This website uses cookies so that we can provide you with the best user experience possible. Cookie information is stored in your browser and performs functions such as recognising you when you return to our website and helping our team to understand which sections of the website you find most interesting and useful.
Thiago Christiano Silva
Citações | SILVA, T. C.;Thiago C. Silva;Christiano Silva, Thiago;Silva, Thiago Christiano;Silva, Thiago C.;Thiago Christiano Silva |
Curso/Programa | Governança, Tecnologia e Inovação - Stricto Sensu |
Titulação | Pós-Doutorado |
Área | Ciências Socias Aplicadas :: Economia |
Formação
- Pós-Doutorado - Periodo: 2013 a 2014 - Universidade de São Paulo - Instituto de Ciências Matemáticas e Computação
- Pós-Doutorado - Periodo: 2016 a 2020 - Universidade de São Paulo
- Doutorado - Periodo: 2010 a 2012 - Ciências da Computação e Matemática Computacional
Universidade de São Paulo - Graduação - Periodo: 2005 a 2009 - Engenharia de Computação
Universidade de São Paulo - Instituto de Ciências Matemáticas e Computação
Atuação Profissional
- Banco Central- / Periodo: 2011 a atual
- CADERNOS DE FINANÇAS PÚBLICAS- / Periodo: 2019 a atual
- CHAOS SOLITONS & FRACTALS- / Periodo: 2013 a atual
- Ci&T and Software- / Periodo: 2009 a 2010
- Conselho Nacional de Desenvolvimento Científico e Tecnológico- / Periodo: 2018 a atual
- Emerging Markets Review- / Periodo: 2014 a atual
- HELIYON- / Periodo: 2022 a atual
- IEEE Transactions on Neural Networks and Learning Systems- / Periodo: 2010 a atual
- JOURNAL OF ECONOMIC DYNAMICS & CONTROL- / Periodo: 2019 a atual
- Journal of Financial Stability- / Periodo: 2015 a atual
- Latin American Journal of Central Banking- / Periodo: 2020 a atual
- NEURAL NETWORKS- / Periodo: 2011 a atual
- NEUROCOMPUTING- / Periodo: 2010 a atual
- Physica. A (Print)- / Periodo: 2015 a atual
- PHYSICA A-STATISTICAL MECHANICS AND ITS APPLICATIONS- / Periodo: 2012 a atual
- Universidade Católica de Brasília-UCB / Periodo: 2018 a atual
- Universidade de Brasília-UNB / Periodo: 2019 a atual
- Universidade de São Paulo-USP / Periodo: 2011 a 2011
- Universidade de São Paulo-USP / Periodo: 2011 a 2011
- Universidade de São Paulo-USP / Periodo: 2010 a 2011
- Universidade de São Paulo-USP / Periodo: 2006 a 2008
Linha de Pesquisa
- Aprendizado de Máquina
- Banking
- Econometria
- Estabilidade Financeira
- Institucionalização da FAPDF - melhoria de processos e sistemas
- Redes Complexas
- Redes Financeiras
- Risco Sistêmico
Projetos de Pesquisa
- Covid-19 e seus efeitos na economia e no setor financeiro
O projeto pretende contribuir com o estado-da-arte em pesquisas empíricas sobre o efeito da Covid-19 em finanças e economia em diversas vertentes, com implicações práticas no desenho de políticas públicas. O projeto é de cunho empírico e explorará o padrão heterogêneo de espalhamento da Covid-19 no território brasileiro e internacional como estratégia de identificação para examinar os efeitos transitórios ou permanentes da Covid-19 na economia e no setor financeiro.
