Paulo Andre Lima de Castro

Nomes em citações bibliográficas

CASTRO, P. A. L.;CASTRO, PAULO ANDRÉ LIMA DE;CASTRO, PAULO ANDRÉ LIMA;Castro, Paulo André L.;DE CASTRO, PAULO ANDRÉ LIMA;DE CASTRO, PAULO ANDRE LIMA;CASTRO, PAULO ANDRÉ;CASTRO, PAULO ANDRE;LIMA DE CASTRO, PAULO ANDRE;LIMA DE CASTRO, PAULO ANDRÉ;ANDRÉ LIMA DE CASTRO, PAULO;ANDRE LIMA DE CASTRO, PAULO

Exportar dados

Exportar produção no formato BIBTEX

Perfis na web

Tags mais usadas

Formação

Ensino

Orientações e supervisões

Tese de doutorado em andamento

• Gabriel Adriano de Melo

  Deep Learning aplicado a rastreamento óptico monocular 6-DOF embarcado

  Engenharia Eletrônica e Computação

  Instituto Tecnológico de Aeronáutica

  Desde 2020

• Gustavo de Freitas Fonseca

  Utilização da Ciência de Dados e Inteligência Artificial como Ferramentas para Elaboração de Estratégias de Pairs Trading no Mercado de Ações e Opções

  Engenharia Eletrônica e Computação

  Instituto Tecnológico de Aeronáutica

  Desde 2020

• Luciano Severo Bittencourt

  Reconhecimento de Padrões para Aplicações de Defesa

  Engenharia Eletrônica e Computação

  COMANDO DA AERONAUTICA

  Instituto Tecnológico de Aeronáutica

  Desde 2019

Dissertação de mestrado em andamento

• Claudio Lisas Bonfim Gonçalves

  Sistema Inteligente de Pré-Projeto de Redes Elétricas Aéreas para atendimento a Novas Ligações em Áreas Urbanas

  Mestrado Profissional em Computação

  Instituto Tecnológico de Aeronáutica

  Desde 2022

• Gabriel José Costa Barros

  Sistema de condução autônoma de trens

  Mestrado Profissional em Computação

  Instituto Tecnológico de Aeronáutica

  Desde 2022

• Amanda Ferraz

  Sistema inteligente de apoio a análise de crédito

  Mestrado Profissional em Computação

  Instituto Tecnológico de Aeronáutica

  Desde 2021

• Ricardo Gabriel Pontes Lins

  Modeling autonomous agents based on Behavioral Finance for Cryptomarkets

  Engenharia Eletrônica e Computação

  Instituto Tecnológico de Aeronáutica

  Desde 2020

Tese de doutorado concluídas

• Alberto Atilio Sbrana Júnior

  Deep Learning for Robust Cryptocurrency Portfolio Forecasting: The N-BEATS Perceiver Model and the Binance Portfolio Forecasting Hourly VWAP Dataset

  Engenharia Eletrônica e Computação

  Instituto Tecnológico de Aeronáutica

  Concluído em 2023

Dissertação de mestrado concluídas

• Iuri de Oliveira Parada

  A Synthetic Dataset Approach For a Vision Based Non-Cooperative Airborne Object Detection System

  Engenharia Aeronautica

  Instituto Tecnológico de Aeronáutica

  Concluído em 2023

• Fidel Esteves do Nascimento

  Deep Reinforcement Learning Applied to Portfolio Allocation: A Low Dimensional Approach

