Trabalho de Conclusão de Curso | Graduação
URI permanente desta comunidadehttps://repositorio.insper.edu.br/handle/11224/3244
Navegar
4 resultados
Resultados da Pesquisa
Trabalho de Conclusão de Curso Estimating Room Temperature Arrival Time(2024) Moura, Adney Costa; Drummond, Felipe Martins da Costa; Lopes, Lorran Caetano Machado; Alessi, Tomas RodriguesThis project aims to develop a predictive model to estimate the temperature decay in a room equipped with air conditioning, using data collected by the Klima device, developed by Boldr, and integrating it into the company’s client environment for visualization. Klima is a device that integrates temperature and humidity sensors, allowing for both the control of air conditioning units and the transmission of data to the cloud, where it is stored and accessed through the company’s application. Based on this historical data, which includes variables such as the air conditioner’s operating mode and the temperature evolution over time, the project seeks to build a model capable of predicting the temperature decay curve of the environment, adapting to the specific behavior of each room. Besides developing the predictive model, the project also aims to integrate these predictions into Boldr’s application, making them accessible to customers, and to update the device’s firmware so that the predictions can also be displayed on a physical screen.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 Otimização de portfólio usando sinais de trading gerados via Machine Learning(2024) Gurgel, Mariana MartinsEsse trabalho tem como objetivo analisar o desempenho de portfólios otimizados a partir da metodologia desenvolvida em Brandt, Santa-Clara e Valnakov (2009) associada a sinais de trading gerados via modelos de Machine Learning. A metodologia em questão permite que os pesos de cada ativo no portfólio sejam definidos como uma função de suas características, enquanto os sinais servem para associar essa informação a uma predição de quais ativos vão performar melhor ou pior que a mediana do mercado, melhorando a seleção dos ativos que estarão no portfólio otimizado. A análise foi conduzida por meio de ações do mercado brasileiro, enquanto as características escolhidas foram seus múltiplos financeiros e os modelos utilizados na geração dos sinais foram o Elastic Net, Random Forest, XGBoost, Support Vector Classifier (SVC), k-NN e Naive Bayes.Trabalho de Conclusão de Curso Risco de crédito utilizando indicadores financeiros e machine learning para empresas Brasileiras listadas na B3(2024) Jou, Jia Shan SuzinA análise de crédito é um tema crucial no setor financeiro, especialmente considerando os desafios na concessão de crédito a indivíduos e empresas, que frequentemente se deparam com a falta de indicadores confiáveis para avaliar o perfil do tomador de crédito. Este artigo visa analisar o risco de default de empresas listadas na B3, focando principalmente na análise de balanços financeiros em formato tanto de cross section quanto painel. Para enriquecer esta análise, serão empregadas ferramentas de machine learning, regressão logística e um algoritmo de Árvore de decisão. O objetivo é identificar padrões nas demonstrações financeiras que possam conferir um poder preditivo ao modelo, auxiliando significativamente na tomada de decisão dos credores. Além disso, a regressão logística será aplicada para equilibrar os grupos de controle e tratamento, minimizando assim o viés de seleção e garantindo a robustez dos resultados.