Período: 2023 - atual / Situação: EM_ANDAMENTO / Natureza: PESQUISA - Efeitos da Interconectividade na Economia: uma abordagem microeconométrica e com redes complexas
Pretende-se estimar o efeito de políticas públicas na economia e quantificar como a interconectividade econômico-financeira entre os agentes econômicos contribui para atenuar ou amplificar tais efeitos. O projeto abarca várias áreas de pesquisa na Economia e Finanças, bem como métodos instrumentais de Aprendizado de Máquina e Redes Complexas. Entre os tópicos de pesquisa, pretendemos investigar como choques de crédito bancário se propagam por redes de firmas fornecedoras e consumidoras. Para tanto, utilizaremos dados que cobrem transações firma-firma no Brasil durante o período da quebra do Lehman Brothers. Utilizaremos todas as TEDs entre firmas que ocorreram por razões econômicas para compor a rede de dependências econômicas entre as firmas brasileiras. Analisaremos a falência do Lehman Brothers em setembro de 2008 como um choque exógeno e de grandes proporções para a economia brasileira e exploraremos duas características distintivas da resposta de bancos brasileiros à crise. Primeiramente, a intensidade de racionamento de crédito para firmas foi significativamente influenciada pelo tipo de controle dos bancos. Bancos privados cortaram crédito substancialmente, enquanto bancos governamentais mantiveram sua tendência pré-crise nos empréstimos, atuando contraciclicamente. Em segundo lugar, a importância histórica do setor público no sistema bancário de economias emergentes, tais como o Brasil, sugere que choques como esses possuem implicações macroeconômicas. Usando a reação contracíclica dos bancos governamentais no Brasil após a falência do Lehman Brothers como um experimento de política econômica, pretendemos verificar se choques de crédito originados nas relações firma-banco são transmitidos ao longo da rede de firmas fornecedoras e firmas consumidoras, com reflexos na probabilidade de sobrevivência e em variáveis econômicas das firmas.
Período: 2020 - 2023 / Situação: CONCLUIDO / Natureza: PESQUISA - Análise e Pesquisa de Modelos Estratégicos Dinâmicos: um Estudo a partir da Agência Espacial Brasileira (AEB)
O projeto objetiva revisar e aperfeiçoar o Plano Estratégico da Agência Espacial Brasileira (AEB), gerando bases para a sua implementação alinhada ao mapa estratégico institucional, ao Programa Espacial Brasileiro - PEB, Programa Nacional de Atividades Espaciais - PNAE, Política Nacional de Desenvolvimento das Atividades Espaciais - PNDAE, Política Nacional do Espaço - PNE, Lei nº 13.848, de 25 de junho de 2019, na Lei nº 13.971, de 27 dedezembro de 2019, e no Decreto nº 9.203, de 22 de novembro de 2017, Instrução Normativa nº 24, de 18 de março de 2020 (Ministério da Economia) e acórdãos do Tribunal de Contas da União.
Período: 2021 - 2022 / Situação: CONCLUIDO / Natureza: PESQUISA - Finanças e Crescimento: uma abordagem com redes complexas e aprendizado de máquina
PROJETO APROVADO PELA UNIVERSAL/2019 (CNPq): O objetivo deste projeto é investigar o impacto do desenvolvimento financeiro no crescimento econômico em um ambiente de economia interconectada utilizando métodos de redes complexas e de aprendizado de máquina. Normalmente, municípios se especializam em determinados setores de negócio, tais como o agropecuário, industrial e de serviços, e, por conta desta especialização, necessitam comercializar produtos e serviços para suprir suas necessidades locais. O conjunto de todas as transações entre firmas e indivíduos localizados em municípios diferentes gera uma rede econômica entre cidades. A topologia desta rede econômica não é trivial e, portanto, é caracterizada por uma rede complexa de larga escala, tendo em vista a grande quantidade de firmas e indivíduos no Brasil. Utilizaremos técnicas de aprendizado de máquina e de teoria de grafos para entender as interdependências locais, regionais e globais entre as cidades e também extrair a importância de cada cidade para toda cadeia nacional de valor, utilizando medidas de centralidade. Cidades que realizam muita intermediação financeira tendem a ser mais centrais, pois servem como hubs de distribuição de serviços e produtos para o restante da economia. Do ponto de vista social e econômico, a identificação dessas cidades é uma tarefa importante, pois choques nessas cidades possuem o potencial de gerar spillovers econômicos por toda a economia nacional.
