No abstract

Neste trabalho, descreve-se um tutorial para resolução do problema de fraude sob um contexto de aprendizado supervisionado em aprendizado de máquina, sendo este tutorial composto por um conjunto de metodologias que possibilitam a construção de um modelo de reconhecimento de transações fraudulentas em pagamentos via cartão de crédito. Para isso, primeiramente é abordado o conceito de fraude em meios de pagamento, suas consequências, e a importância do reconhecimento deste tipo de transação para mitigação de risco. Em seguida, é descrito o problema de aprendizado supervisionado, a partir de uma revisão bibliográfica abordando os principais conceitos desta área, principais aplicações e métodos de avaliação de desempenho dos modelos utilizados para tarefas de classificação. É feita também uma revisão da literatura, descrevendo alguns trabalhos em que houve o uso de métodos clássicos e métodos híbridos para detecção de transações fraudulentas. Descrevem-se ainda as principais metodologias para balanceamento de conjuntos de dados que são aplicáveis ao problema em análise. Ao final do trabalho, são feitas as considerações finais, incluindo também algumas possibilidades de estudos para esta área.

Neste trabalho, propõe-se um novo algoritmo de filtragem de partículas para a estimativa da volatilidade de preços no mercado financeiro a partir do modelo de volatilidade estocástica com alavancagem. Este método é baseado em um filtro de partículas Rao-Blackwellizado, diferindo de métodos anteriores por usar uma aproximação discreta para a função de importância ótima, sendo esta intratável. O desempenho do novo método foi avaliado por meio de simulações numéricas utilizando dados sintéticos, nos quais o algoritmo proposto se mostrou melhor que o estado da arte em termos de métricas de desempenho.

No abstract