  Engenharia Eletrônica e Computação

  Instituto Tecnológico de Aeronáutica

  Concluído em 2023

• Marcel Soares Ribeiro

  Applying Machine Learning techniques to refine Technical Analysis based Trading

  Engenharia Eletrônica e Computação

  Instituto Tecnológico de Aeronáutica

  Concluído em 2018

• Bruno Correia Almeida

  Deep Learning aplicado a DIireção autônoma baseada em visão

  Engenharia Eletrônica e Computação

  Instituto Tecnológico de Aeronáutica

  Concluído em 2018

• Gabriel Ilharco Magalhães

  RECONHECIMENTO DE SINAIS PARA LIBRAS COM DEEP LEARNING

  Engenharia Eletrônica e Computação

  Instituto Tecnológico de Aeronáutica

  Concluído em 2018

• Rafael Salema Marques

  MADEC: UMA ARQUITETURA MULTIAGENTE IMUNOINSPIRADA PARA IDENTIFICAR EXFILTRAÇÃO DE INFORMAÇÕES POR CÓDIGOS MALICIOSOS

  Engenharia Eletrônica e Computação

  Instituto Tecnológico de Aeronáutica

  Concluído em 2016

• Anderson Rodrigo Barretto Teodoro

  ANÁLISE DISTRIBUIDA DE DADOS PARA DETECÇÃO DE ANOMALIAS NO CONTEXTO DE OPERAÇÕES FINANCEIRAS

  Engenharia Eletrônica e Computação

  Conselho Nacional de Desenvolvimento Científico e Tecnológico

  Instituto Tecnológico de Aeronáutica

  Concluído em 2014

Gestão

Instituto Tecnológico de Aeronáutica

• Coordenador de curso de pós-graduação lato sensu

  Divisão de Ciência da Computação

  Desde 2012

• Vice-Chefe da Divisão de Ciência da Computação

  Divisão de Ciência da Computação

  Desde 2018

• Chefe do Departamento de Metodologias de Computação

  Divisão de Ciência da Computação

  Departamento de Metdologias de Computação (IEC-M)

Pesquisa

Centro de Computação da Aeronáutica de São José dos Campos

Instituto Tecnológico de Aeronáutica

• Curso de Extensão em Ciência de Dados (CECD)

  Curso de Extensão em Ciência de Dados (CECD) para a empresa Nuclea (antiga CIP S.A). O objetivo do projeto é capacitar profissionais da empresa , através de um conjunto de disciplinas totalizando 120 horas-aula, que fornecem formação na área de ciência de dados (Data Science).

  2022 a 2023

• Metodologia para ajuste de hiperparâmetros em detectores de objetos de interesse de defesa em imagens aéreas

  Object detection in aerial imagery (ODAI) is important in several areas, such as defense, environmental monitoring, land use inspection and even tracking of sea and land routes. With the evolution of the results obtained in the detection of natural objects, researchers in the field of computer vision have directed their efforts towards ODAI, which requires detectors able to deal with arbitrary orientations, large variations in aspect ratios, densely clustered objects, multiple classes and instances per image. Publications on the detectors with the highest accuracies usually only show the best performing configuration in the tests. In this report, we propose a methodology based on design of experiments (DOE), to perform hyperparameter tuning of a detector. The tuning aims to explore configurations with higher accuracies than the initial configuration and to achieve good results in the case of the addition of classes to the initial data set. Our proposal focuses specifically on the detection of objects with potential interest for air defense systems, such as aircraft, harbors, ships, and storage tanks. The detection of these objects is often challenging because in the context of the application explored there is the possibility of intentional camouflage use by opposing forces. We present a case study with the Rotation-equivariant detector (ReDet), focused on defense-related objects and using the proposed methodology. Preliminary results show promising performance.

  Autores: Paulo Andre Lima de Castro, Carlos Henrique Forster, Filipe Verri, César Augusto Cavalheiro Marcondes, Emilia Colonese

  Desde 2019

• Deep Reinforcement Learning Applied to Portfolio Allocation: A Low Dimensional Approach

  It is well known that the investment activity may be divided in two parts: First making predictions about future movements of the financial assets and second allocating among them, building a diversified portfolio. However, most of the approaches of machine learning for investing concerns only about one of them, predicting returns with a naive portfolio allocation or building allocation strategies irrespective to the predictions of returns. In order to face that problem, this paper uses a supervised learning algorithm to predict stock returns and on top of that fits a low dimensional deep reinforcement learning algorithm to perform allocations based on the supervised learning beliefs and covariance structures estimates. The paper presents a methodology to estimate covariances based on the asset pricing theory. With that, we build an allocation framework that does not rely on heuristics for risk minimization, rather learns from the data the optimal allocations for noisy estimates of statistics. Results suggest that the framework is capable of control the portfolio volatility.