Período: 2018 - 2022 / Situação: CONCLUIDO / Natureza: PESQUISA - Institucionalização da Fundação de Apoio à Pesquisa do Distrito Federal (FAPDF)
O projeto apresentado trata de uma parceria entre o Centro de Estudos Avançados de Governo e Administração Pública - CEAG/UnB, Centro vinculado à Faculdade de Administração, Contabilidade, Economia e Gestão de Políticas Públicas ? FACE/UnB e à Fundação de Apoio à Pesquisa do Distrito Federal - FAPDF. O projeto é estruturado em 6 seis seções apresentadas abaixo (destaca-se que a última seção é a elaboração de um relatório de consolidação com os principais resultados obtidos): Atividades voltadas ao incremento da capacidade operacional da FAPDF por meio de melhorias em processos produtivos, ferramentas e estrutura de governança; 1. Atividades voltadas ao aumento do desempenho da FAPDF e da sustentabilidade de suas ações por meio da construção de ferramentas de gestão de talentos; 2. Atividades voltadas ao incremento da efetividade das ações da FAPDF por meio da construção de estruturas e processos de monitoramento e avaliação; 3. Atividades voltadas ao incremento da efetividade das ações da FAPDF por meio de revisão de normas legais e infralegais; 4. Atividades voltadas ao incremento da efetividade das ações da FAPDF por meio da instituição de espaços de articulação e discussão da Política Distrital de Ciência e Tecnologia; 5. Elaborar e apresentar o relatório final.
Período: 2019 - 2020 / Situação: CONCLUIDO / Natureza: PESQUISA - Redes complexas e aprendizado de maquina: o papel da interconectividade
Esta proposta de pesquisa está fortemente ligada à linha de pesquisa Tecnologia da Informação e Suporte a Decisão do curso de pós-graduação em Governança, Tecnologia e Inovação da Universidade Católica de Brasília em diversos aspectos. Instrumentalmente, o projeto se estrutura fortemente em tópicos atinentes à Inteligência Artificial, uma macro-área de pesquisa que engloba dois assuntos de forte utilização nessa proposta: Redes Complexas e Aprendizado de Máquina. No seu propósito final, a proposta de pesquisa visa a dar subsídios que podem ser úteis para formuladores de políticas públicas, pois visa a estudar, entre outros, aspectos econômicos e financeiros de redes econômicas, financeiras e sociais, com um foco aqui no Brasil.
Período: 2019 - 2020 / Situação: CONCLUIDO / Natureza: PESQUISA - Análise de Risco Sistêmico em Sistemas Financeiros usando Aprendizado de Máquina em Redes Complexas
Aprendizado de máquina figura-se como uma área de pesquisa que visa a desenvolver métodos computacionais capazes de ?aprender? com a experiência. Nos últimos anos, um crescente interesse em técnicas baseadas em redes complexas foi verificado, fenômeno que é explicado pelas inerentes vantagens que a representação em redes complexas traz, tais como a possibilidade de capturarem relações espaciais, topológicas e funcionais dos dados. Neste projeto, serão aplicadas técnicas de aprendizado de máquina e de redes complexas para mensurar risco sistêmico em redes financeiras. O risco sistêmico pode ser entendido como o risco de colapso de um sistema financeiro por conta de eventos isolados ou em conjunto de seus participantes. A manutenção de elevados níveis de exposições ou concentração no mercado entre várias instituições financeiras e a maneira como essas relações formam a rede (topologia) são um dos fatores que contribuem para o aumento do risco sistêmico. Uma das grandes lições da crise financeira de 2008-2009 é que o sistema financeiro é interconectado de forma complexa. Estas interconexões formam grandes redes financeiras nas quais vários tipos de instituições financeiras são conectados por diferentes instrumentos financeiros. Logo, redes financeiras um tipo de redes complexas. Entretanto, até hoje, não há consenso na literatura em como derivar medidas de conectividade financeira que sejam úteis para regulação e monitoramento financeiros. Um dos objetivos desse trabalho é o desenvolvimento de novos indicadores econômicos que mensurem o risco sistêmico inerente na rede por meio de técnicas de aprendizado de máquina e de redes complexas. Espera-se que os índices desenvolvidos tenham uma interpretação clara de risco sistêmico e propriedades que facilitem a sua aplicação em uma eventual política de monitoramento