Eventos
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 346
Aluno: Igor Felipe Carboni Battaza
Título: "Predição de Regimes de Mercado em Ativos Financeiros: Uma Arquitetura Híbrida Integrando Ontologia, NMC, BERT, LSTM, VIX e GARCH"
Orientador: Cleyton Mário de Oliveira Rodrigues
Coorientador: João Fausto Lorenzato de Oliveira
Examinador Externo: Fabricio Cristófani De Sanz Pires (FITec)
Examinador Interno: Leandro Honorato de Souza Silva
Data-hora: 01 de Agosto de 2025 às 9h
Local: Formato remoto - Google meet
Resumo:
"Esta dissertação propõe uma abordagem híbrida para a predição dos regimes locais de oscilação de ativos financeiros individuais, combinando seleção ontológica de ativos, modelagem probabilística e técnicas de aprendizado profundo. O framework proposto integra: (i) uma ontologia financeira para classificação dinâmica de ativos com base em indicadores fundamentalistas, como liquidez, rentabilidade, endividamento e crescimento; (ii) uma Cadeia de Markov Não Estacionária (NMC), ajustada por cópulas t-Student, com variáveis exógenas como um índice de iliquidez e um índice de sentimento construído a partir de múltiplas variáveis de mercado; e (iii) uma rede neural LSTM que recebe como entrada as saídas do modelo NMC, os estados de mercado previstos por um classificador de sentimentos baseado em BERT especializado em notícias financeiras, além de variáveis adicionais como o índice de volatilidade (VIX) e a volatilidade estimada por GARCH(1,1). Esse framework híbrido busca capturar conjuntamente os fatores fundamentais, sentimentais e probabilísticos que influenciam a dinâmica individual dos ativos. A validação empírica, realizada com dados de março de 2018 a julho de 2020 — incluindo o período da crise da COVID-19 — demonstrou desempenho superior em relação a métodos tradicionais, com acurácia de 97{,}20% e F1-Score de 88{,}59%. Em simulações de backtesting, a estratégia baseada no framework obteve retorno acumulado de 13{,}67%, em comparação a 8{,}62% da estratégia passiva de buy and hold. As contribuições incluem um framework interpretável e modular para predição de regimes de oscilação em ativos individuais, com aplicações práticas em alocação dinâmica de ativos e gestão de riscos."
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 345
Aluno: Pedro Natanael Firmino da Silva
Título: “Alliance Dynamics and Vote Outcome Prediction in the Brazilian Chamber of Deputies"
Orientador: Dimas Cassimiro do Nascimento Filho
Coorientador: Bruno Costa e Silva Nogueira (UFAL)
Examinador Externo: Tiago Figueiredo Vieira (UFAL)
Examinador Interno: Diego Marconi Pinheiro Ferreira Silva
Data-hora: 25 de março de 2026 às 15h
Local: Formato remoto - Google meet
Resumo:
"Legislative roll-call records provide a high-resolution view of how representatives align on institutionally consequential decisions, supporting transparency, accountability, and evidence-based monitoring. In multiparty settings such as the Brazilian Chamber of Deputies, however, coalition structure can be blurred by weakly polarized sessions and noisy similarity edges, and outcome forecasting can be overestimated when temporal leakage is not carefully avoided. This dissertation presents a computational framework that integrates two complementary goals. In Chapter 5, we construct yearly voting-similarity networks among deputies and apply community detection to identify cohesive blocs interpretable as alliances. We propose a noise-reduction strategy based on polarization-aware session filtering and weak-edge pruning before applying the Leiden algorithm, enabling clearer communities and longitudinal analysis of bloc composition from 2004–2023. In Chapter 6, we formulate proposition-level outcome prediction (approved vs. rejected) as a realistic forecasting task under strict chronological evaluation. The VOTE-RAP model combines institutional signals (government orientation), leakage-safe temporal approval patterns (party popularity and historical approval rate), and authorship-based coalition-size proxies, delivering interpretable performance with emphasis on identifying rejections. The empirical results show that explicit noise handling improves modularity (10.95% over a backbone baseline) and that leakage-safe temporal signals enable accurate outcome forecasting (AUROC 0.908; rejected-class F1 0.703) under chronological evaluation. The proposed methods can benefit journalists, oversight institutions, legislative observatories, and public-sector analysts who need transparent tools to track coalition shifts and prioritize propositions for monitoring. "
DEFESA DE TESE DE DOUTORADO Nº 38
Aluna: Arianne Sarmento Torcate
Título: "Arquiteturas Híbridas com Deep-Wavelets e Transfer Learning para Reconhecimento de emoções em Idosos como apoio à Personalização da Musicoterapia".