  Autores: Paulo Andre Lima de Castro, Luciano Severo Bittencourt, Paulo Andre Lima de Castro, Fidel Esteves do Nascimento

  Desde 2021

• Modeling autonomous agents based on Behavioral Finance for Cryptomarkets

  The high volatility of cryptocurrencies is a fact observed since its inception and that will certainly continue to occur. One of the reasons for such volatility is the short-term behavior of economic agents involved in this market, overreacting (overreacting) to price changes and excessive risk-seeking behavior, due to significant losses or expectations of exaggerated gains. We intend to study this aspect by model economic agents based on Prospect theory, which incorporates divergent aspects of the expected utility maximization theory (MEU theory). In previous work, we have indicated that in certain situations simulations with agents based on prospect theory can better adjust to real market data than those based on MEU theory. Prospect theory is a formalization proposed by Kahnmeman and Tversky that contemplates biases in human decisions, which are not explainable by MEU theory, such as confirmation bias, representativeness bias, framing bias and overconfidence (a.k.a cognitive bias). There are studies that indicate the possibility of these biases occurring in the financial market, including making people more susceptible to Ponzi schemes . We intend to verify if such biases can also be observed and eventually identified in cryptomarkets.

  Autores: Paulo Andre Lima de Castro, Ricardo Gabriel Pontes Lins

  Desde 2021

• Multi-armed Bandits for Autonomous Trading in Cryptocurrency Market

  Algorithmic trading has gained territory in financial markets. In 2019, a study showed that approximately 92% of trading in the Forex market was performed by trading algorithms and 99.9% of the orders were executed electronically. It is is deeply connected to quantitative analysis. Quantitative analysis uses historical market data and try to detect statistically significant patterns in the desired financial instruments and then derive indicators and heuristics to be ready to trade. The applicability of Machine Learning or, more specific, Deep Reinforcement Learning, in quantitative algorithmic trading agents has gained visibility in the last few years, however the profitability of such solutions are unknown. Although an automated strategy may sound fancy or may provide the feeling that it is potentially profitable, in essence, it is all about how good a strategy is. If a designed strategy overfits some specific market condition and period, or if it trades in a manner that operational costs could invalidate any profitability, it seems like that strategy is of no use, whether automated or not. That is pretty much what happens in quantitative finance, more specifically when it comes to financial decisions using Machine Learning, where the rate of failure is high . Thus, when designing an automated trading system using Deep Reinforcement Learning, it is crucial to adopt some techniques such as early stop, dropouts and other types of regularization to prevent overfitting [38, 39]. A very interesting application of algorithmic trading may be on the cryptocurrency market. Cryptocurrency market had 106 million crypto users around the world in January 2021 [40]. Cryptomarkets are also known as one of the most volatile markets in terms of price movements, meaning that there may be several trading opportunities but also great risks. The ability to perform in a profitable and consistent way is crucial in this kind of market, which certainly requires some form of risk control. Building consistent automated trading in cryptomarkets require dealing with those aspects: control for overfitting, control risks and adapting to market in order to improve performance

  Autores: Paulo Andre Lima de Castro, Gustavo de Freitas Fonseca

  Desde 2020

• Deep Learning for Financial Time Series Modeling

  This project aims at applying and comparing time series forecasting models based on deep learning while introducing novel neural network architectures through recent improvements from the literature as well a through Neural Architecture Search (NAS). Therefore, this project seeks to address the need for optimizing models for applications in high-complexity, real world time-series problems, thus, extracting the full forecasting potential of these models and offering insights into the influence of model optimization in these applications.

  Autores: Paulo Andre Lima de Castro, Attilio Sbrana

  Desde 2020

• Curso de Extensão em Ciência de Dados (CECD)

  Curso de Extensão em Ciência de Dados (CECD) em parceria com o SENAI CETIQT e emrpresa Energisa. O objetivo do projeto é capacitar profissionais da empresa ENERGISA, em parceria com o SENAI-CETIQT através de um programa de formação de recursos humanos na área de ciência de dados (Data Science).

  2022 a 2022

• Análise de desempenho de operadores day trader no Desafio Clear

  O projeto tem como objetivos desenvolver estudos que identifiquem estratégias e comportamentos que melhorem a performance do day trader B3 e avaliar o impacto temporário e de longo prazo do Desafio Clear no comportamento de risco do day trader. O projeto é uma cooperação com a empresa Clear Corretora.