de redes financeiras por reguladores. Em contraste a maioria das técnicas propostas na literatura, objetiva-se desenvolver novas medidas que capturem o risco sistêmico sem choques iniciais (scenario-free). Como a criação desses cenários de choque é custosa na prática, os indicadores desenvolvidos possuem vantagem prática. Outro objetivo do projeto é criar um framework de prognóstico de risco sistêmico em redes financeiras. A ideia é aplicar algoritmos de aprendizado de máquina baseados em redes, tais como de predição de links, para estimar a rede financeira em um tempo futuro. Com a rede estimada, aplicamos os indicadores de risco sistêmico citados anteriormente para estimar o risco sistêmico da rede financeira de forma proativa. Esse estudo é inovador na literatura, já que, até o conhecimento do proponente, os estudos de risco sistêmico em redes financeiras limitam-se a descrever o passado. Com os indicadores calculados sobre a rede estimada futura, reguladores podem concluir sobre a direção que essas redes estão evoluindo, seja para estado mais ou menos perigoso em termos de risco sistêmico. Portanto, esse projeto alia a área de computação ? aprendizado de máquina e redes complexas ? com a área de economia ? redes financeiras, banking ? para gerar métodos robustos que possam auxiliar reguladores a conduzir políticas que objetivem a estabilidade financeira do sistema financeiro.
Período: 2016 - 2018 / Situação: CONCLUIDO / Natureza: PESQUISA - Detecção de Vértices Sobrepostos em Redes Complexas
Neste projeto, serão investigadas as possíveis vantagens oferecidas por redes complexas quando utilizadas no domínio de aprendizado de máquina para detecção de vértices sobrepostos. Tais vértices são definidos como membros de mais de uma comunidade ou classe ao mesmo tempo. Por exemplo, em uma rede de associação semântica de conceitos, o conceito ?Brilhante? pode ser um membro de vários grupos, tais como o grupo representando os conceitos relativos à ?Luz?, à ?Astronomia?, à ?Cor?, e assim sucessivamente. Em uma rede social, cada pessoa naturalmente pertence ao grupo da empresa em que trabalha e também ao grupo representando os membros de sua família. Diante desse cenário, a descoberta de vértices e comunidades sobrepostos é importante não só para mineração de dados, mas também para a análise dos dados em geral, uma vez que a presença de dados sobrepostos é encontrada com relativa facilidade no mundo real. A literatura na área de detecção de vértices sobrepostos em redes complexas apresenta um grande número de técnicas desenvolvidas. Todavia, um ponto negativo da maioria dessas técnicas é que a detecção de comunidades e vértices sobrepostos é realizada como um processo dedicado, ou seja, separado do processo de detecção de comunidades per se. Desta forma, um processamento computacional adicional normalmente é necessário. Isto faz com que a complexidade computacional do método seja aumentada, tornando, frequentemente, impraticável a aplicação de tal técnica em dados reais de larga-escala. Neste cenário, este projeto propõe o estudo e desenvolvimento de métodos alternativos para detecção de vértices sobrepostos em redes complexas. Em especial, serão desenvolvidas técnicas alternativas em que o processo de detecção de vértices sobrepostos esteja incorporado no próprio algoritmo de detecção de comunidades. Assim, espera-se que a complexidade computacional não seja afetada. Uma proposta inicial é estender uma técnica recente de competição de partículas para detecção de comunidades em redes, a qual foi rigorosamente descrita a partir de um sistema dinâmico estocástico. A ideia geral de tal técnica é que várias partículas navegam na rede conquistando novos vértices e, ao mesmo tempo, defendem e repelem partículas intrusas de seus territórios. Pretende-se modificar a regra de atualização de tal sistema estocástico, de tal forma que consiga detectar sobreposição de vértices em redes. Por fim, com o objetivo de validar as técnicas desenvolvidas em problemas reais, estas serão aplicadas a várias bases amplamente aceitas da literatura de aprendizado de máquina. Redes complexas são representações poderosas e ainda existe um grande espaço para exploração. Portanto, acredita-se que este estudo possa gerar contribuições para área de aprendizado de máquina.
