• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Tese de Doutorado
DOI
https://doi.org/10.11606/T.55.2024.tde-13062024-143337
Documento
Autor
Nome completo
Ivan José dos Reis Filho
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Carlos, 2024
Orientador
Banca examinadora
Rezende, Solange Oliveira (Presidente)
Batista, Gustavo Enrique de Almeida Prado Alves
Matsubara, Edson Takashi
Prati, Ronaldo Cristiano
Título em português
Integração de Séries Temporais Financeiras e Informação Textual na Previsão do Mercado de Commodities Agrícola
Palavras-chave em português
Commodities agrícola
Mineração de textos
Multimodalidade
Séries temporais
Resumo em português
O mercado de commodities agrícolas é conhecido por sua volatilidade e complexidade, onde fatores como condições climáticas, demanda global, políticas governamentais e eventos geopolíticos exercem uma influência significativa sobre as decisões dos especialistas e os preços nos mercados. Nos últimos anos, tem havido um crescente interesse em aplicações baseadas em aprendizado de máquina no agronegócio, visando minimizar os desafios impostos pelo cenário caótico e complexo do mercado financeiro. Essas aplicações exploram avanços tecnológicos para aprimorar a previsão de preços e tendências, fornecendo percepções estratégicas aos especialistas do domínio. Recentemente, estudos têm sido desenvolvidos utilizando técnicas de processamento de linguagem natural e dados de séries temporais em diversas estratégias de fusão, gerando representações multimodais alternativas para modelos de previsão. A integração de dados de múltiplas fontes visa proporcionar previsões que considerem fatores não explícitos em dados de séries temporais. No entanto, propor modelos e representações multimodais é desafiador devido ao alinhamento temporal entre dados de textos e séries temporais. Além disso, a disponibilidade de documentos rotulados para o domínio do agronegócio é escassa, o que dificulta a aplicação direta de modelos multimodais. Diante desse cenário, esta tese busca desenvolver e avaliar representações de séries temporais integradas com representações semânticas de textos, explorando abordagens inovadoras para aprimorar previsões de séries temporais enriquecidas com textos e classificações automáticas de notícias com padrões extraídos das séries temporais. As abordagens propostas consideram estratégias que podem ser aplicadas em cenários reais de mercado. Os resultados demonstram que as abordagens propostas podem ser uma alternativa real para melhorar a precisão das previsões em mercados complexos e voláteis, oferecendo uma perspectiva inovadora na integração de dados textuais e séries temporais no contexto do agronegócio.
Título em inglês
Integration of Financial Time Series and Textual Information in Agricultural Commodity Market Forecasting
Palavras-chave em inglês
Agricultural comodities
Multimodality
Text mining
Time series
Resumo em inglês
The agricultural commodities market is known for its volatility and complexity, where factors such as weather conditions, global demand, government policies, and geopolitical events significantly influence experts decisions and prices in the markets. In recent years, there has been a growing interest in machine learning applications in agribusiness, aiming to minimize the challenges posed by the chaotic and complex landscape of the financial market. These applications explore technological advances to improve price and trend forecasting, providing strategic insights to domain experts. Recently, studies have been developed using natural language processing techniques and time series data in various fusion strategies, generating alternative multimodal representations for prediction models. Integrating data from multiple sources aims to provide forecasts considering factors not explicitly present in time series data. However, proposing multimodal models and representations is challenging due to the temporal alignment between text data and time series. Additionally, the availability of labeled documents for the agribusiness domain is scarce, making the direct application of multimodal models difficult. Given this scenario, this thesis aims to develop and evaluate time series representations integrated with semantic text representations, exploring innovative approaches to enhance time series predictions enriched with texts and automatic news classifications with patterns extracted from time series. The proposed approaches consider strategies that can be applied in real market scenarios. The results demonstrate that the proposed approaches can be an alternative to improve forecast accuracy in complex and volatile markets, offering an innovative perspective on integrating textual data and time series in the context of agribusiness.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2024-06-13
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2024. Todos os direitos reservados.