OASIS: An Online Adaptive System with Incremental Selection for Concept Drift in Financial Time Series Forecasting

• Liedson D. O. Leite UFAL
• Gabriel F. Sarmento UFAL
• Gustavo H. F. de M. Oliveira UFAL

DOI: https://doi.org/10.5753/eniac.2025.11799

Resumo

A previsão de séries temporais financeiras é necessária para decisões econômicas, mas a instabilidade causada pela mudança de conceito (concept drift) tende a comprometer a acurácia dos modelos ao alterar a distribuição dos dados ao longo do tempo. Embora alguns estudos abordem a mudança de conceito, muitos ainda falham em lidar adequadamente com suas variações — a real e a virtual — o que limita a eficácia dos modelos nesses cenários não estacionários. Por isso, este trabalho propõe o OASIS (On-line Adaptive System with Incremental Selection). Resultados em sete séries financeiras demonstraram que o OASIS supera ou se iguala aos métodos da literatura que também se propõem a lidar com a mudança de conceito.

Referências

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.

Cavalcante, R. C., Minku, L. L., and Oliveira, A. L. (2016b). Fedd: Feature extraction for explicit concept drift detection in time series. In 2016 International joint conference on neural networks (IJCNN), pages 740–747. IEEE.

Cavalcante, R. C. and Oliveira, A. L. (2015). An approach to handle concept drift in financial time series based on extreme learning machines and explicit drift detection. In 2015 international joint conference on neural networks (IJCNN), pages 1–8. IEEE.

de Oliveira, J. F., Silva, E. G., and de Mattos Neto, P. S. (2021). A hybrid system based on dynamic selection for time series forecasting. IEEE Transactions on Neural Networks and Learning Systems, 33(8):3251–3263.

Gama, J., Žliobaitė, I., Bifet, A., Pechenizkiy, M., and Bouchachia, A. (2014). A survey on concept drift adaptation. ACM computing surveys (CSUR), 46(4):1–37.

Herbold, S. (2020). Autorank: A python package for automated ranking of classifiers. Journal of Open Source Software, 5(48):2173.

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.

Huang, G.-B., Liang, N.-Y., Rong, H.-J., Saratchandran, P., and Sundararajan, N. (2005). On-line sequential extreme learning machine. Computational Intelligence, 2005:232–237.

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.

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.

Martins, L. E. V. et al. (2016). Modelos de volatilidade: Um estudo comparativo.

Matsumoto, D. K. F. et al. (2019). Estudo em séries temporais financeiras utilizando redes neurais recorrentes.

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.

Oliveira, G. H., Cavalcante, R. C., Cabral, G. G., Minku, L. L., and Oliveira, A. L. (2017). Time series forecasting in the presence of concept drift: A pso-based approach. In 2017 IEEE 29th International Conference on Tools with Artificial Intelligence (ICTAI), pages 239–246. IEEE.

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.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.

Raimundo, M. S. (2018). Desenvolvimento de um modelo adaptativo baseado em um sistema SVR-Wavelet híbrido para previsão de séries temporais financeiras. PhD thesis, Universidade de São Paulo.

Saini, R., Mussbacher, G., Guo, J. L., and Kienzle, J. (2022). Machine learning-based incremental learning in interactive domain modelling. In Proceedings of the 25th International Conference on Model Driven Engineering Languages and Systems, pages 176–186.

SILVA, E. G. d. (2021). Uma abordagem de seleção dinâmica de preditores baseada nas janelas temporais mais recentes.