orientacao.txt

Usar dados Open, High, Low, Close
usar poucos filtros pra convolucional (testar com 2,3 .. 5)
não pegar dados do dia anterior para rede convolucional (não da pra prever para 10:00, pois não existem dados de 9:30.. só da pra prever 
a partir de 10:30)
Ver o que é strides
Usar duas camadas de convolucional

10/08:
usar média em vez de close
adaptar a implementação de hiperbolica dele e bihiperbolica do adilson/ygor pro keras atual


21/09:
Conv: alterar tamanho janelas(kernel_size) para ficar entre 20 e 30. Filtros botar 15


28/09:
fazer teste com Conv2D, kernel_size de 5x(20 a 30) - tratar como uma "imagem"
escrever e ler sobre Redes MLP e CNN (talvez GAN se conseguir bons resultados) para começar a parte de revisão de literatura da tese


16/11:
GAN: gerar 4 previsoes (OHLC) em vez de apenas o fechamento

23/11:
PLS_regression: gerar 4 previsoes também (OHLC)

07/12:
Gerar grafico de candles com OHLC
Prever H e L separados

25/01:
Comparar normalização adaptativa com sem normalização. Isso ja daria tese.
usar BTC Dezembro/2017


23/02:
Reunião com Ogasawara:
-Usar TSPred do R com arima (Prever usando o treino e ir caminhando pela timeseries até chegar no ultimo sample)
(Arima deve usar toda a timeseries para calculo) (Não precisa normalizar)
-Usar diferenciação em vez de divisão (justificar com a função cos(x) que daria divisão por zero devido a média móvel nela)
-Cenário por minuto desfavorável para AN, pq nas viradas de dia podem existir outlier (AN trabalha com inércia, não espera mudanças bruscas)(remover outlier de treino e teste)
-Diminuir janelas deve melhorar (iterar até achar um ideal para cada dataset)
-Alterar K das médias móveis tb altera (iterar até achar um ideal tb)



19/04:
Reunião zimbrao:
Arrumar mais datasets de timeseries para testar. Sugestoes:
Medição de chuva
Energia elétrica