  Autores: Paulo Andre Lima de Castro, Carlos Henrique Forster, Filipe Verri, Emilia Colonese, Paulo Andre Lima de Castro, Carlos Henrique Forster, Gustavo de Freitas Fonseca

  Desde 2022

• Curso de Especialização em Transformação Digital

  O curso de Especialização em Transformação Digital é um curso em parceria ITA / Mackenzie e tem como objetivo promover a capacitação tecnológica, por meio do curso de Especialização em na área de transformação digital aplicada em empresas e indústrias para elevação de competitividade e digitalização dos diversos setores relacionado ao mercado.

  Autores: Paulo Andre Lima de Castro, Cecília de Azevedo Castro Cesar, Inaldo Capistrano Costa, César Augusto Cavalheiro Marcondes, Emilia Colonese

  Desde 2022

• Inteligência Artificial em Finanças Digitais e Cryptomercados: Desafios e Oportunidades

  A Inteligência Artificial (IA) e campos relacionados, como aprendizado de máquina e robótica, estão mudando o mundo, como o conhecemos. Isso também vale para a área financeira. Além disso, o progresso da digitalização nas finanças criou novos mercados, especialmente os chamados criptomercados, que incluem Bitcoin, Ethereum e muitos outros criptoativos. Tais ativos são caracterizados por alta volatilidade e diferentes visões sobre sua viabilidade e métodos de avaliação. Recentes avanços em IA, como aprendizado profundo, trazem novas oportunidades para inovação e pesquisa. No entanto, também existem muitas armadilhas em ambientes financeiros para agentes autônomos, que muitas vezes são incompreendidas ou simplesmente desconhecidas por muitos profissionais e pesquisadores de IA. Decisões financeiras podem ser muito mais difíceis do que reconhecer rostos ou dirigir carros, porque os padrões em finanças geralmente evoluem com o passar do tempo e quais informações são relevantes podem mudar drasticamente com os ativos financeiros. Nesta iniciativa, pretendemos (1) esclarecer e descrever o ambiente financeiro para pesquisadores e praticantes de IA, incluindo as várias armadilhas (2) desenvolver procedimentos conceituais e metodológicos para enfrentar esses problemas tanto nos tradicionais quanto nos criptomercados (3) identificar ou criar ferramentas de apoio à aplicação dos procedimentos definidos. Este projeto se beneficia de trabalhos recentes e relevantes publicados na intersecção das áreas de Economia e Computação. De fato, a ACM criou um grupo de interesse especial para incentivar pesquisas na interface entre economia e computação, incluindo Finanças, Inteligência Artificial e muitas outras áreas. Iniciativas como esta podem beneficiar ambas as áreas e podem ter impacto em aplicações práticas não apenas como solução baseada em IA para problemas financeiros, mas também podem contribuir para o desenvolvimento ou aprimoramento de novos algoritmos de IA.

  Autores: Paulo Andre Lima de Castro, Attilio Sbrana, Ricardo Gabriel Pontes Lins, Gustavo de Freitas Fonseca

  Desde 2022

• UM MÉTODO PARA ANÁLISE DISTRIBUIDA DE DADOS PARA DETECÇÃO DE ANOMALIAS NO CONTEXTO DE OPERAÇÕES FINANCEIRAS.

  2013 a 2014

• MADEC: UMA ARQUITETURA MULTIAGENTE IMUNOINSPIRADA PARA IDENTIFICAR EXFILTRAÇÃO DE INFORMAÇÕES POR CÓDIGOS MALICIOSOS

  Autores: Paulo Andre Lima de Castro, Anderson Rodrigo Barreto Teodoro

  2014 a 2016

• Anomalies Identification in stock market based on Probabilistic Machine Learning

  Financial operations involve a significant amount of resources and can directly or indirectly affect the lives of virtually all people. For the efficiency and transparency in this context, it is essential to identify financial crimes and to punish the responsible. However, the large number of operations makes it unfeasible for analyzes made exclusively by humans. Thus, the application of automated data analysis techniques is essential. Within this scenario, this work presents a method that identifies anomalies that may be associated with operations in the stock exchange market prohibited by law. Specifically, we seek to find patterns related to insider trading. These types of operations can generate big losses for investors. In this work, publicly available information by the SEC and CVM, based on real cases on BOVESPA, NYSE and NASDAQ stock exchanges, is used as a training base. The method includes the creation of several candidate variables and the identification of relevant variables. With this definition, classifiers based on decision trees and Bayesian networks are constructed, and, after, evaluated and selected. The computational cost of performing such tasks can be quite significant, and it grows quickly with the amount of analyzed data. For this reason, the method considers the use of machine learning algorithms distributed in a computational cluster. In order to perform such tasks, we use the Weka framework with modules that allows the distribution of the processing load in a Hadoop cluster. The use of a computational cluster to execute learning algorithms in a large amount of data has been an active area of research, and this work contributes to the analysis of data in the specific context of financial operations. The obtained results show the feasibility of the approach, although the quality of the results is limited by the exclusive use of publicly available data

