Advanced search options

Advanced Search Options 🞨

Browse by author name (“Author name starts with…”).

Find ETDs with:

in
/  
in
/  
in
/  
in

Written in Published in Earliest date Latest date

Sorted by

Results per page:

Sorted by: relevance · author · university · dateNew search

You searched for +publisher:"Universidade Federal do Amazonas" +contributor:("Cristo, Marco Ant?nio Pinheiro de"). Showing records 1 – 2 of 2 total matches.

Search Limiters

Last 2 Years | English Only

No search limiters apply to these results.

▼ Search Limiters

1. Nascimento, Janderson Borges do. StockNet: A Multivariate Deep Neural Architecture for stock prices prediction.

Degree: 2019, Universidade Federal do Amazonas

Stock price forecasting is an inherently difficult problem. According to the efficient market hypothesis financial prices are unpredictable. However, a great number of machine learning methods have obtained consistent results on anticipating market movements. Most recent time-series prediction methods attempt to predict prices polarity, that is, whether prices have increased or fallen compared to the last time-step. Such approaches are inefficient in real scenarios, as forecasting price polarity alone makes financial planning a hard task, due to the fees and operation costs. Most of these methods use only Recurrent Neural Networks, but recent advances in temporal convolutional networks also may prove to be promising in prediction of general time-series, making better predictions with easier to train models. Recent hybrid architectures have also obtained important results using additional unstructured information from financial news. We propose a novel deep neural architecture to predict stock prices based on Temporal Convolutional Networks and built upon on a state of the art acoustic model for voice synthesis. Experimental results show that our model can consistently improve individual stocks prediction when compared to traditional methods.

A previs?o dos pre?os de a??es ? um problema inerentemente dif?cil. De acordo com a hip?tese do mercado eficiente, os pre?os financeiros s?o imprevis?veis. No entanto, muitos m?todos de aprendizado de m?quina t?m obtido resultados consistentes na antecipa??o de movimentos de mercado. Modelos de previs?o de s?ries temporais recentes t?m tentado prever apenas a polaridade dos pre?os, ou seja, se eles subiram ou ca?ram em rela??o ao passo temporal anterior. Tal abordagem ? ineficiente em cen?rios reais, pois dificulta o planejamento financeiro em virtude dos custos e taxas presentes em cada opera??o. A maioria desses m?todos usa Redes Neurais Recorrentes, por?m, avan?os recentes em redes temporais convolutivas t?m se mostrado promissores na previs?o de s?ries temporais, possibilitando previs?es melhores com modelos mais f?ceis de treinar. Arquiteturas h?bridas tamb?m t?m obtido resultados importantes ao processar informa??es n?o estruturadas de not?cias financeiras. Propomos neste estudo uma nova arquitetura neural profunda para previs?o de pre?o de a??es baseada em Redes Convolucionais Temporais e inspirada em um modelo ac?stico do estado da arte para s?ntese de voz. Resultados experimentais mostram que nosso modelo pode melhorar de forma consistente a previs?o do pre?o de a??es individuais quando comparado aos m?todos tradicionais.

O conte?do do trabalho est? em ingl?s.

Advisors/Committee Members: Cristo, Marco Ant?nio Pinheiro de, 407745202-30, http://lattes.cnpq.br/6261175351521953, Giusti, Rafael, http://lattes.cnpq.br/0613781010575440, Carvalho, Moises Gomes de, http://lattes.cnpq.br/1840067885522796, [email protected].

