Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.282
Aluno: Jefferson Oliveira Alves de Araujo
Orientador: Prof. Adriano Lorena Inacio de Oliveira
Título: Aprendizado de Representação de Séries Temporais Financeiras: Uma
Abordagem com Autoencoders Adversariais Convolucionais e Discriminador de
Tendência
Data: 01/06/2026
Hora/Local: 10h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Cleber Zanchettin (UFPE / Centro de Informática)
Prof. Gustavo Henrique Ferreira de Miranda Oliveira(UFAL / Unidade Educacional de Penedo)
Prof. Adriano Lorena Inacio de Oliveira (UFPE / Centro de Informática)
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.
Palavras-chave: Séries temporais financeiras; Autoencoder adversarial; Redes neurais convolucionais; Aprendizado de representação.
Comentários desativados