  Autores: Paulo Andre Lima de Castro, Rafael Salema Marques, Paulo Andre Lima de Castro, Anderson Rodrigo Barretto Teodoro

  2017 a 2019

• Análise Autônoma de Investimento: Uma Abordagem Multiagente Discreta.

  Since early days of computer science, researchers ask themselves where is the line that separates tasks machine can do from those only human beings can really accomplish. Several tasks were pointed as impossible to machines and later conquered by new advances in Artificial Intelligence. Nowadays, it seems we are not far from the day when driving cars will be included among the tasks machines can do in an efficient way. Certainly, even more complex activities will be dominated by machines in the future. In fact, there is significant research effort to make investment analysis become one those activities. In this paper, we propose a probabilistic approach for autonomous investment analysis (AIA) that deals with three dimensions of complexity (nature of assets, multiple analysis algorithms per asset and horizon of investment, non-stationary nature of the environment). This approach is based in multiple autonomous agents, discretization of AIA problem and its modelling as a classification problem. This approach breaks down the complexity faced by AIA in problems that can be addressed by a group of agents that work together to provide intelligent and customized investment advices for individuals. We present an implementation of such approach and the results achieved by using it will historic data from Brazilian stock market. We believe that such approach may contribute to development of AIA. Furthermore, this approach allows an easy integration with algorithms and techniques already developed, that may help to solve part of the problem.

  Autores: Paulo Andre Lima de Castro, Jaime Simão Sichman, Ronald Annoni Junior

  2016 a 2018

• Gestão Autônoma de Investimentos em Ações (GAIA)

  A área de Finanças computacionais baseada em agentes (Agent-Based Computational Finance) engloba as subáreas de administração e análise de ativos financeiros. A diferença entre elas é sutil, porém importante. Na análise, o objetivo do agente é fornecer informações relevantes ou sugestões de ação para um outro agente possivelmente humano que tomará a decisão final. Na gestão de investimentos, o agente decide e realiza as operações de compra e venda de ativos de modo autônomo de modo a satisfazer.os requisitos do investidor em termos de risco e retorno. O foco do projeto GAIA é desenvolver sistema inteligente capaz de gerir uma carteira de ações com risco controlado e buscando obter retorno similar ou superior a média de profissionais. técnicas de IA que sejam eficazes na automação da gestão de ativos financeiros de renda fixa, mais especificamente ações negociadas na bolsa de valores brasileira B3. Nossa abordagem para modelar um gestor de investimento se baseia na adoção simultânea de vários métodos simples embora imperfeitos que trabalham de modo autônomo e cujos eventuais conflitos são identificados e solucionados.

  2020 a 2022

• Curso de Extensão em Ciência de Dados - EMBRAER

  Sou coordenador do curso de extensão em ciência de dados criado para atender demanda da Empresa Brasileira de Aeronáutica (EMBRAER) feita junto ao ITA em 2020. O curso foi criado para atualizar profissionais da empresa, em novas tecnologias ligadas a ciência de dados, Inteligência Artificial e Aprendizado de Máquina.

  Autores: Paulo Andre Lima de Castro, Carlos Henrique Forster, Ana Carolina Lorena, Filipe Verri

  2020 a 2020

• Ciência de Dados - Programa de Internacionzalicação Institucional CAPES PRINT-ITA

  O Programa de Internacionzalicação Institucional PRINT-ITA busca aumentar o grau de cooperação internacional do ITA com instituições renomadas internacionalmente, através da cooperação em projetos de pesquisas. Dentro destes projetos, destacamos o projeto Data Science PRINT-ITA.

