão estatística, desempenho financeiro, complexidade arquitetural e custo computacional. A adaptação do Algoritmo Genético Transgênico mostrou-se competitiva na geração de arquiteturas estruturalmente mais compactas, preservando a diversidade populacional e produzindo modelos com elevada eficiência arquitetural. Conclui-se que a metodologia proposta representa uma alternativa promissora para a otimização automática de hiperparâmetros de redes LSTM, contribuindo para o avanço da otimização evolutiva aplicada à Inteligência Artificial e à previsão de séries temporais financeiras.

Link para a defesa: https://teams.microsoft.com/meet/275858540755332?p=n1mI03fbyp7tsVVt58