Período: 2013 - 2014 / Situação: CONCLUIDO / Natureza: PESQUISA - Aprendizado de Máquina em Redes Complexas: Modelagem, Análise e Aplicações
Aprendizado de máquina figura-se como uma área de pesquisa que visa a desenvolver métodos computacionais capazes de ?aprender? com a experiência. Embora uma grande quantidade de técnicas de aprendizado de máquina foi proposta e aplicada, com sucesso, em sistemas reais, existem ainda inúmeros problemas desafiantes que necessitam ser explorados. Nos últimos anos, um crescente interesse em técnicas baseadas em redes complexas (grafos de larga escala com padrões de conexão não triviais) foi verificado. Essa emergência é explicada pelas inerentes vantagens que a representação em redes complexas traz, sendo capazes de capturar as relações espaciais, topológicas e funcionais dos dados. Nesta tese, serão investigadas as possíveis vantagens oferecidas por redes complexas quando utilizadas no domínio de aprendizado de máquina. De fato, será mostrado que a abordagem por redes realmente proporciona melhorias nos aprendizados supervisionado, semissupervisionado e não supervisionado. Especificamente, será reformulada uma técnica de competição de partículas para o aprendizado não supervisionado e semissupervisionado por meio da utilização de um sistema dinâmico estocástico não linear. Em complemento, uma análise analítica de tal modelo será desenvolvida, permitindo o entendimento evolucional do modelo no tempo. Além disso, a questão de confiabilidade de dados será investigada no aprendizado semissupervisionado. Tal tópico tem importância prática e é pouco estudado na literatura. Com o objetivo de validar essas técnicas em problemas reais, simulações computacionais em bases de dados consagradas pela literatura serão conduzidas. Ainda nesse trabalho, será proposta uma técnica híbrica de classificação supervisionada que combina tanto o aprendizado de baixo como de alto nível. O termo de baixo nível pode ser implementado por qualquer técnica de classificação tradicional, enquanto que o termo de alto nível é realizado pela extração das características de uma rede construída a partir d
Período: 2010 - 2012 / Situação: CONCLUIDO / Natureza: PESQUISA - Clusterização de Dados Utilizando Técnicas de Detecção de Comunidades em Redes Complexas
Clusterização de dados é uma técnica importante para mineração de dados, reconhecimento de padrões e processamento de imagens, entre outros. A maioria dos algoritmos de clusterização de dados não possui as seguintes características desejadas no mesmo tempo: habilidade de determinação de formas de clusters variadas e representação hierárquica de clusters. Neste projeto, tentaremos desenvolver um novo algoritmo de clusterização de dados, que possui as duas características supracitadas, baseado no algoritmo CHAMELEON. Especificamente, o conjunto de dados de entrada é representado por um grafo e os clusters são formados por meio de partição do grafo, a qual, neste novo algoritmo, será realizada utilizando técnicas de determinação de comunidades em redes complexas.