  Autores: Paulo Andre Lima de Castro, José Maria Parente, Carlos Henrique Costa Ribeiro, Paulo Marcelo Tasinaffo, Elton Sbruzzi, Ana Carolina Lorena, Filipe Verri, Mariá Cristina Vasconcelos Nascimento Rosset, Renato César Sato, Rodrigo A. Scarpel, Maria Fasli, Elisan dos Santos Magalhães, Marcos Máximo, Daniel Aloise, MICHEL CARLO RODRIGUES LELES

  Desde 2018

• Inteligência Artificial Aplicada a Biotecnologia e Finanças

  O projeto de pesquisa é baseado no uso de técnicas de Inteligência Artificial e desenvolvimento de aplicativos para dispositivos móveis. O projeto é composto de dois subprojetos, cada um deles feito em parceria com uma empresa de base tecnológica. Apesar de pertencerem econômicos distintos, a saber: análise de investimento e aparelhos de correção óssea; ambos irão desenvolver software inovadores utilizando técnicas de Inteligência Artificial para plataformas móveis (smartphones).

  2018 a 2020

• FEAA- Fixador Externo de Atuação Automática

  O projeto tem como objetivo construir um fixador externo capaz de operar e reduzir deformidades ósseas de formar automática. O produto é inovador e ainda sem similares no mercado internacional. Os atuais fixadores tem atuação meramente mecânica. Há possibilidade de registro de patente e/ou registro de software. O projeto é multidisciplinar envolvendo equipes de mecânica, eletrônica e software. A FINEP apoia o projeto através do edital 'Viver Sem Limites'.

  2017 a 2021

• Análise de similaridade entre programas de computador

  O projeto visa identificar possíveis similaridades entre programas de computador apontados pela empresa Unisoft

  Autores: Paulo Andre Lima de Castro, Cairo Lucio Nascimento Junior, Diogo Lauda, Osmar Vogler

  2016 a 2017

• Avaliação de segurança em Tecnologia da Informação da CEF

  Autores: Paulo Andre Lima de Castro

  2007 a 2008

• Curso de Especialização ITA/Stefanini

  O curso de especialização em parceria com a empresa Stefanini Training visava contribuir com a inciativa privada para atender a demanda por profissionais capazes de desenvolver, gerenciar e administrar sistemas de informação, bem como liderar equipes especializadas nessas atividades.

  Autores: Paulo Andre Lima de Castro, Milton Teruaki Suetsugu Sakude, Inaldo Capistrano Costa, Clovis Torres Fernandes, Carlos Henrique Forster, Álvaro Augusto Neto

  2011 a 2012

• HARPIA - Análise de Risco e Inteligência Artificial Aplicada

  O projeto visa buscar a otimização do uso de recursos através das recentes disponibilidades e potencialidades da área de Tecnologia da Informação. No que se refere a ferramentas para gerenciamento automatizado do risco, o projeto se justifica pela sua importância tecnológica para a Receita Federal - considerando a importância da análise de risco tendo em vista a crescente demanda por operações precisas de fiscalização aduaneira. O projeto tem também importância por suas potenciais aplicações em outras áreas nas quais o problema de gerenciamento de risco e tomada de decisão sob incerteza é comum. Em particular, a tecnologia de tomada de decisão sob incerteza tem aplicações em Comando e Controle. Finalmente, cabe observar que o projeto conta com um valor agregado acadêmico importante, derivado da utilização de técnicas que são o estado da arte em tratamento da incerteza, classificação e reconhecimento de padrões.

  Autores: Paulo Andre Lima de Castro, Milton Teruaki Suetsugu Sakude, Eduardo Martins Guerra, Carlos Henrique Forster, Álvaro Augusto Neto, Luiz Alberto Vieira Dias, Paulo Andre Lima de Castro, Celso Hirata, Edgar Yano

  2005 a 2008

• Localização de Módulos Selecionados do Microsoft Development Network(MSDN)

  O projeto de Localização de Módulos Selecionados do Visual Studio 2005 Microsoft Development Network (MSDN) compreendeu a revisão técnica e pós edição de conteúdo selecionado do "Visual Studio 2005 Microsoft MSDN Library", realizado por alunos de graduação e pós-graduação do ITA sob a supervisão dos Prof. Paulo André Castro e Prof. Celso Hirata

  Autores: Paulo Andre Lima de Castro, Celso Hirata

  2005 a 2006

City University of New York

Fundação de Amparo à Pesquisa do Estado de São Paulo