Orientador: Wellington Pinheiro dos Santos
Examinador Externo: Hugo Valadares Siqueira (UTFPR)
Examinadora Externa: Giselle Machado Magalhães Moreno (UFPE)
Examinador Externo: Allan Kardec Duailibe Barros Filho (UFMA)
Examinador Interno: Cleyton Mário de Oliveira Rodrigues
Data-hora: 27 de fevereiro de 2026 às 8h
Local: formato remoto
Resumo:
"O envelhecimento populacional é um fenômeno crescente que impõe desafios relevantes às áreas da saúde e do cuidado, especialmente no que se refere à promoção da qualidade de vida de idosos. Nesse contexto, sistemas de reconhecimento automático de emoções têm se destacado como ferramentas promissoras para apoiar a personalização de intervenções terapêuticas, como a musicoterapia, sobretudo em populações afetadas por processos demenciais. Diante desse cenário, esta pesquisa tem como objetivo propor arquiteturas híbridas para o reconhecimento de emoções em idosos, considerando abordagens unimodais, baseadas em expressões faciais, e bimodais, integrando expressões faciais e sinais eletroencefalográficos (EEG), com vistas à construção de um núcleo inteligente para um sistema de biofeedback. Para atingir esse objetivo, três estratégias principais foram exploradas: (i) uma abordagem exploratória utilizando Redes Neurais Convolucionais clássicas; (ii) arquiteturas híbridas baseadas em Transfer Learning, empregando redes pré-treinadas para extração de atributos e o classificador Random Forest para a etapa de classificação; e (iii) uma abordagem baseada em Deep-Wavelet Neural Network (DWNN), caracterizada por ser uma rede rasa, sem processo de aprendizado, fundamentada exclusivamente na extração de atributos estatísticos simples (média, mediana, moda, mínimo e máximo) a partir de decomposições wavelet. Diferentes configurações de pré-processamento foram avaliadas, incluindo balanceamento de classes e seleção de atributos. Os resultados demonstraram que, no contexto unimodal, as arquiteturas baseadas em Transfer Learning apresentaram desempenho elevado, com destaque para a LeNet combinada ao Random Forest, que alcançou 96,03% de acurácia na etapa de teste, mesmo utilizando um número reduzido de atributos. A abordagem com DWNN também apresentou resultados expressivos, atingindo 92% de acurácia, evidenciando que uma arquitetura sem aprendizado profundo pode ser altamente competitiva. Nos experimentos bimodais, a integração de expressões faciais e EEG resultou em desempenhos consistentes, com acurácia de até 88,93% para DenseNet baseada em Transfer Learning e 86,65% com DWNN, reforçando o potencial das abordagens híbridas propostas. Além do desempenho obtido, destacam-se como contribuições desta tese a proposição de soluções computacionalmente simples, a validação da DWNN como alternativa viável às redes profundas tradicionais e a construção de uma base de dados autoral de idosos. Os resultados reforçam que, ao contrário da tendência de aumento da complexidade arquitetural, abordagens mais simples podem alcançar desempenho comparável ou superior, contribuindo para aplicações reais, interpretáveis e viáveis no contexto da saúde. O desenvolvimento de um sistema robusto de biofeedback tem potencial não apenas para aprimorar a personalização das terapias, mas também para atuar como ferramenta de apoio à melhoria da qualidade de vida de idosos, especialmente daqueles que enfrentam desafios associados a processos demenciais."
O Programa
