Uma Abordagem de Reinicialização Reativa One-Shot para Previsão de Séries Temporais Financeiras sob Mudança de Conceito
DOI:
https://doi.org/10.5753/reic.2026.8438Keywords:
Previsão de Séries Temporais, Mercado Financeiro, Mudança de Conceito, Concept Drift, LORAbstract
A previsão de séries temporais é importante para a tomada de decisões no mercado financeiro, mas torna-se desafiadora devido à volatilidade e às mudanças na distribuição dos dados ao longo do tempo — a chamada mudança de conceito (concept drift). Abordagens voltadas a lidar com essa mudança, especialmente as ativas, frequentemente sofrem perda de desempenho por dependerem de janelas de dados grandes para retreinamento. Com base nisso, este trabalho propõe o LOR (Local One-Shot Reset), que utiliza uma única observação para adaptação à mudança. Experimentos com sete séries financeiras reais mostraram que o LOR supera ou se iguala aos métodos tradicionais da literatura que visam tratar o desvio de conceito.
Downloads
Referências
Cai, Z., Jiang, R., Yang, X., Wang, Z., Guo, D., Kobayashi, H. H., Song, X., and Shibasaki, R. (2023). MemDA: Forecasting urban time series with memory-based drift adaptation. In Proceedings of the 32nd ACM International Conference on Information and Knowledge Management, pages 193–202. ACM. DOI: 10.1145/3583780.3614962.
Cavalcante, R. C. (2017). An adaptive learning system for time series forecasting in the presence of concept drift. PhD thesis, Universidade Federal de Pernambuco.
Cavalcante, R. C., Brasileiro, R. C., Souza, V. L., Nobrega, J. P., and Oliveira, A. L. (2016a). Computational intelligence and financial markets: A survey and future directions. Expert Systems with Applications, 55:194–211. DOI: 10.1016/j.eswa.2016.02.006.
Cavalcante, R. C., Minku, L. L., and Oliveira, A. L. I. (2016b). FEDD: Feature extraction for explicit concept drift detection in time series. In 2016 International Joint Conference on Neural Networks (IJCNN), pages 740–747. DOI: 10.1109/IJCNN.2016.7727274.
Gama, J. a., Žliobaitė, I., Bifet, A., Pechenizkiy, M., and Bouchachia, A. (2014). A survey on concept drift adaptation. ACM Computing Surveys, 46(4):1–37. DOI: 10.1145/2523813.
Herbold, S. (2020). Autorank: A python package for automated ranking of classifiers. Journal of Open Source Software, 5(48):2173. DOI: 10.21105/joss.02173.
Hidalgo, J. I. G., Maciel, B. I., and Barros, R. S. (2019). Experimenting with prequential variations for data stream learning evaluation. Computational Intelligence, 35(4):670–692. DOI: 10.1111/coin.12208.
Huang, G.-B., Liang, N.-Y., Rong, H.-J., Saratchandran, P., and Sundararajan, N. (2005). On-line sequential extreme learning machine. Computational Intelligence, 20:232–237. Presented at the IASTED International Conference on Computational Intelligence (CI 2005).
Iwashita, A. S. and Papa, J. a. P. (2019). An overview on concept drift learning. IEEE Access, 7:1532–1547. DOI: 10.1109/ACCESS.2018.2886026.
Lima, M., Neto, M., Silva Filho, T., and Fagundes, R. A. d. A. (2022). Learning under concept drift for regression—a systematic literature review. IEEE Access, 10:45410–45429. DOI: 10.1109/ACCESS.2022.3169785.
Lu, J., Liu, A., Dong, F., Gu, F., Gama, J., and Zhang, G. (2018). Learning under concept drift: A review. IEEE Transactions on Knowledge and Data Engineering, 31(12):2346–2363. DOI: 10.1109/TKDE.2018.2876857.
Montiel, J., Halford, M., Mastelini, S. M., Bolmier, G., Sourty, R., Vaysse, R., Zouitine, A., Gomes, H. M., Read, J., Abdessalem, T., et al. (2021). River: machine learning for streaming data in Python. Journal of Machine Learning Research, 22(110):1–8.
Oliveira, G. H., Minku, L. L., and Oliveira, A. L. (2021). Tackling virtual and real concept drifts: An adaptive gaussian mixture model approach. IEEE Transactions on Knowledge and Data Engineering, 35(2):2048–2060. DOI: 10.1109/TKDE.2021.3099690.
Zhao, L. and Shen, Y. (2025). Proactive model adaptation against concept drift for online time series forecasting. In Proceedings of the 31st ACM SIGKDD Conference on Knowledge Discovery and Data Mining, pages 2020–2031. ACM. DOI: 10.1145/3690624.3709210.
Zheng, W., Zhao, P., Chen, G., Zhou, H., and Tian, Y. (2023). A hybrid spiking neurons embedded LSTM network for multivariate time series learning under concept-drift environment. IEEE Transactions on Knowledge and Data Engineering, 35(7):6561–6574. DOI: 10.1109/TKDE.2022.3178176.
Žliobaitė, I., Pechenizkiy, M., and Gama, J. (2016). An overview of concept drift applications. In Big Data Analysis: New Algorithms for a New Society, pages 91–114. Springer. DOI: 10.1007/978-3-319-26989-4_4.
Downloads
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2026 Os autores
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