Subjects/Keywords: Redes neurais (Computa??o); Processamento de linguagem natural (Computa??o); CI?NCIAS EXATAS E DA TERRA: CI?NCIA DA COMPUTA??O: TEORIA DA COMPUTA??O: COMPUTABILIDADE E MODELOS DE COMPUTA??O; Stocks Forecast; Neural Networks; Natural Language Processing; Time-Series Prediction; Redes Neurais; Processamento de Linguagem Natural; Previs?o de S?ries Temporais; Previs?o de A??es

Record DetailsSimilar RecordsGoogle PlusoneFacebookTwitterCiteULikeMendeleyreddit

APA · Chicago · MLA · Vancouver · CSE | Export to Zotero / EndNote / Reference Manager

APA (6th Edition):

Nascimento, J. B. d. (2019). StockNet: A Multivariate Deep Neural Architecture for stock prices prediction. (Masters Thesis). Universidade Federal do Amazonas. Retrieved from https://tede.ufam.edu.br/handle/tede/7409

Chicago Manual of Style (16th Edition):

Nascimento, Janderson Borges do. “StockNet: A Multivariate Deep Neural Architecture for stock prices prediction.” 2019. Masters Thesis, Universidade Federal do Amazonas. Accessed August 13, 2020. https://tede.ufam.edu.br/handle/tede/7409.

MLA Handbook (7th Edition):

Nascimento, Janderson Borges do. “StockNet: A Multivariate Deep Neural Architecture for stock prices prediction.” 2019. Web. 13 Aug 2020.

Vancouver:

Nascimento JBd. StockNet: A Multivariate Deep Neural Architecture for stock prices prediction. [Internet] [Masters thesis]. Universidade Federal do Amazonas; 2019. [cited 2020 Aug 13]. Available from: https://tede.ufam.edu.br/handle/tede/7409.

Council of Science Editors:

Nascimento JBd. StockNet: A Multivariate Deep Neural Architecture for stock prices prediction. [Masters Thesis]. Universidade Federal do Amazonas; 2019. Available from: https://tede.ufam.edu.br/handle/tede/7409

2. Silveira, Denys Dion?sio Bezerra. Modelos de T?picos baseados em Autocodificadores Variacionais utilizando as distribui??es Gumbel-Softmax e mistura de Normais-Log?sticas.

Degree: 2018, Universidade Federal do Amazonas

Modelos probabil?sticos de t?picos s?o modelos estat?sticos capazes de identificar t?picos em uma cole??o de texto. Eles s?o amplamente aplicados em tarefas relacionadas ? ?rea de Processamento de Linguagem Natural, uma vez que capturam com sucesso rela??es latentes por meio da an?lise de dados n?o rotulados. Entretanto, solu??es anal?ticas para a infer?ncia Bayesiana desses modelos s?o geralmente intrat?veis, dificultando a proposta de modelos probabil?sticos que sejam mais expressivos. Neste cen?rio, os Autocodificadores Variacionais (ACVs), m?todos que empregam uma rede de infer?ncia baseada em redes neurais respons?vel por estimar a distribui??o a posteriori, tornaram-se uma alternativa promissora para inferir distribui??es de t?picos em cole??es de texto. Estes modelos, contudo, tamb?m introduzem novos desafios, tal como a necessidade de distribui??es cont?nuas e reparametriz?veis que podem n?o se ajustar ?s distribui??es reais dos t?picos. Al?m disso, redes de infer?ncia tendem a apresentar um problema conhecido como colapso de componentes, onde apenas alguns t?picos contendo poucos termos correlacionados s?o efetivamente extra?dos. Para tentar evitar estes problemas, prop?em-se dois novos m?todos de t?picos. O primeiro (GSDTM) ? baseado em uma distribui??o cont?nua pseudocateg?rica denominada Gumbel-Softmax, capaz de gerar amostras aproximadamente categ?ricas, enquanto o segundo (LMDTM) adota uma mistura de distribui??es Normais-log?sticas, que pode ser adequada em cen?rios onde a distribui??o dos dados ? complexa. Apresenta-se tamb?m um estudo sobre o impacto que diferentes escolhas de modelagem t?m sobre os t?picos gerados, observando um compromisso entre coer?ncia dos t?picos e a qualidade do modelo gerador. Por meio de experimentos usando duas cole??es de dados de refer?ncia, tr?s m?tricas distintas de avalia??o quantitativa e uma inspe??o qualitativa, mostra-se que o modelo GSDTM supera de forma significativa os modelos de t?picos considerados estado da arte em grande parte dos cen?rios de teste, em termos de coer?ncia m?dia de t?picos e perplexidade.

