Trabalho de Conclusão de Curso | Graduação
URI permanente desta comunidadehttps://repositorio.insper.edu.br/handle/11224/3244
Navegar
2 resultados
Resultados da Pesquisa
Trabalho de Conclusão de Curso Desempenho de carteira long-short de moedas estrangeiras com base em técnicas de machine learning(2024) Wever, Alexandre; Melo, André Barboza Braga de; Borba, Gustavo Paciléo; Sanches, Lucca Barufatti VeliniEste projeto tem como objetivo desenvolver uma plataforma para otimizar decisões de compra e venda de moedas estrangeiras, utilizando técnicas de machine learning. A estratégia aplicada é a long-short, que mantém simultaneamente posições compradas (long) em moedas com expectativa de valorização e vendidas (short) em moedas com expectativa de desvalorização. O problema abordado é a dificuldade em prever movimentos no mercado cambial devido à volatilidade e à complexidade dos fatores externos que o influenciam, o que limita a eficácia de estratégias tradicionais. O uso de machine learning busca aumentar a precisão dessas previsões e identificar oportunidades de investimento que complementem análises convencionais. A metodologia inclui a coleta e análise de dados financeiros diários de pares de moedas indexadas ao dólar, seguida de um processo de ranqueamento para identificar quais moedas devem ser compradas e quais devem ser vendidas. Este trabalho parte dos modelos preditivos já desenvolvidos pela empresa parceira, aprimorando-os com a incorporação de novos sinais financeiros e ajustes na metodologia de ranqueamento, para aumentar a precisão das previsões.Trabalho de Conclusão de Curso Search of shipwrecked people using drone swarms (part 2)(2024) Oliveira, Jorás Custódio Campos de; Andrade, Pedro Henrique Britto Aragão; Falcão, Renato Laffranchi; Rodrigues, Ricardo RibeiroThe project's purpose is to iterate on the given multi-agent Drone Swarm Search Environment (DSSE) and research into Reinforcement Learning methods. The DSSE was created with the direct purpose of using reinforcement learning algorithms to train swarms of drones to execute autonomous maritime search and rescue missions of shipwrecked people in the ocean. The environment simulates the movement of persons-in-water (PIW) considering the ocean's dynamic circumstances and calculates a dynamic map of probabilities to be given to the agents, with two distinct environments, one for rescue scenarios with simulated PIW and a second expanding on state-of-the-art research for maritime coverage search path planning. The DSSE facilitates the training and visualization of drone behavior, the project emphasizes continuous improvement and open accessibility, with the release of the DSSE as an open-source Python package and documentation. The focus is on the continuous improvement of simulation quality and applicability of the environments for research purposes, with development, training and evaluation of Reinforcement learning algorithms to improve the path planning of autonomous agents, for search and rescue maritime scenarios.