Período: 2006 - 2008 / Situação: CONCLUIDO / Natureza: PESQUISA
Áreas de Atuação
- Ciências Exatas e da Terra :: Ciência da Computação :: Inteligência Artificial :: Aprendizado de Máquina
- Ciências Exatas e da Terra :: Ciência da Computação :: Redes Complexas ::
- Ciências Socias Aplicadas :: Economia :: Banking ::
- Ciências Socias Aplicadas :: Economia :: Econometria ::
- Ciências Socias Aplicadas :: Economia :: Estabilidade Financeira ::
- Ciências Socias Aplicadas :: Economia :: Risco Sistêmico ::
Idiomas
- Inglês: Lê: BEM, Fala: BEM, Escreve: BEM, Compreende: BEM
- Português: Lê: BEM, Fala: BEM, Escreve: BEM, Compreende: BEM
Banca Julgadora
Tipo de Produção | 2017 | 2018 | 2019 | 2020 | 2021 | 2022 | 2023 | 2024 | Total |
---|---|---|---|---|---|---|---|---|---|
Participação em Banca de Doutorado | 0 | 1 | 3 | 3 | 3 | 4 | 6 | 2 | 22 |
Participação em Banca de Exame de Qualificação | 2 | 1 | 9 | 14 | 11 | 12 | 5 | 0 | 54 |
Participação em Banca de Graduação | 0 | 0 | 0 | 2 | 0 | 9 | 5 | 0 | 16 |
Participação em Banca de Mestrado | 1 | 2 | 3 | 12 | 14 | 5 | 8 | 4 | 49 |
Total | 3 | 4 | 15 | 31 | 28 | 30 | 24 | 6 | 141 |
Eventos
Tipo de Produção | Anterior | 2016 | 2017 | 2019 | 2021 | 2023 | 2024 | Total |
---|---|---|---|---|---|---|---|---|
Participação em Congresso | 1 | 3 | 1 | 0 | 1 | 1 | 0 | 7 |
Participação em Encontro | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 3 |
Participação em Seminário | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 3 |
Participação em Simpósio | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 1 |
Total | 6 | 3 | 1 | 1 | 1 | 1 | 1 | 14 |
Orientação
Tipo de Produção | 2018 | 2019 | 2020 | 2021 | 2022 | 2023 | 2024 | Total |
---|---|---|---|---|---|---|---|---|
Orientação em Andamento de Doutorado | 0 | 0 | 1 | 0 | 2 | 0 | 3 | 6 |
Orientação em Andamento de Mestrado | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 1 |
Orientações Concluídas para Doutorado | 0 | 1 | 1 | 1 | 2 | 3 | 1 | 9 |
Orientações Concluídas para Mestrado | 3 | 5 | 8 | 3 | 3 | 1 | 2 | 25 |
Outras Orientações Concluídas | 0 | 0 | 0 | 0 | 4 | 3 | 0 | 7 |
Total | 3 | 6 | 10 | 4 | 11 | 8 | 6 | 48 |
Prêmios
Tipo de Produção | Anterior | 2016 | 2017 | 2018 | 2019 | 2020 | 2023 | Total |
---|---|---|---|---|---|---|---|---|
Prêmios | 11 | 2 | 3 | 3 | 1 | 3 | 1 | 24 |
Total | 11 | 2 | 3 | 3 | 1 | 3 | 1 | 24 |
Produção Bibliográfica
Tipo de Produção | Anterior | 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | 2022 | 2023 | 2024 | Total |
---|---|---|---|---|---|---|---|---|---|---|---|
Apresentação de Trabalho | 13 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 | 16 |
Artigo Aceito para Publicação | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 2 |
Artigo Publicado | 17 | 7 | 3 | 5 | 5 | 7 | 6 | 9 | 14 | 0 | 73 |
Capitulo de Livro Publicado | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 3 |
Editoração | 0 | 0 | 0 | 3 | 3 | 2 | 2 | 3 | 3 | 0 | 16 |
Livro Publicado ou Organizado | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 |
Organização de Evento | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 1 |
Outras Produções Bibliográfica | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 |
Texto em Jornal ou Revista | 0 | 0 | 0 | 0 | 0 | 4 | 0 | 0 | 0 | 0 | 4 |
Trabalho em Eventos | 15 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 16 |
Total | 47 | 9 | 3 | 10 | 9 | 13 | 9 | 12 | 18 | 3 | 133 |
Produção Técnica
Tipo de Produção | Anterior | 2016 | 2017 | 2018 | 2019 | 2020 | 2021 | 2022 | 2023 | 2024 | Total |
---|---|---|---|---|---|---|---|---|---|---|---|
Software | 3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 3 |
Trabalho Técnico | 3 | 4 | 1 | 2 | 8 | 8 | 14 | 10 | 7 | 1 | 58 |
Total | 6 | 4 | 1 | 2 | 8 | 8 | 14 | 10 | 7 | 1 | 61 |