Probabilistic topic models are statistical models which are able to identify topics on textual data. They are widely applied in many tasks related to Natural Language Processing due to their effective use of unlabeled data to capture latent relations. Analytical solutions for Bayesian inference of such models, however, are usually intractable, hindering the proposition of highly expressive text models. In this scenario, Variational Auto-Encoders (VAEs), where an artificial neural-based inference network is used to approximate the posterior distribution, became a promising alternative for inferring latent topic distributions of text documents. These models, however, also pose new challenges such as the requirement of continuous and reparameterizable distributions which may not fit so well the true latent topic distributions. Moreover, inference networks are prone to a well-known problem called component collapsing, where a little number of topics are…

Advisors/Committee Members: Cristo, Marco Ant?nio Pinheiro de, [email protected], http://lattes.cnpq.br/6261175351521953, Carvalho, Andr? Luiz da Costa, http://lattes.cnpq.br/4863447798119856, Colonna, Juan Gabriel, http://lattes.cnpq.br/9535853909210803, Pappa, Gisele Lobo, http://lattes.cnpq.br/5936682335701497, Carvalho, Andr? Luiz da Costa, http://lattes.cnpq.br/4863447798119856, [email protected].

Subjects/Keywords: Redes neurais (Computa??o); Teoria bayesiana de decis?o estat?stica; CI?NCIAS EXATAS E DA TERRA; CI?NCIAS EXATAS E DA TERRA: CI?NCIA DA COMPUTA??O; Modelos de T?picos; Autocodificadores Variacionais; Infer?ncia Bayesiana; Aprendizagem Profunda

Record DetailsSimilar RecordsGoogle PlusoneFacebookTwitterCiteULikeMendeleyreddit

APA · Chicago · MLA · Vancouver · CSE | Export to Zotero / EndNote / Reference Manager

APA (6th Edition):

Silveira, D. D. B. (2018). Modelos de T?picos baseados em Autocodificadores Variacionais utilizando as distribui??es Gumbel-Softmax e mistura de Normais-Log?sticas. (Masters Thesis). Universidade Federal do Amazonas. Retrieved from https://tede.ufam.edu.br/handle/tede/7439

Chicago Manual of Style (16th Edition):

Silveira, Denys Dion?sio Bezerra. “Modelos de T?picos baseados em Autocodificadores Variacionais utilizando as distribui??es Gumbel-Softmax e mistura de Normais-Log?sticas.” 2018. Masters Thesis, Universidade Federal do Amazonas. Accessed August 13, 2020. https://tede.ufam.edu.br/handle/tede/7439.

MLA Handbook (7th Edition):

Silveira, Denys Dion?sio Bezerra. “Modelos de T?picos baseados em Autocodificadores Variacionais utilizando as distribui??es Gumbel-Softmax e mistura de Normais-Log?sticas.” 2018. Web. 13 Aug 2020.

Vancouver:

Silveira DDB. Modelos de T?picos baseados em Autocodificadores Variacionais utilizando as distribui??es Gumbel-Softmax e mistura de Normais-Log?sticas. [Internet] [Masters thesis]. Universidade Federal do Amazonas; 2018. [cited 2020 Aug 13]. Available from: https://tede.ufam.edu.br/handle/tede/7439.

Council of Science Editors:

Silveira DDB. Modelos de T?picos baseados em Autocodificadores Variacionais utilizando as distribui??es Gumbel-Softmax e mistura de Normais-Log?sticas. [Masters Thesis]. Universidade Federal do Amazonas; 2018. Available from: https://tede.ufam.edu.br/handle/tede/7439

.