Publicação: Um algoritmo genético transgênico para otimização de hiperparâmetros de redes long short-term memory aplicado à previsão de preços de café arábica
Carregando...
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Título da Revista
ISSN da Revista
Título de Volume
Orientador
Coorientador
Carneiro, Murillo Guimarães
Resumo
A previsão de séries temporais financeiras constitui um desafio devido à elevada vola-
tilidade, à não linearidade e à complexidade inerentes aos mercados. Nesse contexto, esta
dissertação investiga a utilização de redes neurais Long Short-Term Memory (LSTM) para
a previsão dos preços de fechamento dos contratos futuros de café arábica, tendo como
principal objetivo analisar a contribuição da otimização automática de hiperparâmetros
por algoritmos evolutivos para a construção de modelos capazes de conciliar qualidade pre-
ditiva, desempenho financeiro e custo computacional. Para isso, foram comparadas três
abordagens: uma LSTM com hiperparâmetros fixos, uma LSTM otimizada por Algoritmo
Genético (LSTM-AG) e uma LSTM otimizada por uma adaptação do Algoritmo Gené-
tico Transgênico (LSTM-AGT). A metodologia proposta incorpora um histórico genético
probabilístico e quatro módulos transgênicos ao processo evolutivo, visando modificar
a dinâmica da busca por configurações promissoras. Os experimentos foram realizados
utilizando preços históricos dos contratos futuros de café arábica (KC=F), considerando
as granularidades temporais de quatro horas, diária e semanal. A avaliação contemplou
métricas estatísticas de previsão, análise da convergência e da diversidade populacional,
complexidade arquitetural, custo computacional, eficiência arquitetural e validação finan-
ceira por meio de backtesting. Os resultados demonstraram que a otimização evolutiva
automatizou de forma eficaz a seleção de hiperparâmetros, produzindo arquiteturas com-
petitivas e evidenciando que diferentes frequências temporais demandam configurações
distintas. Observou-se ainda que melhorias nas métricas preditivas não implicam neces-
sariamente melhor desempenho financeiro, reforçando a importância de uma avaliação
integrada entre precisão estatística, desempenho financeiro, complexidade arquitetural
e custo computacional. A adaptação do AGT mostrou-se competitiva na geração de
arquiteturas estruturalmente mais compactas, preservando a diversidade populacional e
produzindo modelos com elevada eficiência arquitetural. Conclui-se que a metodologia
proposta representa uma alternativa promissora para a otimização automática de hiper-
parâmetros de redes LSTM, contribuindo para o avanço da otimização evolutiva aplicada
à Inteligência Artificial e à previsão de séries temporais financeiras.
Abstract
Financial time series forecasting remains a challenging problem due to the high vo-
latility, nonlinearity, and complexity of financial markets. This dissertation investigates
the use of Long Short-Term Memory (LSTM) neural networks to forecast Arabica coffee
futures closing prices, aiming to analyze the contribution of evolutionary hyperparameter
optimization to the development of models capable of balancing predictive performance,
financial performance, and computational cost. Three approaches were compared: a ba-
seline LSTM with fixed hyperparameters, an LSTM optimized by a Genetic Algorithm
(LSTM-GA), and an LSTM optimized by an adapted Transgenetic Genetic Algorithm
(LSTM-TGA). The proposed methodology incorporates a probabilistic genetic history
and four transgenetic modules into the evolutionary process in order to modify the se-
arch dynamics for promising hyperparameter configurations. Experiments were conducted
using historical closing prices of Arabica coffee futures contracts (KC=F) considering th-
ree temporal resolutions: 4-hour, daily, and weekly. Model evaluation included predictive
accuracy metrics, convergence and population diversity analyses, architectural complexity,
computational cost, architectural efficiency, and financial validation through backtesting.
The results demonstrate that evolutionary optimization effectively automated hyperpa-
rameter selection, producing competitive neural architectures and showing that different
temporal resolutions require distinct configurations. Furthermore, improvements in pre-
dictive performance were not necessarily associated with superior financial performance,
highlighting the importance of an integrated evaluation involving predictive accuracy,
financial performance, architectural complexity, and computational cost. The adapted
TGA proved to be a competitive optimization strategy by generating structurally simpler
architectures, preserving population diversity, and producing models with high architec-
tural efficiency. It is concluded that the proposed methodology represents a promising
approach for automatic LSTM hyperparameter optimization, contributing to the advan-
cement of evolutionary optimization applied to Artificial Intelligence and financial time
series forecasting.
Palavras-chave
Previsão de Séries Temporais, Time Series Forecasting, Redes Neurais LSTM, Long Short-Term Memory (LSTM), Algoritmos Evolutivos, Evolutionary Algorithms, Algoritmo Genético Transgênico, Transgenetic Genetic Algorithm, Mercado Financeiro, Financial Market
Citação
MAGALHÃES, Lynyker Carvalho de Oliveira. Um algoritmo genético transgênico para otimização de hiperparâmetros de redes long short-term memory aplicado à previsão de preços de café arábica. 2026. 228 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2026. DOI http://doi.org/10.14393/ufu.di.2026.11040.
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto